基于深度学习的架空输电线路绝缘子缺陷检测方法研究综述

绝缘子是架空输电线路中不可或缺的部件,对其进行定期检修能确保电力的安全传输和电网的安全运行。人工巡检、机器人巡检、载人直升机巡检、无人机巡检等是现有的输电线路巡检方式。目前,我国电力线路运维的主流模式是“无人机巡检为主,人工巡检为辅”。为了安全起见,操作无人机飞行检修高压输电线路时,必须与线路保持一定的安全距离。由于绝缘子在无人机拍摄的输电线路图像背景复杂多变且状态复杂,小目标种类占比较多。故本文针对架空输电线路绝缘子缺陷检测的场景,分析了目标检测算法的常见类型,并比较了不同算法策略的优缺点,结合实际应用对算法进行改进,最后展望绝缘子缺陷检测的研究趋势。     

基于深度学习的无人机电网巡检缺陷检测研究

由于无人机电网巡检存在检测区域面积小、背景复杂、计算量大等特点,导致深度学习算法的准确率和实时性难以实现。为实现无人机电网巡检的准确、快速识别,分析了各类深度学习算法在复杂环境下对绝缘子的检测效果,提出了一种基于YOLO v3的目标检测算法。首先选用ResNet18作为主干网络结构,然后构建一个多尺度特征金字塔,将其与主干网络进行融合,形成深度融合的电网巡检绝缘子检测模型,可在提高检测准确率的同时,满足实时性的检测要求。实验结果表明,YOLO v3网络的均值平均精度(mAP)达98.10%,相比于Faster R-CNN提高了6.71%;其每秒检测帧数高达47.52帧,分别是R-CNN和Faster R-CNN的25倍和12倍。所提的YOLO v3网络具有更优的识别精度和检测速度。     

基于深度学习的无人机巡检图像质量问题识别与实践

无人机在巡检时受到电噪声和振动噪声干扰,产生图像非线性畸变和振动偏移,造成巡检过程中电力仪表指针数值识别失败。为了解决上述问题,研究基于深度学习的无人机巡检图像质量问题识别与实践。引入深度学习训练提取噪声畸变点信息,利用最小二乘法计算噪声畸变点检测数据,分析检测距离,根据无人机自动读数机制的角度数据计算圆弧数值,解析仪表读数,完成深入分析。根据三维直方图像内部的灰度信息得到维轴距概率,按照深度学习模式提取相应的噪点影响参数,通过计算权值参数求得非局部均值。实践结果表明,所提方法能有效提高电力仪表指针图像识别的清晰度,有效滤除噪声,加强图像识别效果。     

基于深度学习和无人机图像的架空线路缺陷巡检综述

架空输电线路巡检是电网运维工作的一项重要内容,运维人员利用无人机进行线路巡视检测已成为电力巡检工作中的重要手段。本研究首先概述了无人机巡检任务中人机协同作业系统以及无人机智能自主作业系统的架构;其次,分析了当前架空输电线路缺陷巡检领域数据集状况以及数据扩增技术;然后,综述了基于深度学习的无人机图像缺陷检测典型方法以及评价指标,并对比总结了各种方法的优缺点;随后,讨论了无人机图像视觉检测方法中图像采集规范、数据集形式、缺陷检测算法专业化应用等对架空线路缺陷检测效果,指出了图像检测指标和类别定义在电力巡检专业化领域中的不足;最后,探讨了基于深度学习的无人机图像缺陷巡检任务的未来发展方向。     

基于深度学习的输电线路巡检无人机图像分类方法

由于点云数据的不规则性,对点云数据特征值的分类精度很难达到输电线路巡检要求。为此,提出基于图信号处理的激光雷达点云分类方法。该方法在处理不规则的输电线路图像信号时,可直接从原始点数据中生成特征值,从而提高分类精度。为了验证所提出方法的有效性,采取实物仿真的方式对算法进行验证,结果表明图像中的分类精度可达到90%。     

基于深度学习的无人机巡检架空输电线路金具锈蚀缺陷检测方法

为了提升架空线路无人机巡检效率,提高架空线路金具锈蚀缺陷智能检测效率,提出了一种基于深度学习的巡检架空线路销钉缺陷检测方法。由于架空输电线路的金具锈蚀缺陷智能检测存在环境背景大、目标小、拍摄角度和拍摄光线差异大等特点,采用图像预处理算法拓充数据集,将MobileNet替换YOLO的主干特征提取网络来提升算法的泛化能力和鲁棒性,并用实际巡检图像进行实验测试。测试集验证中,当置信度阈值取0.5时,P为0.92、R为0.84、A_P为91.34%。结果表明,此方法对架空线路金具锈蚀缺陷有较好的检测效果,可以给设备健康状态评估提供参考。     

基于无人机图像与迁移学习的线路绝缘子状态评价方法

针对目前绝缘子运维过程存在着规程过于繁杂,过于依赖运维人员的人工识别等问题,文中提出了一种绝缘子状态评价方法,该方法采用历史绝缘子缺陷图像作为训练样本,通过迁移学习在小样本数据处理的优异性能实现基于深度卷积神经网络绝缘子的缺陷识别模型训练,并借助卷积神经网络的特征提取能力实现绝缘子缺陷量化评分,结合历史样本与专家经验实现考虑运行年限、外界环境等因素实现绝缘子综合状态评价。通过实例分析表明文中迁移学习模型训练后绝缘子缺陷识别准确率可达到90%以上,而采用全新学习在同样的样本条件下识别准确率仅为70%,且文中建立的评价模型在日常运维中能够更为灵敏地体现绝缘子的缺陷状态,说明文中评价方法具有相当可靠性,可为运维人员的日常维护安排提供经验。     

基于深度学习的输电线路巡检机器人故障识别与定位方法研究

随着电网规模持续扩张,输电线路巡检难度增大。传统方法效率低,难以满足需求,深度学习技术为此提供新契机。聚焦于输电线路巡检机器人,深入探讨基于深度学习的故障识别与定位方法。详细阐述了深度学习模型的构建与训练过程,通过实验验证了该方法在输电线路各类故障识别与精确定位中的有效性,显著提升了输电线路巡检的智能化水平和效率,为保障输电线路的安全稳定运行提供了有力的技术支撑。     

基于无人机喷雾拍照及深度学习的绝缘子憎水性检测系统设计

在运绝缘子的憎水性检测是电力巡检工作中的难点,为此设计一种基于无人机平台和深度学习模型的绝缘子憎水性检测系统。首先由喷雾无人机对绝缘子表面实施喷雾,然后采集绝缘子图像并通过深度学习模型对图像进行处理,完成憎水性分类检测。系统通过无人机遥控器调用边缘检测设备,实现图像互传,并且在遥控器上完成用户交互界面,与现有的巡检工作之间可友好适配,所提出的深度学习分类模型采用FasterNet主干网络融合通道注意力机制(efficient channel attention, ECA),具有良好的检测性能。通过数据集验证和现场试验证明,所提的系统运行良好,憎水性平均判别准确率达98.4%,可满足绝缘子日常巡检的要求。     

基于改进Faster-RCNN的输电线路巡检图像检测

针对传统输电线路目标巡检图像识别方法响应速度慢,准确率不高的问题,提出一种改进Faster-RCNN深度学习识别算法。文中通过卷积神经网络ZFnet提取图像特征,并重置模型参数以获取更多目标细节;利用Faster-RCNN对目标进行检测,由子网络区域提议模型生成目标候选框和子网络Fast-RCNN进行参数调优,并在Faster-RCNN网络输出部分引入精炼阶段,增加目标特征的分类细化和回归细化,将存在目标的多个边界框合并,实现精确分类以及坐标定位。实验结果表明：改进Faster-RCNN算法可有效识别线路设备及设备缺陷,总体识别率达到93.5%,响应时间在1s内。与图像识别法或SSD、YOLO深度学习法相比,所提算法提高了电力设备的识别精度与响应速度,在输电线路智能巡检中具有一定的优越性。     

基于YOLO的无人机电力线路杆塔巡检图像实时检测

无人机巡检已成为电力线路灾后巡检的重要方式。然而,目前的无人机巡检仍主要通过人工方式评估线路灾损,不仅费时费力,而且准确率低。提出了一种基于深度学习算法（YOLO）的实时目标检测模型,用于灾后根据无人机巡检视频实时检测电力杆塔的状态。通过对倒断类杆塔图像进行数据增广,解决了杆塔类别不平衡问题。通过使用K-means算法对杆塔数据集的目标框进行重新聚类,改进了YOLO算法参数。测试结果表明,该模型能有效检测多种环境下多种尺度的杆塔目标。改进后的模型在测试集上的召回率和交并比（IoU）较改进前有所提高,且平均均值精度（mAP）达到94.09%,检测速度达到20帧/s。此外,也对更快的简化版YOLO模型进行了测试,检测速度能达到30帧/s。     

高压输电线路兴趣点巡视建模及仿真研究

采用无人机对高压输电线路进行巡检,存在操作现场危险性体育馆、可视性差等缺陷。为此,采用虚拟三维环境对高压输电线路上的兴趣点（绝缘子、金具、线路）进行建模分析,可以为巡检无人机提供优化理论数据,同时还对提高巡检作业安全具有重要意义。利用Google Earth提供的API接口,在编程环境Qt平台上对某高压输电线路进行虚拟实现,并针对用于输电线路巡检多旋翼无人机机载云台系统的姿态角进行建模分析,确定采用云台对超高压输电线路兴趣点进行检视时,云台姿态角与兴趣点之间相互关系,并在软件环境中进行仿真实验。实验结果验证了所提方法的正确性和有效性。     

基于Alexnet网络的绝缘子自爆无人机巡检技术研究

绝缘子是输电系统中与安全相关的关键部件,绝缘子自爆问题的高效快速识别对电力系统的保护具有重要的意义。随着无人机（UAV）相关产业的不断发展,可以采用无人机技术对输电线路进行巡检拍摄。以此为背景提出了一种基于Alexnet网络的绝缘子自爆无人机巡检技术。首先,应用无人机巡检这一先进技术得到绝缘子的清晰实时图片。然后,采用Alexnet网络对绝缘子自爆图片进行学习和识别。与传统的识别方法相比,Alexnet网络模型不但结构上有所加深,对卷积的功能也进行了强化,对无人机巡检过程中拍摄的复杂图像进行识别和检测有很好的效果。     

基于轻量化改进YOLOv8n绝缘子自爆缺陷检测方法

及时检测绝缘子自爆缺陷对输电线路安全可靠运行具有重要意义。针对深度学习模型对具有小目标特征的绝缘子自爆缺陷检测能力不足、模型结构复杂等问题,提出了一种基于轻量化改进YOLOv8n输电线路绝缘子自爆检测方法。以YOLOv8n网络为基础模型,通过添加小目标检测模块来捕捉绝缘子自爆的小目标细节信息,提高其检测能力;进一步,引入SIoU损失函数,解决原始CIoU损失函数未考虑真实框与预测框之间的方向问题,增强目标定位准确性;最后,使用通道剪枝方法,对改进模型进行剪枝,去除模型冗余参数、减少浮点运算量,降低模型计算成本和复杂度。在构建的绝缘子自爆数据集上的实验结果表明,轻量化改进方法的平均准确性均值达到97.1%,其浮点运算量和体积分别为4.9 G FLOPS和1.82 MB,仅为原始模型的60.5%和29.7%,合理兼顾了绝缘子自爆检测的准确性和模型复杂性。在另一个输电线路巡检数据集中,本研究方法对其他类型的小目标检测准确性也较好,具有良好的推广应用前景。     

无人机航拍图像中绝缘子缺陷检测的深度学习方法研究进展

摘要: 依托计算机视觉和深度学习技术,从海量的无人机航拍图像中实现绝缘子缺陷检测,已经成为电力运维工作亟待解决的问题。近年来,深度学习方法在绝缘子缺陷检测任务中表现出优异的性能。该文综述了无人机航拍图像中绝缘子缺陷检测的深度学习方法研究进展。首先,简述了基于深度学习的输电线路巡检研究现状;其次,阐述了基于深度学习的绝缘子缺陷检测方法,主要从目标检测模型、轻量化网络模型、级联检测模型以及其他方法进行归纳总结,按照深度学习算法的发展历程,阐明了基于双阶段、单阶段、无锚框（Anchor-free）的目标检测算法,概述了轻量化网络、级联检测在绝缘子缺陷检测中的应用;然后,介绍了用于绝缘子缺陷检测的公开和自建数据集;最后,指出了深度学习技术在绝缘子缺陷检测应用中存在的问题,并对未来研究工作进行了展望。     

基于深度学习的安全帽识别算法研究与模型训练

针对作业人员不按规定佩戴安全帽和非作业人员误入作业现场的问题,设计了基于深度学习的安全帽和语音识别智能终端算法。对于安全帽的检测,采用了人体关键点检测模型和基于深度学习的YOLO3算法。将智能摄像头得到的视频文件,先利用人体关键点模型提取现场人员图像,再结合YOLO3算法检测现场作业人员佩戴安全帽的情况,对于未正确佩戴安全帽的人员发出告警信息。通过模型训练验证了所提模型的实用性。     

基于改进生成对抗网络的玻璃绝缘子自爆缺陷检测方法

为实现玻璃绝缘子自爆缺陷的无监督检测,该文提出一种基于改进生成对抗网络的无监督玻璃绝缘子自爆缺陷检测模型,该模型仅用正常玻璃绝缘子数据进行训练,以学习正常样本的特征分布,并基于目标与重建之间的偏差来检测缺陷。该方法利用U-Net网络搭建新生成器,使用跳跃连接结构捕捉正常样本的多尺度特征,并在图像空间和潜在空间重建目标,通过改进的差异评分来评估目标与正常分布的偏离程度,较高的差异分数代表缺陷的存在。研究结果表明：在该文所提出模型下,测试集的受试者工作特性曲线下的面积值达到0.846,相较已有的无监督学习检测方法平均提升35%左右,相较有监督学习检测方法平均提升4.4%左右。该文研究结果可为电力设备缺陷的无监督检测提供参考。