基于YOLOv3的电力杆塔检测算法研究

电力杆塔是支撑和架空输电线的塔架结构,杆塔检测和无人机智能巡检电网线路相结合已逐渐成为发展趋势。为提升电力设备巡检效率,提出了一种基于YOLOv3改进的目标检测模型,用于无人机巡检输电线路中对于杆塔的实时检测。通过水平镜像、旋转变换、图像错切和颜色变换等方法完成数据扩增,扩大杆塔训练样本。利用K-means聚类算法获取最适合的先验锚框,使其更符合杆塔的形状和比例。改进损失函数,采用GIoU计算边界框回归损失,提升了目标定位的准确性。实验结果表明,相对于其他算法,改进后的YOLOv3模型准确率较高,检测速度达到了每帧65 ms, mAP(多类别平均精度)达到90.8%,可以有效检测到航拍图像的电力杆塔,对无人机巡检输电线路有一定的工程应用价值。     

面向无人机输电线路巡检的电力杆塔检测框架模型

高压输电线路定期的巡逻检修是保障其安全可靠运行的重要手段。相比于传统的人工巡检,利用无人驾驶飞机搭载摄像机航拍的巡检方式具有速度快、人力成本低、人员风险小等优势。为了从海量的巡检图像中自动筛选出杆塔可能存在故障的图像,提出了一种融合多源信息的电力杆塔检测框架模型,主要包括摄像机标定、杆塔模型投影变换、杆塔模型聚类分析以及特征提取和匹配4个部分,并在实际的杆塔图像上进行了测试。结果表明,应用检测框架模型处理能够自动检测出图像中杆塔的精确位置,并判断杆塔是否存在杆件丢失等异常状态,验证了模型的有效性。     

基于数字图像处理的电力线异物识别方法研究

针对架空线路异物搭挂的潜在威胁,本文提出一种快速识别航拍图像中异物的方法.首先运用直线段检测(LSD)算法从预处理后的图像中提取电力线,并基于架空导线上异物特征设计针对异物的识别算法,提取导线异物;接着对其进行边缘检测,提取缺陷画框并在巡检图像中标识;最后,通过多组样本数据对算法实用性能进行评估.实验结果表明,该方法能...     

基于Cascade R-CNN算法的输电线路小目标缺陷检测方法

输电线路无人机航拍图像缺陷识别是维护线路安全运行的重要巡检手段,但目前的识别算法对于销钉、螺母等小目标缺陷存在识别精确度低、易漏判等问题。将Cascade R-CNN算法应用于输电线路缺陷检测中,利用ResNet101网络进行特性提取,增强的网络的特征提取能力,并利用多层级联检测器对输电线路小目标进行判别和分类。基于无人机航拍图像数据集进行实验,实验结果表明,相比于Yolov3检测器和Lighthead R-CNN检测器,Cascade R-CNN算法提高了小目标缺陷检测中的召回率和精确度。     

基于多尺度上下文感知的绝缘子缺陷检测网络

针对巡检图像中绝缘子缺陷尺度不一造成检测效果不佳的问题,提出了一种基于多尺度上下文感知的绝缘子缺陷检测网络,称为上下文感知缺陷检测网络(context aware defect detection network,CAD²Net)。该网络采用ResNeSt101架构提高了对图像的特征提取能力。设计了改进特征金字塔结构,构建不同分辨率的丰富语义特征图,以更好地检测不同尺度的目标。同时,在网络的检测单元中增加感受野自适应(adaptive receptive field,Ada-RF)模块聚合多尺度上下文信息,生成更具辨别力的特征,改善网络对不同尺度目标的检测效果。在随机生成缺陷的样本集及公开数据集上的平均检测精度分别达到91.7%及91.0%。结果表明：所提出的缺陷检测网络能够对不同尺度绝缘子的缺陷进行准确识别与定位。     

基于红外热点的电力缺陷检测方法

针对直升机电力巡检拍摄到的实时红外视频序列,寻找定位高温点并实时反馈给控制系统,首先对其进行Hough变换检测输电线,然后采用Otsu自适应阈值算法对红外图像中的热点区域进行分割,提取出缺陷区域,接着利用SIFT特征匹配识别红外图像中的绝缘子,最后对缺陷进行分类和分级。实验证明该算法发热点定位准确率较高,可智能识别缺陷,减轻了人工作业负荷。     

基于改进YOLOv4模型的输电线路杆塔图像缺陷检测方法研究

针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNetV2网络替换CSPDarkNet53网络,提高特征提取速度,在SPP模块中采用平均池化替换最大池化,提高算法对小目标的检测精度,引入注意力机制CBAM增强特征表达。通过试验验证了所提方法的可行性和优越性。结果表明,所提方法与常规检测方法相比,在输电线路杆塔图像缺陷检测中具有更优的检测精度和速度,检测精度达到94.40%,检测速度为60 FPS。所提研究为输电线杆塔缺陷检测方法的发展提供了一定的参考。     

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。     

基于特征聚合与多元协同特征交互的航拍图像小目标检测

针对无人机航拍图像目标尺寸太小、包含的特征信息较少,导致现有的检测算法对小目标检测效果不理想的问题,提出一种基于特征聚合与多元协同特征交互的无人机航拍图像小目标检测算法。首先,针对主干网对特征提取不足的问题,采用Swin Transformer作为RetinaNet主干网络,以增强算法对全局信息的提取能力。其次,为提高网络对远处目标即小目标的检测能力,设计出一种高效的小目标特征聚合网络(SFANet),实现对浅层特征图小目标细节信息的充分整合。最后,为进一步提高网络对多尺度目标的检测性能,使低层特征信息流向高层,提出全新的多元协同特征交互模板(MCFIM)。在公开无人机航拍数据集VisDrone2019-DET上的实验结果表明,所提算法相较于原RetinaNet基线网络检测精度提高7.6%,对于小目标具有更好的检测效果。     

直升机巡检航拍图像中绝缘子图像的提取算法

提出了一种新的绝缘子图像提取算法,可用于直升机智能巡检图像中绝缘子图像的提取。该算法首先将航拍得到的高分辨率玻璃绝缘子彩色图像进行RGB到HSI彩色空间的转换;然后对HSI空间的S分量,采用基于遗传算法的最大熵阈值的方法进行图像分割;接着对分割后的图像用双结构级联滤波器滤除噪声;最后用连通区域方法将分割出的绝缘子串轮廓标识出来。算例结果表明:该算法能够从背景复杂的航拍图像中完整地提取绝缘子图像,有较高的工程应用价值。     

Fast image recognition of transmissiontower based on big data

Big data technology is more and more widely used in modern power systems. Efficient collection of big data such as equipment status, maintenance and grid operation in power systems, and data mining are the important research topics for big data application in smart grid. In this paper, the application of big data technology in fast image recognition of transmission towers which are obtained using fixed-wing unmanned aerial vehicle (UAV) by large range tilt photography are researched. A method that using fast region-based convolutional neural networks (Rcnn) convolutional architecture for fast feature embedding (Caffe) to get deep learning of the massive transmission tower image, extract the image characteristics of the tower, train the tower model, and quickly recognize transmission tower image to generate power lines is proposed. The case study shows that this method can be used in tree barrier modeling of transmission lines, which can replace artificial identification of transmission tower, to reduce the time required for tower identification and generating power line, and improve the efficiency of tree barrier modeling by around 14.2%.     

基于实例分割+CCTV排水管道缺陷检测方法研究

当前排水管道检测普遍采用CCTV管道闭路电视检测系统,但系统在缺陷判断过程存在人工参与度高,检测效率低、主观误差大等问题。本文提出一种基于实例分割算法结合CCTV排水管道缺陷检测方法,采用CCTV检测系统采集管道图像,基于Mask R-CNN卷积神经网络排水管道缺陷实例分割检测,对破裂、变形、腐蚀、沉积、障碍物、树根缺陷进行检测分类,并对其中破裂缺陷进行检测评级。实验结果表明,本文方法现场实验缺陷检测准确率达到了100%,现场实验破裂缺陷检测高阶分类准确度达到100%,表现出较好检测性能。     

基于MIMU的输电塔损伤检测研究

为了进行输电塔结构损伤程度及损伤轴向检测,从而缩小检测范围并实现高效低成本的精准损伤定位,提出了一种基于MIMU的输电塔结构损伤检测方法。基于输电塔结构角度出发,利用MIMU微惯性测量系统监测输电塔结构变化,结合结构熵构建平动、转动熵矩阵,然后基于熵距及变异熵的损伤指标检测输电塔结构的损伤程度及损伤轴向,最后设计多种工况下的模拟输电塔和在役输电塔实验验证该算法的合理性。结果表明,衡量损伤程度的熵距指标的计算值与理论值误差低于3%,可有效检测结构的损伤程度;衡量损伤轴向的变异熵指标较未损伤轴向高出20%～53.9%,可有效检测结构的损伤轴向。该方法可为桁架结构损伤检测提供现实依据。     

基于改进Mask R-CNN的建筑工地实例分割算法

实例分割对排除建筑工地不规则机械设备带来的安全隐患以及监测工人具有重要意义。然而当前主流的实例分割模型存在着边界检测精度不高的问题。结合实例分割的特点，提出了一种基于全局上下文通道注意力（GCCA）机制多阶段细化掩码的改进Mask R-CNN模型。首先，在Mask头部以多阶段的方式逐步融合细粒度特征，细化高质量掩码。其次，为了更好的融合细粒度特征，构建了GCCA注意力机制，其通过简化的全局上下文模块聚合全局特征，并利用一维卷积实现无降维的局部通道交互。实验结果表明，在COCO和MOCS数据集上均取得了较好的效果。其中，相较于Mask R-CNN模型，此算法在检测和分割的平均精度分别提高了2.4%和7.6%。     

基于高分辨率SAR影像和深度学习的输电杆塔智能识别研究

近年来,强降雪、洪涝等极端气象灾害频发,对输电线路安全运行造成巨大挑战。星载合成孔径雷达技术(SAR)技术作为一种广域、全天时、全天候的新型感知技术,可实现大范围输电线路受灾情况的快速评估。针对复杂背景下的高分辨率SAR影像中的电塔识别问题,文章提出一种结合YOLO v2和VGG模型级联的Two-Stage目标检测算法。在Stage-1阶段,基于YOLO v2对整景SAR影像进行电塔检测;在Stage-2阶段,基于VGG对Stage-1的检测结果进行假阳性消除。以2018年1月强降雪后某地的COSMO影像为例进行测试,结果表明电塔召回率可达85. 7%,证明文中方法可较准确地识别整景SAR影像的电塔目标。     

基于改进Mask R-CNN的输电线路防外破目标检测方法研究

随着现代电力系统的不断发展,电网规模越来越大,外破原因引发的故障已经成为架空输电线路故障的主要原因之一。在架空输电线路视频监控中,使用传统的边界框式目标检测方法进行外破预警时,误报或漏报的情况时有发生。掩模实例分割神经网络(Mask-RCNN)训练时使用的像素级掩模标注数据集成本较高,限制了该算法的大规模应用。针对这些问题,将改进的Mask-RCNN网络应用到输电线路外破目标检测领域,在数据集标注过程中,使用边界框标注代替部分掩模标注。训练时,将检测分支的特征迁移到掩模分支。实验结果表明,改进后的算法能够在掩模标注样本占比80%的条件下,对常见外破类别的平均识别准确率高于91%,为输电线路外破隐患的准确识别与分割提供了一种可行的思路。     

基于PnPoly算法的杆塔所属风区研判及风速配置校核研究

风载荷是输电线路杆塔的主要载荷,设计风速的取值直接影响线路运行安全和工程造价.随着气候条件的变化和风区图的迭代,输电杆塔设计风速与风区环境的偏差愈加明显,对电网安全带来威胁.本文提出一种基于PnPoly的杆塔所属风区研判方法,在对每级杆塔所属风区进行准确研判的基础上,结合PMS系统中的杆塔数据,给出设计风速配置校核模型...     

基于高分辨率卫星影像数据高原输电通道巡视技术的研究

近年来,随着西电东输工程的持续推进,位于高原区域的输电线网规模持续扩大,但因受高原气候条件影响,高原区域内的输电通道巡视难度逐步增大。为提升高原输电通道的巡视精度、效率,保障高原输电通道的安全,本文以worldview-3高分卫星影像数据为数据源,采用多尺度分割技术与面向对象分类算法,研究分析高原输电通道关键地物信息的提取方法,研究表明:(1)面向对象算法适用于高分影像数据的信息提取,其地物信息提取精度较高,能够满足输电通道的巡视工作,这表明基于高分卫星影像技术的输电通道巡视可行;(2)基于多尺度分割技术耦合面向对象分类算法提取的大棚信息精度可达95%,可替代人工解译工作,而道路信息精度可相对较低,但仍可替代大部分人工解译工作;(3)与传统野外核查、人工目视解译相比,基于多尺度分割技术耦合面向对象分类算法具有边界精度高、效率高等优势。     

基于卷积神经网络与ECOC-SVM的输电线路异物检测

输电线路悬挂异物会引发输电线路单相接地、相间短路等停电事故,因此本文提出一种基于卷积神经网络与ECOC-SVM的输电线路异物检测方法。首先,本文构建气球、风筝、塑料和鸟巢4种输电线路异物图像数据集;然后采用Otsu自适应阈值分割、形态学处理等方法提取感兴趣区域;再利用DenseNet201提取感兴趣区域的特征;最后对ECOC-SVM模型进行训练、测试与结果分析。所用方法在4类异物上的平均识别准确率可达93.3%,有助于提高输电线路运维的效率。