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R-FCN的航拍巡检图像目标检测方法

航拍巡检是输电线路巡检的主要方式之一,目前的航拍巡检方式效率较低,受巡检员主观因素影响大,亟需一种智能检测算法自动定位并识别输电线路巡检图片中的故障。基于深度学习的航拍巡检图像目标检测技术作为一种可能的解决方案,得到了广泛关注。提出了一种利用基于区域的全卷积网络(R-FCN)的航拍巡检图像目标检测方法,并利用在线困难样本挖掘(OHEM)、样本优化、软性非极大值抑制(Soft-NMS)等改进方法进行优化。实验证明,所提方法具有目标定位准确、平均准确率高、单模型可同时检测目标种类多等特点。     

基于组合式目标检测框架的低漏报率缺陷识别方法

针对输电线路机巡影像缺陷识别中低漏报率的需求,提出了一种基于组合式深度目标检测框架的输电线路低漏报率缺陷识别方法。该方法首先利用典型目标检测算法在输电线路巡检图像数据集上进行训练,得到输电线路设备缺陷的特征提取网络;随后引入位置随机分布函数改进目标预测的方式,并利用自适应非极大值抑制判别器,对2个网络的特征提取结果进行自适应融合,最终得到巡检图片中缺陷的类型和位置。测试结果表明,该方法能够有效降低巡检图像缺陷识别的漏报率,采用该方法得到的主要缺陷的平均漏报率远低于其他深度学习模型,可同时实现多类缺陷的检测,能有效促进输电线路常规巡检中缺陷自动识别的应用和推广。     

基于深度可分离卷积的轻量级YOLOv3输电线路鸟巢检测方法

针对输电线路无人机巡检图像鸟巢检测现有方法实时性差及小目标检测能力较弱的问题,提出一种基于深度可分离卷积的轻量级YOLOv3输电线路鸟巢检测方法。首先,使用Mosaic数据增强方法增强数据集并变相提升训练集中小目标的数量;然后,在主干特征提取网络使用深度可分离卷积代替部分标准卷积,提高检测网络的速度,并降低网络参数量从而降低权重文件内存,再使用PANet代替FPN,进一步提升特征融合的能力,增强对小目标的检测能力;最后,使用标签平滑进行训练,解决由于极少量标签错误导致的网络过度自信问题和网络过拟合问题。将某供电局无人机巡检视频剪切成图像制作数据集,使用本文算法与原始YOLOv3算法进行比较,并做消融实验。实验结果表明,本文的算法逐步提升了模型的速度和精度。     

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。     

基于改进YOLOv3的电力设备红外诊断方法

针对电力设备异常发热故障诊断过程中识别目标设备单一、红外数据集样本数目庞大、平均识别准确率较低和识别速率较低的问题,提出一种基于深度卷积神经网络的改进YOLOv3目标检测方法,识别和定位绝缘子、隔离开关触头、套管、线夹4类电力设备及其异常发热区域。在改进YOLOv3算法的训练过程中,网络将数据集图片裁剪为416×416像素大小,使用Yolomark工具对图像进行标注,得到的标签和样本集一起送入深度学习卷积神经网络进行训练,经历多轮迭代后得到最终模型,最后采用运检部门用红外热像仪现场采集的电气设备红外图谱数据进行效果测试。实验结果表明,训练得到的改进YOLOv3模型相比于YOLOv3和快速区域卷积神经网络(faster region convolution neural network,Faster R-CNN)算法,识别定位的准确率较高,检测速度更快,可基本实现实时检测,可有效应用于变电站电力设备的红外巡检工作。     

基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型

针对无人机或机器人获取的输电线路绝缘子图像,提出了一种基于深度学习图像识别框架（YOLOv2）网络的输电线路绝缘子在线识别与缺陷诊断模型,训练YOLOv2网络学习复杂背景下各种绝缘子的特征并准确识别,结合边缘检测、直线检测、图像旋转和垂直投影方法,对识别出各种状态的绝缘子进行缺陷诊断。输电线路巡检图像的仿真结果表明,所提出的绝缘子自动识别与缺陷诊断方法能迅速准确地从输电线路巡检图像中识别出绝缘子,并诊断出绝缘子是否破损以及缺陷位置,有利于提升输电线路智能巡检水平。     

基于改进YOLOv3的输电线路部件实时检测

针对基于深度学习的目标检测技术应用于工业领域无法在移动端嵌入式设备上实现高效且准确的检测这一问题,提出一种基于YOLOv3改进的输电线路部件实时检测算法轻量级特征融合检测模型LFF-DM(Lightweight Feature Fusion Detection Model)。一方面通过改进式的k-means算法得到聚类结果;另一方面结合深度可分离卷积和倒残差块设计出轻量化的网络结构。通过在自建的包含绝缘子、悬垂线夹、防震锤、鸟巢与导地线的专业巡检数据集上进行实验,结果表明在NVIDIA Jetson AGX Xavier设备上可以实现25FPS的检测速度及90.48%mAP的检测精度,适用于输电线路移动端实时精确巡检。     

基于DeepLab v3+深度卷积网络的输电导线图像识别方法

输电导线图像识别是电力设备自动巡检过程中的重要环节。针对传统导线检测方法需人工设计目标特征、抗干扰能力差等问题，提出一种基于深度卷积网络（DeepLab v3+）的输电导线图像识别方法。首先，采用DeepLab v3+网络模型，实现导线的初步识别。通过多层卷积自动学习导线特征，并通过解码器结构融合导线低层的细节特征与高层的语义特征，较好地实现导线像素分割。然后，针对识别结果中存在的断裂和伪导线问题，采用改进的最小点对法和长度阈值法进一步精细化处理。最后，采用八方向搜索法提取每一条导线并编号。实验结果表明，所提方法能很好地提取出输电线路图像中的导线。     

基于Faster R-CNN的绝缘子识别探索和应用

基于可见光图像的绝缘子识别是电网智能巡检设备识别的最重要的任务之一。电网智能巡检采集的图片存在着有效样本稀缺及场景多样性等问题,极大地限制了深度学习等技术在电网设备智能识别上的应用。本文基于深度学习对轻量级的多来源图像样本数据进行了绝缘子识别的探索和应用。首先,阐述了基于深度学习的目标识别算法发展过程,并着重介绍和对比了区域卷积神经网络(region-convolutional neural network,R-CNN)、快速区域卷积神经网络(fast region-convolutional neural network,Fast R-CNN)和更快区域卷积神经网络(faster region-convolutional neural netw ork,Faster R-CNN) 3种用于目标识别的深度学习模型。然后,通过对来源于不同场景的百量级绝缘子图像进行实验,验证了Faster R-CNN模型在百量级图像中和可用性和鲁棒性。本文的研究和实验为深度学习技术在电网各类设备图像目标识别上的推广和应用探索了一条有效路径。     

基于深度卷积神经网络的输电线路防鸟刺部件识别与故障检测

电力铁塔上故障防鸟刺的及时检测,对于减少输电线路鸟害的发生,从而保障输电线路安全可靠运行具有重要意义。电力巡检图像中电力铁塔上的防鸟刺具有轮廓特征较不明显、部分重叠分布的特点给防鸟刺部件识别与故障检测研究带来一定挑战。针对所述防鸟刺特点,提出一种基于深度卷积神经网络的防鸟刺部件识别与故障检测方法。先利用锐化滤波器对电力巡检图像进行锐化处理;其次运用经过多尺度训练的YOLOv3目标检测网络框选并截取出经过锐化处理的电力巡检图像中的防鸟刺区域;最后利用基于Resnet152特征提取网络的防鸟刺故障检测器处理截取出的防鸟刺区域,实现防鸟刺故障检测。利用上述方法,实现电力巡检图像中的防鸟刺部件识别与故障防鸟刺检测,防鸟刺部件识别平均准确率为95.36%,故障防鸟刺检测准确率为92.3%。实验结果表明,所提方法能够有效实现电力巡检图像中防鸟刺部件识别与故障检测。     

基于深度迁移学习的输电线路涉鸟故障危害鸟种图像识别

为了实现输电线路涉鸟故障的差异化防治,提出一种基于深度迁移学习的危害鸟种图像识别方法.根据历史涉鸟故障的鸟种信息及输电走廊周边鸟种调查结果,建立88种相关鸟类图像数据集,采用类激活映射进行图像预处理,滤除复杂背景噪声.基于迁移学习的思想,首先利用AlexNet、VGG16、ResNet50、Inception V3这4种深度卷积网络架构建立学习模型,采用ImageNet图像数据集对其进行预训练,通过对微调预训练后的网络结构进行模型迁移,使其匹配鸟种图像识别任务.然后,利用鸟种图像样本集对迁移学习模型进行训练与测试,对比4种网络模型的识别准确率.最后,借鉴Delphi法的思想,建立一种融合多卷积神经网络的涉鸟故障危害鸟种识别模型.算例验证结果表明,该模型对88种危害鸟种的识别准确率可达91.21％,能够有效实现架空输电线路巡检图像中的鸟种识别,进而为涉鸟故障防治提供参考.     

基于超分辨率重建与多尺度特征融合的 输电线路缺陷检测方法

针对输电线路巡检中可能存在拍摄图像质量不高的问题,以及线路缺陷目标小而分布密集而导致传统方法检测精度不高的问题,提出一种基于超分辨率重建与多尺度特征融合的输电线路缺陷检测方法。首先,使用超分辨率网络对巡检图像进行重建,提升清晰度,丰富图像中包含的特征信息;然后使用改进的YOLOX网络检测巡检图像中的缺陷,在主干网络中嵌入卷积块注意力机制,强化模型对重叠小目标的定位能力;为进一步提升小目标的检测能力,在YOLOX的特征融合网络中新增浅层检测尺度进行特征融合;最后,通过使用CIOU优化边界框损失函数提升模型收敛能力,降低缺陷目标的漏检率。实验结果表明,所提方法能在提升巡检图像质量的基础上对输电线路缺陷准确地检测,精度达到93.27%,相比SSD等经典模型,对小而密集的缺陷目标有着更强的提取能力和鲁棒性。     

基于注意力机制与跨尺度特征融合的YOLOv5输电线路故障检测EI北大核心CSCD

利用无人机对高压输电线路巡检,并基于计算机视觉技术对巡检数据中的故障目标进行自动、准确检测是输电线路巡检领域中的重要研究方向,同时也是一个极具挑战性的课题。针对复杂巡检环境中待检测目标存在多尺度特性以及部分遮挡造成传统算法难以准确检测问题,提出一种基于注意力机制与跨尺度特征融合的YOLOv5输电线路故障检测算法。首先,搭建YOLOv5检测网络,为了抑制复杂背景干扰,在其基础上引入空间与通道卷积注意力模型,以增强待检测故障目标的显著度;然后,将原始YOLOv5检测框架Neck中的FPN+PAN结构改为BiFPN结构,从而使目标多尺度特征能够有效融合;其次,为了解决待检测目标特征表达能力不足造成漏检和误检的问题,设计多尺度与同尺度特征的自适应加权融合模块,以增强检测网络对遮挡情况下故障目标的检测能力。最后,为了验证提出算法的有效性,利用某巡检部门近4年无人机巡检数据对算法进行验证。结果表明,提出的算法能够对复杂环境中输电线路上的多尺度故障目标实现精确检测,其平均检测精度可达96.8%。     

基于AI芯片的输电通道外破隐患边缘智能监测装置研制及应用

塔吊、挖掘机等外破隐患导致输电通道事故频繁发生,有效地检测输电通道周围的外破隐患对保障输电线路安全稳定的运行意义重大。该文以边缘智能芯片为基础,研制了一种输电通道外破隐患边缘智能检测装置,并提出了一种适用于计算资源有限前端装置的轻量化外破隐患识别方法。利用深度残差网络对输电通道图像进行视觉特征提取;利用候选区域生产网络RPN捕获外破隐患目标的候选区域,再用全卷积神经网络FCN进行外破隐患的目标分类与定位。以实际采集的输电通道图像构建成样本集,进行模型测试与验证,结果表明所提方法在边缘装置中表现出良好的适用性。     

基于深度学习的输电线路关键部件视觉检测方法的研究进展

由于电网规模增长,直升机、无人机巡线的大量应用,产生的航拍图像数量剧增,使输电线路关键部件视觉检测与运检人员数量配置的矛盾日益突出。虽然深度学习技术可显著提高目标检测的准确率,但航拍巡线图像背景复杂,关键部件之间的相互遮挡,标注数据量较少等特点,限制了航拍输电线路关键部件视觉检测的工程应用。本文分析了深度学习中目标检测模型的现状,总结了基于深度学习的输电线路关键部件视觉检测方法的研究进展,并指出了构建输电线路关键部件图像数据库、建立专业的输电线路关键部件知识图谱以及将知识图谱与深度模型相融合对输电线路关键部件检测的重要性。     

一种基于可见光巡检图像的杂草智能识别方法

目前电力巡检主要是采用无人机巡检的方式,针对无人机巡检获取的图像识别过程中,电力设备旁的杂草可能会造成安全隐患,需要对图像中的杂草进行识别。针对电力巡检的场景,提出了一种基于可见光巡检图像的杂草智能识别方法,以可见光巡检图像中杂草的特征为基础,结合卷积神经网络方法,解决可见光巡检图像中电力设备附近的杂草识别问题。通过对图像进行样本数据增广和预处理,接着引入区域生成网络,再对图像提取固定个数候选框的图像特征,和改进的图像分类网络连接在一起,得到最终的卷积神经网络模型。实验表明其准确率可以达到97.98%,检测一幅600×600大小图像需要花费的平均时间约为0.256 s,在保证了准确率的同时达到了高效识别的要求。     

模糊神经网络应用于巡检机器人路径规划及绝缘子视觉图像处理

目前变电站巡检机器人广泛应用于变电站巡检过程中,主要巡检高压电力设备绝缘子、均压环等外部配件。在巡检过程中,机器人配备红外成像仪、紫外成像仪存储高压电力设备光子分布图、温度分布图,建立设备红外与紫外图像数据库。一方面,机器人在巡检过程中应有效规避变电站较高电场强度区域,在巡检过程中应以最短距离遍历变电站典型高压电力设备,且机器人机械臂可有效进行图像多角度采集。另一方面,在图像采集过程中应实现机器人对设备绝缘子、均压环图像区域分割、聚焦和光子采集操作,且应用深度学习方法实现采集图片与原始图像库的自动匹配比较,判别高压电力设备运行状态进而发现潜伏性绝缘故障。其中最短低场强路径与遍历设备路线应用免疫蚁群算法自动实现,且图像数据库深度学习与自动匹配模块应用模糊神经网络实现。联合免疫蚁群算法与模糊神经网络应用于变电站巡检机器人路径规划及视觉图像后处理,对于变电站高压电力设备智能巡检具有一定理论和工程指导价值。     

基于YOLO v3的输电线路缺陷快速检测方法

无人机巡检方式在输电线路巡检中逐渐普及,但仅通过实时的人工观测效率低下。目前已有算法能够实现图像的自动识别,但检测速度慢,无法实现视频图像的处理。本文提出一种基于YOLO v3的输电线路缺陷快速检测方法。该方法首先建立YOLO v3目标检测模型,通过对训练样本库进行聚类分析得到目标候选区域的先验尺寸;通过调整损失函数来加快模型的训练过程,调整模型的学习方向。最后,通过建立输电线路缺陷样本库并进行训练,实现了输电线路缺陷检测。测试结果表明,相比于Faster RCNN、SSD等其他深度学习模型,基于YOLO v3的改进模型在速度上具有巨大的优势,且检测精度没有受到太大的影响,能够满足输电线路巡检视频的自动缺陷识别的需求。     

基于深度-迁移学习的输电线路故障选相模型及其可迁移性研究

为提高输电线路故障诊断模型的可迁移性,根据迁移学习理论将输电线路分为源线路和目标线路,提出一种基于深度-迁移学习的输电线路故障类型识别方法。通过组合不同故障条件,生成输电线路故障期间的时序数据,并通过对数据的预处理,得到面向卷积神经网络的输入数据样本;利用源域数据对初始卷积神经网络进行预训练,获取适用于源线路故障类型识别的预训练模型;采用最大均值差异法对源线路和目标线路进行相似性检验,筛选出待迁移的源域预训练模型;利用目标域数据对预训练模型进行微调迁移训练,获取最终的目标域故障诊断模型。仿真结果表明,利用源域数据量5 %的目标域数据对预训练模型进行微调迁移训练,得到的目标域模型对目标线路故障诊断的准确率达99 %以上。