基于稀疏差异深度信念网络的绝缘子故障识别算法

针对深度信念网络(DBN)的识别准确率比较低的问题,引入了基于模糊隶属函数的差异理论,提出了一种基于稀疏差异的深度信念网络图像分类新方法,简称D-DBN方法,并将其应用在了绝缘子故障识别中。差异理论有扩大低灰度区域,缩小高灰度区域的优点,更符合人眼的视觉特性。首先将图像的灰度特征矩阵转换成差异表示矩阵,并对其进行均值化、归一化和稀疏化,然后利用DBN网络对得到的差异特征进行训练,学习数据更本质的特征,从而达到提高识别性能的目的。在MNIST和SVHN库上对不同样本规模和不同网络结构进行实验,识别结果证明,与传统DBN和其它改进方法相比,本文算法取得了最好的识别效果。最后,将DDBN方法应用到绝缘子故障识别中。     

基于空域形态一致性特征的绝缘子串定位方法

绝缘子串的精确定位是实现其故障诊断的重要前提。针对目前电网巡检图像中绝缘子串检测算法定位不精确的问题,该文提出了一种基于空域形态一致性特征的绝缘子串精确定位方法。首先,对巡检图像进行基于颜色对比和结构对比的显著性检测,以此确定绝缘子串候选区域;然后,对候选区域进行二值分割,分别沿水平方向和垂直方向进行二值像素累积投影,将图像矩阵转换为投影曲线;之后,从投影曲线中定义9个表征绝缘子串空域形态一致性特征的描述子;最后,以此描述子对候选区域进行绝缘子串搜索,实现绝缘子串精确定位。实验中,绝缘子串检测率达到92%,定位精确度达到0.93。结果表明,所提算法具有较好的识别正确性和定位精确性。     

基于红蓝色差和改进K-means算法的航拍绝缘子分类识别方法

绝缘子作为输电线路中最重要的基础设施之一,对其准确识别是实现输电线路运行状态的自行监测与故障诊断的重要前提。为了能够对无人机航拍巡检中的绝缘子进行准确识别,提出基于红蓝色差和改进K-means算法的航拍绝缘子分类识别方法。首先,结合红蓝色差灰度化和加权灰度化,采用改进K-means算法对灰度图像进行聚类分割;其次,通过形态学滤波弥补分割缺陷;最后,根据绝缘子目标区域的红蓝色差均值,将绝缘子的分类问题简化为一维数据分类问题,从而实现分类识别。实验结果表明,该方法对复杂背景及不同拍摄角度下的绝缘子均能快速进行准确的分类识别,总识别率可达94.4%,为无人机巡检中输电线路绝缘子的分类识别提供了新的思路。     

基于GLCM和LBP的局部放电灰度图像特征提取

针对变压器局部放电模式识别中传统统计谱图特征提取维数高、识别率差等问题,提出基于灰度共生矩阵和局部二值模式的局部放电灰度图像纹理特征提取方法。该方法从宏观角度将灰度图像转化为灰度共生矩阵并获取其8维特征,从微观角度计算邻域像素相对灰度响应并获取其10维特征量。搭建四种局部放电实验模型,通过脉冲电流法采集局部放电信号;结合两类特征,以支持向量机作为分类器来识别放电类型并用传统特征提取方法作为对比。结果表明利用该方法提取灰度图像特征在避免特征灾难的同时仍有较高识别率,能有效识别四种放电模型,验证了该方法的有效性。     

基于链码分析的绝缘子伞群脱落检测方法

随着高电压、大功率、长距离输电线路的出现,输电线路穿越的地理环境日趋复杂,应用直升飞机巡检输电线路已成为电力发展的需要.对航拍绝缘子图像进行处理,以识别伞群脱落的绝缘子串,从而及时准确地掌握输电线路中绝缘子串的状态信息,为后续绝缘子故障处理提供必要的依据.采用图像增强、去噪、锐化、阈值分割、形态学和边缘提取等算法对绝缘子航拍图像进行了预处理,提出了对经过预处理的航拍破损绝缘子串图像进行故障检测和识别的方法,即应用MATLAB数字图像处理工具箱,根据绝缘子串图像的形态特征对其进行预处理、链码的计算及模糊划分来检测绝缘子串的瓷片脱落故障并分析其故障程度,测试证明了所提方法的可行性和有效性.     

基于纹理特征的绝缘子检测方法

在图像/视频中自动检测和定位绝缘子是绝缘子故障诊断的重要前提,但是目前还没有高效的、成本较低的检测绝缘子方法。本文提出了一种基于纹理特征的绝缘子检测方法。首先,根据绝缘子的纹理性,利用图像的灰度共生矩阵方法产生出绝缘子的基本纹理特征;然后利用特征选择算法挑选出一组最有效、分类效果最好的特征;最后利用这组最有效特征可以准确检测到绝缘子。实验表明,该方法能够较好地在图像/视频中检测和定位绝缘子。     

基于联合分量灰度化算法和深度学习的玻璃绝缘子目标识别算法

针对相近色干扰、不同光照条件下玻璃绝缘子颜色特征不明显而无法准确识别的问题,提出一种基于联合分量灰度化算法和深度学习的玻璃绝缘子目标识别算法。首先,提出一种联合分量灰度化算法,通过补偿玻璃绝缘子目标区域的颜色特征实现目标增强;然后,在均匀分块的基础上,采用动态分块阈值进行玻璃绝缘子图像粗分割,并结合玻璃绝缘子的颜色和空间信息等多尺度高维特征,提出一种双尺度分类卷积神经网络算法实现玻璃绝缘子图像细分割;最后,将细分割得到的所有子图像进行合并,实现复杂背景下玻璃绝缘子目标的准确识别。实验结果表明,所提算法能对图像中存在相近色干扰、光照变化影响的玻璃绝缘子目标进行精准识别,且其在Dice参数、杰卡德系数2项识别指标上均达到90%以上,平均识别准确率高达92%。     

基于最大熵和Hough变换的绝缘子图像提取算法

提出了一种新的绝缘子图像提取算法,可用于直升机巡线时获取的航拍图像。介绍了对绝缘子图像特征的分析,说明了绝缘子图像的提取方法。算例结果表明:该算法能够从背景复杂的航拍图像中提取出玻璃绝缘子或陶瓷绝缘子的图像。     

基于VGGNet和标签分布学习的航拍目标分类方法

输电线路航拍图像具有分辨率低、背景复杂、伪目标多等特点,使得传统图像特征描述法在解决航拍图像目标分类时效果不佳。标签分布学习(label distribution learning,LDL)算法能有效解决图像特征与标签分布的映射问题。该文提出一种基于VGG网络(visual geometry group net,VGGNet)深度神经网络和客观量化标签分布学习的航拍图像目标分类方法,将基于VGGNet提取的深度特征和客观标签量化相结合,完成测试图像的标签分布预测。在相同的客观量化标签分布学习分类器参数设置下,基于VGGNet提取的深度特征对输电线路航拍图像中绝缘子、杆塔和输电线分类的错误率分别为30.3%、33.0%和37.6%,均低于基于传统特征的分类错误率。试验结果表明,基于VGGNet提取的深度特征和客观量化标签分布学习方法能更好地解决航拍图像中目标分类问题。     

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。     

基于多特征融合的玻璃绝缘子识别及自爆缺陷的诊断

在无人机检测输电线路缺陷研究中,为提高识别绝缘子的正确率,有效降低背景纹理及光线的影响,提出了一种融合绝缘子形状、颜色与纹理进行识别绝缘子的方法。针对玻璃绝缘子的掉片缺陷,研究了一种感知绝缘子片重心间距离的缺陷检测方法。该方法对绝缘子正确识别率高于90%,误识别率低于10%。通过无人机巡检采集的大量输电线路图像,实验结果验证这种方法在各种复杂背景条件下能有效地识别出绝缘子,并能检测玻璃绝缘子的掉片缺陷。     

航拍绝缘子卷积神经网络检测及自爆识别研究

无人机巡检通过搭载的高清相机和图传设备可获取大量详实的巡检影像。绝缘子是输电线路中极其重要且用量庞大的部件,在图像视频中快速准确地检测出绝缘子可为无人机贴近铁塔和输电线路进行细节巡视的测距和避障飞行提供可靠的依据;同时绝缘子为故障多发元件严重威胁电网的安全,需充分利计算机技术对其进行故障诊断。通过搭建卷积神经网络,在由5个卷积池化模块和2个全连接模块组成的经典架构的基础上,对网络进行改进,实现在复杂航拍背景中绝缘子检测。同时在训练的网络模型中抽取绝缘子的特征融入自组织特征映射网络中实现显著性检测,结合超像素分割和轮廓检测等图像处理方法对绝缘子进行数学建模,提出一种针对绝缘子自爆故障的识别算法,取代人工分析,降低由人为经验判断可能造成的误差。经测试,复杂航拍背景下的绝缘子检测精度达90%以上,自爆识别准确率达到85%以上,均满足工程需求,有效提升巡检的效率和智能化水平。     

基于深度学习的航拍图像绝缘子缺失检测方法研究

为解决目前人工处理分析无人机巡检图像效率低、检测结果受人为因素影响较大的问题,提出了一种图像识别的绝缘子缺失识别方法。首先,对无人机拍摄的图像样本进行了处理,扩充样本集。其次,搭建了绝缘子的检测模型,完成各层网络结构的选择和设计,使用CNN算法实现对绝缘子缺失的检测。随后,构建了绝缘子检测网络,并对各层检测网络参数进行配置。选择实际拍摄的图像作为训练样本进行网络训练。检测结果证实几个指标均在0.95以上,说明算法可准确识别出绝缘子。最后,利用CNN算法对航拍绝缘子进行缺陷检测。绝缘片缺失缺陷的正确识别率为86%。算法可根据检测结果自动显示绝缘子有无缺失缺陷。     

绝缘子污秽等级的高光谱特征优化识别技术研究

为解决传统污秽检测方法对输电线路绝缘子污闪防治的局限性,采用非接触式、高分辨率的高光谱成像技术对污秽在线检测技术进行研究。为有效提取反应污秽度的光谱特征并削弱冗余与干扰信息的影响,提出一种小波包能量谱特征优化的绝缘子污秽等级识别技术。首先,对不同污秽度的绝缘子样品的光谱图像进行背景分割,提取均匀覆污区像素点光谱均值曲线;其次,对不同图像的光强均匀度差异、环境噪声进行预处理,并通过导数变换提升不同污秽等级间的可区分性。再次,对预处理后的谱线进行小波能量谱特征提取。最后,基于所提特征建立基于支持向量机(support vector machines, SVM)的污秽等级识别模型。实验结果表明,相比于采用全波段数据或PCA特征数据作为输入,基于小波能量谱特征建立的支持向量机(SVM)污秽等级识别模型对样品识别准确率达到99.8%。#$NL关键词：关高光谱成像;绝缘子污秽等级;小波包能量谱;支持向量机#$NL中图分类号：TM933     

基于ASIFT算法的绝缘子视频图像的识别与定位*

为了实现智能提取直升机巡检视频中的绝缘子图像,基于ASIFT原理的图像处理技术和数据库技术,提出了一种新的绝缘子图像识别与定位方法。该方法首先建立标准的绝缘子图库,通过改进UL－PCNN红外图像分割算法提取绝缘子特征值,然后将输电线路视频与标准图库中的绝缘子图片利用ASIFT算法进行匹配,进而识别和定位视频中的绝缘子。实验结果表明,ASIFT方法具备良好的抗绝缘子图像仿射变形性能,可以在少量人工辅助的条件下对图像进行处理,提高了架空输电线路绝缘子故障检测的自动化处理程度。     

基于生成对抗网络的自爆绝缘子检测模型设计

随着输电线路的持续建设,无人机逐步代替人工成为巡线工作的主要工作方式。绝缘子在输电线路中具有重要作用,然而,因自爆绝缘子导致的事故尤为频繁,从大量的航拍图像中识别自爆绝缘子,是一个亟待解决的任务。在航拍图像中,大部分绝缘子数据均是无损绝缘子,自爆绝缘子数量较少,因而无法满足识别算法的训练要求。针对现有输电线路无人机巡检中自爆绝缘子数据量稀缺的问题,该文提出了一种基于生成对抗网络的自爆绝缘子检测模型。通过生成器和鉴别器的对抗训练,该模型仅使用无损绝缘子数据训练即能完成对自爆绝缘子的检测。在此基础上,该文优化了生成对抗网络的训练过程。通过引入指导网络,解决了生成对抗网络的模式崩塌问题,提高了对自爆绝缘子检测的召回率;通过对鉴别器的输入添加扰动,解决了生成对抗网络中的样本不均衡问题,提高了对自爆绝缘子检测的精确度。通过与其他异常检测算法的对比实验,证明了该文方法的可靠性。并通过对模型各部分的消融实验,证明了该文方法各部分的可靠性。实验结果证明,该生成对抗网络模型有效避免了传统生成对抗网络中的缺陷,完成了对自爆绝缘子的高效自动检测。     

棒形复合绝缘子爬电距离图像测量方法研究

棒形复合绝缘子的爬电距离是其质量管控中的重要关注点。 针对现有测量方法依赖人工,效率较低且误差大,提出了 一种基于机器视觉的复合棒形绝缘子爬电距离测量方法。 首先,设计了棒形复合绝缘子图像采集平台,获得了其轴向连续图 像。 采用 SIFT 算法对获取到的连续图像进行拼接,通过 Canny 边缘检测算法构建识别模型,实现了棒形悬式复合绝缘子的爬 电距离的自动测量。 试验表明,图像测量方法的重复测量标准差约为传统方法的 5% ~ 12%,且其测量效率较传统方法提高 6 倍以上,实现了棒形复合绝缘子爬电距离准确高效的测量。