基于红外与紫外图像信息融合的绝缘子污秽状态识别

为了实现绝缘子污秽状态的非接触检测,提出了一种基于红外与紫外图像信息决策级融合的污秽等级识别方法。分别计算不同污秽等级绝缘子红外与紫外图像特征,根据Fisher准则进行特征选择,得到可以有效表征污秽状态的特征量,为了提高分类器的运算速度和准确性,利用核主元分析(KPCA)进行特征提取,分别得到红外与紫外特征的三维核主元向量,使用径向基神经网络(RBFNN)分别进行污秽等级识别,利用D-S证据理论对识别结果进行决策级融合,实现绝缘子污秽等级的识别。实验结果表明,该方法的正确率显著优于单独使用红外或紫外特征进行识别,为绝缘子污秽状态的非接触检测提供了新的方法。     

基于改进YOLOv5的输电线路绝缘子 识别方法

针对输电线路绝缘子识别准确率低、识别花费时间长的问题,提出一种改进的YOLOv5绝缘子识别方法。首先,通过引入超分辨率卷积网络提升数据集中图像样本质量;其次,通过引入k3-Ghost结构替换原始网络BCSP模块中的普通卷积,减少模型主干网络参数量,在主干网络尾部引入SENet注意力模块,加强模型对于通道信息的关注提升目标检测性能;在颈部网络引入DC-BiFPN结构替换原始结构,对不同尺度特征赋予不同权重以使多尺度特征进行更好的融合,提升绝缘子识别效果。最后,使用CIOU作为回归损失函数,加快网络收敛速度。实验结果表明：本文提出的方法在保证绝缘子识别准确率的同时拥有更高的识别速度,检测准确率达到89.5%,检测速度达到35.7FPS,验证了改进方法的有效性。     

基于自适应关键点融合的人员穿戴属性度量分析方法研究

大多数人员穿戴属性研究使用图像整体特征构建多分类问题,存在空间信息耦合和对穿戴款式扩展支持不好的问题。提出了一种基于自适应关键点融合的人员穿戴属性度量分析方法。该方法由特征提取网络和特征向量度量学习结构两部分组成,特征提取网络包含3部分模块:基于HRNet网络的行人关键点热力特征图模块、自适应关键点与图像特征融合模块、带注意力机制的残差网络特征映射模块。基于该网络的自适应机制实现头部、上衣、下装3个属性识别分支的特征向量的映射。针对每个属性识别分支穿戴的不同状态或款型,利用基于arcface的度量学习方法,实现穿戴属性识别。结果表明,提出的方法在精细标注的穿戴款式数据集上识别精度为94.2%。在某实际场景工装数据集上,仅通过训练集入库,工装穿戴识别精度达到86.6%。研究可为人员穿戴状态和款型分析提供参考。     

定向识别航拍绝缘子及其缺陷检测方法研究

针对现有绝缘子检测算法无法定向检测绝缘子及其缺陷的问题，提出了一种改进YOLOv5(you only look once v5,YOLOv5)算法的航拍绝缘子识别及其缺陷检测方法。通过定向标注航拍绝缘子图片，形成航拍绝缘子数据集和缺陷绝缘子数据集；在YOLOv5的主干特征提取网络引入轻量化注意力机制模块、在特征融合阶段使用改进的空间金字塔池化结构；通过改进YOLOv5网络的头部结构使其可以对绝缘子进行定向识别，并对损失函数添加角度损失分类。实验结果表明在检测时间由单张0.044 s到单张0.049 s并无显著增长的前提下，改进后的算法在测试集上的mAP(mean average precision)的值为95.00%,实现了定向识别绝缘子及其漏帽缺陷，还可应用到绝缘子视频流检测。为后续的绝缘子精确定位以及进一步故障检测打下良好基础。     

基于MobileNetV3多尺度特征融合的人脸表情识别

针对人脸表情识别中普通卷积神经网络特征提取能力不足且识别效率低下的情况，本文提出了一种基于MobileNetV3多尺度特征融合的人脸表情识别。首先利用MobileNetV3进行特征提取以获得高层次情感信息；其次在骨干网络中借鉴DenseNet结构，增强特征复用并提升网络重要面部特征表达能力；然后利用特征金字塔模块充分获取人脸图像的深层和浅层多尺度融合特征，从而提高了MobileNetV3的特征提取能力和实时性；最后利用全连接层构建分类器对表情进行分类，从而完成了人脸表情识别。通过实验验证，结果表明，在CK+和FERPlus数据集上识别准确率可以达到88.3%和98.8%，与现有方法相比分别提高了2.3%和1.5%，表明了所提方法识别效果好，泛化能力强。     

基于红外与可见光图像信息融合的绝缘子污秽等级识别

绝缘子污秽等级的准确识别是污闪防治的有效途径。红外和可见光图像分别表征了污秽绝缘子的表面温度和色彩分布,可从不同角度反映绝缘子的污秽状态,该文提出了基于红外和可见光图像信息融合的绝缘子污秽等级识别方法。建立并求解了湿污绝缘子发热数学模型,得到了绝缘子表面温度分布;通过实验获取绝缘子红外及可见光图像,经图像分割后,提取了绝缘子盘面红外与可见光特征并用Fisher判别法进行选择;将选出的特征与环境湿度、照度组合成为特征向量,并使用贝叶斯决策理论对其进行特征级信息融合,识别绝缘子污秽等级;最后对现场样本进行了识别。实验结果显示,图像信息融合提高了绝缘子污秽等级识别准确率,现场测试结果准确,为准确识别现场绝缘子污秽等级提供了新方法。     

基于感受野模块的绝缘子实时识别定位方法

针对使用无人机进行绝缘子识别实时性的要求,以感受野模块(RFB)网络为基础,提出了一种基于RFB模型改进的轻量型架构。使用MobileNetV3网络作为特征提取主干,设计了新的感受野模块RFB-X,并使用Focal-loss损失函数解决正负样本不平衡问题。实验结果表明,该模型提高了绝缘子的检测速度和准确率。     

基于图像特征提取与BP神经网络的绝缘子憎水性识别方法

为了方便、快捷、准确地识别运行中绝缘子表面的憎水性等级,提出了基于图像特征提取与BP神经网络的绝缘子憎水性识别方法。首先,利用同态滤波和直方图均衡对憎水性图像进行增强预处理,然后利用改进的Canny算子提取了图像中水珠(或水迹)的边缘,并利用数学形态学对其进行修正得到最终的分割图像;提取图像中与憎水性相关的4个特征量,最后建立了基于BP神经网络的憎水性识别模型,并对测试样本的憎水性等级进行了识别。实验结果表明,该方法克服了人为因素的影响,能够有效识别绝缘子7种典型憎水性等级,总识别率达90%,为在线检测绝缘子憎水性提供一种新的有效方法。     

基于表面肌电和加速度信息融合的手势识别

针对现有手势识别方法中人为提取特征具有局限性的问题,考虑到MYO臂环稀疏多通道的特点,提出一种融合表肌电信号(sEMG)和加速度(ACC)信息的手势识别方案。首先由5位受试者佩戴MYO臂环,同步采集8组不同手势的多通道sEMG、ACC数据;其次采用一种新的数据预处理方法,使用高能量滑动窗将数据进行分割,得到短时有效活动段;最后设计出一种并行多层的LSTM网络,对两类数据进行特征提取和融合,实验准确率达96.87%。结果表明,所提出的手势识别方案简便可行。     

基于改进MPEG-7纹理特征的绝缘子图像识别

绝缘子的良好状态保障着电力系统的安全运行,绝缘子的状态监控也是未来电力系统智能监控中的一个重要问题,因此开发无人飞行器的输电线路巡视系统具有重要的意义。笔者首先在分析数字图像预处理方法的基础上,采用图像灰度化、对比度增强和图像去噪三个步骤对绝缘子图像进行预处理;随后利用MPEG-7边缘直方图法对绝缘子纹理特征提取与识别,并在此基础上对原始的MPEG-7边缘直方图进行优化和改进,很大程度上提高了识别的准确性。大量实验结果表明,该方法能在稍复杂背景下有效的识别出图片中绝缘子。     

基于通道剪枝的ACAM-YOLOv5s绝缘子缺陷检测

针对现有的绝缘子缺陷检测深度神经网络模型规模大、计算资源消耗高、检测精度低,难以部署在边缘端,本文基于通道剪枝和YOLOv5s方法提出具有非对称卷积和注意力机制的轻量级绝缘子缺陷检测模型ACAM-YOLOv5s。ACAM-YOLOv5s模型采用非对称卷积模块ACBlock替换YOLOv5s骨干网络残差结构中的标准卷积,并结合通道和空间混合的注意力CBAM进行特征融合,以增强骨干网络的表达能力、特征提取能力以及鲁棒性。引入对边界框大小和位置灵敏性高的PIoU作为定位回归损失,解决绝缘子纵横比高导致缺陷检测定位准确率低的问题。基于BN层通道剪枝方法对ACAM-YOLOv5s模型进一步稀疏化训练、剪枝和微调,得到轻量化缺陷检测模型。实验结果表明,剪枝后的ACAM-YOLOv5s模型和原始YOLOv5s相比,在检测精度、计算量和模型体积方面,具有相对优势,能够满足边缘设备部署的需求,在无人机航拍绝缘子缺陷检测领域具有潜在价值。     

绝缘子自爆缺陷的轻量化检测网络 DE-YOLO

为了实现输电线路的高精度、高速度巡检,设计了一种适用于移动终端设备的轻量化目标检测网络 DE-YOLO。 首先融 合深度可分离卷积、逐点卷积和 ECA 注意力机制提出了特征提取模块 NewC3,它负责显著降低网络参数、同时强化网络提取绝 缘子有效信息的能力。 再借助通道数成倍增长策略和通道注意力机制 SE 设计了轻量化模块 DC-SE,它用于削弱复杂背景对绝 缘子故障的干扰、互补提取绝缘子细微特征,进而增强浅层网络对目标特征信息的提取能力。 实验表明,DE-YOLO 网络在自制 绝缘子数据集上的 GFLOPs 降低 45%,运行参数降低 42%,自爆缺陷检测精度高达 93. 2%。 NewC3 和 DC-SE 能保证 DE-YOLO 的轻量化,同时满足绝缘子自爆缺陷实时检测的要求。     

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。     

融合迁移学习的绝缘子缺陷分级检测方法

针对Faster R-CNN算法对复杂环境下的小样本绝缘子缺陷检测精度不高的问题，本文提出了一种融合迁移学习和主体局部的绝缘子缺陷分级检测方法。整个方法使用融合残差模块和特征金字塔结构的卷积神经网络作为骨干网络进行特征提取，用于适应不同尺度的缺陷目标，保留更多有效信息。首先使用迁移学习的方法改善对缺陷所在绝缘子主体的检测效果；然后对检测出的绝缘子主体进行自动裁剪来改善复杂背景对缺陷区域检测的影响，使得模型能够更有效地挖掘出缺陷特征；最后将裁剪后的缺陷绝缘子局部图像送入第二阶段进行训练，进一步提高模型准确率。通过对无人机航拍采集的绝缘子缺陷图像进行检测实验。结果表明，本文方法相较于Faster R-CNN基线模型平均精度提高了37.5%，达到了89.6%。在对自爆和破损检测上，精度分别提高了34.9%和60.2%。     

基于双分支并联的特征融合电能质量扰动分类方法

为了提高对电能质量扰动信号(power quality disturbance signal, PQDs)在受到噪声和异常数据干扰时的分类准确率,提出了一种双分支并联特征融合网络的PQDs分类方法。首先,采用一维残差神经网络和一维卷积神经网络两个分支进行特征提取。然后,通过特征融合模块将这些特征融合在一起。最终,通过分类模块对PQDs进行准确分类。相对于串联神经网络,所提方法融合特征向量,增强了特征的区分度,同时适用于并行计算,进一步提高了识别速度。仿真结果表明,所提方法在叠加信噪比为13 dB、15 dB和18 dB的PQDs分类任务中,识别率均超过95%,此外,该方法对异常数据的分类效果也具有一定的鲁棒性。     

基于改进YOLOv7的输电线路绝缘子识别检测研究

针对绝缘子目标尺寸小导致检测精度低、误检漏检率高的问题,提出一种基于YOLOv7改进的输电线路绝缘子检测模型。首先,将双支路融合通道注意力机制与主干部分的ELAN模块进行融合,强调重要的通道信息,抑制噪声等无用信息的干扰;其次,在特征融合部分加入局部自注意力机制,使得局部微小区域局部关注度增强;同时,在Neck部分融入BiFPN跨层连接,在增加部分计算量的同时,使得边缘信息得到更好的保留,更利于小目标的检测;最后,以精确度、召回率、平均精度均值等作为评价指标,对采集的数据集进行了消融实验和对比实验。实验结果表明,改进后的网络模型对输电线路绝缘子检测精度为92.1%,相比于传统的YOLOv7网络模型提高3%,并且其平均检测均值、召回率分别提高3.1%、3.6%;同时,改进的模型在各个评估指标上相比YOLOv5-ECA和Faster-R-CNN等均有显著优势,针对输电线路绝缘子检测具有良好效果。