基于单阶段目标检测算法的变电设备红外图像目标识别及定位

针对红外图像中变电设备的识别和定位问题,提出了一种基于改进YOLOv3算法的变电设备检测方法.在现场采集的变电设备红外图像集的基础上,首先使用基于Retinex的图像增强算法以及阈值分割等图像处理方法对图像集进行预处理;然后基于变电设备红外图像对YOLOv3算法进行参数优化,并通过迁移学习的策略对改进YOLOv3网络进行训练以解决图像集样本数量较少的问题.实验结果表明,在样本数量较少的情况下,所提方法可以达到满意的检测准确率,并能快速地实现变电设备的识别和定位.     

基于深度迁移学习的小样本智能变电站电力设备部件检测

随着人工智能的不断普及,智能变电站电力设备图像自动化检测系统的建立迫在眉睫。由于智能变电站电力设备图像数据集样本较少、场景复杂且电力设备部件相似度较高,传统图像检测算法无法对电力设备部件做到实时定位和准确识别。针对小样本目标检测识别难题,基于网络的深度迁移学习可以在不同数据集之间建立特征上的关联,能够较好地学习现有小样本智能变电站电力设备数据集的特征。该文采用迁移学习的方法,提出一种利用单阶段多框检测器(singleshotmultiboxdetector,SSD)的智能变电站电力设备图像目标检测算法,并根据智能变电站电力设备数据集相关特点添加特征提取层,重新设计特征预测框数量及比例,采用软性惩罚非极大值抑制(softpunishnon-maximum suppression,Soft-PNMS)等改进方法进行优化,能够自适应于小样本电力设备数据集的检测。此方法通过200张智能变电站电力设备训练集、50张智能变电站电力设备测试集,实现了在小样本复杂背景下对电力设备部件的分类和定位,验证了所提算法的有效性。研究结果表明,对于绝缘子、套管、电流互感器、油枕、螺帽5类电力设备,该方法的平均精准度达到了91.1%,比常规SSD卷积神经网络分类器平均精准度提高13%,平均漏检率下降3%,平均误识别率下降4‰,该方法为小样本电力设备智能化检测奠定了理论基础。     

基于红外图像检测和改进YOLOv4的高压套管故障识别方法

红外检测是高压外绝缘设备状态在线检测的主要方法之一，为了提高高压套管发热故障红外图像检测的准确率，解决因故障样本较少引起的漏检问题，文中提出了一种基于改进型YOLOv4的故障识别方法，可实现对套管发热区域的高效定位与识别，具有很好的工程应用前景。对YOLOv4算法进行的改进主要包括：首先，将通道注意力机制SE(Squeeze and Excitation)模块插入特征提取网络中的残差模块中，以加强网络对特征信息的提取；其次，分别使用EIoU Loss和Focal Loss取代原模型的边界框回归损失与置信度损失，以提高损失函数的回归精度以及对数据集中困难样本的识别准确率，从而有效减少漏检发生的概率。实验与测试结果表明，所提方法与改进前相比平均精度提高了5.61%，对数据集中更难被识别的故障样本的精确度提升了8.57%。     

基于改进卷积神经网络的电力设备红外图像分类识别方法

随着电力设备故障诊断技术的不断发展、红外测温诊断技术不断成熟，如何快速有效地对各类电气设备红外测温图像进行分类识别，是今后故障诊断智能化发展的关键环节之一。通过对红外测温图像分类识别方法进行研究，提出了一种基于改进卷积神经网络的电力设备红外图像分类识别方法。首先，通过旋转、翻转等方法对收集的红外图像进行数据增强；然后，建立基于改进MobileNetV2的电力设备红外图像分类识别模型，将电力设备红外测温图像通过迁移学习进行加权训练，利用Focal Loss函数改进神经网络的损失函数；最后，通过Softmax分类方法实现电力设备红外图像分类识别。试验表明，使用改进MobileNetV2的分类识别模型对电力设备红外图像进行分类识别的总平均准确率为92.62%，红外图像检测速度为116 f/s，具备较好的收敛速度与识别能力，为电力设备智能巡检提供了新思路。     

基于深度学习的输变电设备异常发热点红外图片目标检测方法

随着红外热成像检测技术在变电站巡检机器人及输电线路无人机等检测平台的广泛应用,大量输变电设备红外异常发热故障的红外图片需要人工定期进行评估诊断,亟待需要智能算法对图片进行智能诊断。当前经典的机器学习算法难以有效识别输变电设备红外图像故障异常发热点。基于人工智能深度学习理论,本文采用了深度学习算法体系中基于区域建议网络的Faster RCNN算法实现对输变电红外图像发热故障的检测、识别及定位。本文以红外热成像仪采集到的输变电设备发热故障图像库为基础,对数据集进行人工标注包围框,通过交替训练构建网络共享参数,构建输变电设备异常发热红外智能检测模型。所描述的方法为输变电设备红外热成像智能检测提供了新思路。     

改进的 YOLOv3 的红外目标检测算法

复杂背景下红外多目标图像及视频的检测是目标检测的热点也是难点,为了更准确地检测出复杂背景下的红外目标, 将 YOLOv3 算法进行改进,首先通过在算法的原有基础上增加特征尺度,提高对距离远且背景复杂的待测图像的识别精度,并 将 BN 网络层与卷积神经网络层融合计算得到最后的检测结果,将原来的 YOLOv3 算法与改进后的算法的结果进行分析对比 可得,改进后的算法能够将平均识别精度从 64%提高到 88%,将 mAP 从 51. 73 提高到 59. 28,验证了改进后的 YOLOv3 算法在 红外目标检测下具有更好的性能,更明显的优势。     

电力设备红外图像缺陷检测

机器人在巡检过程中采集到的红外图像很难反映设备目标的纹理信息。人工方法或传统机器学习方法不能精准识别和分类电力设备缺陷,同时其他环境因素容易导致误判。采用CenterNet结合结构化定位的算法模型,通过对现场红外图像数据样本收集、训练及验证算法模型的计算,实现从复杂的红外图像中以较高的准确率将不同变电站设备及其部件识别定位出来。根据设备部件表面温度范围值和识别定位出的变电站设备类型,结合相关温度规范实现电力设备红外图像缺陷检测。实验结果表明,该方法提高了电力设备红外图像缺陷检测的检测精度,为电力设备红外图像智能检测提供了新的思路。     

基于 YOLOv5 算法的交通标志识别技术研究

针对传统方式识别交通标志算法存在的检测精度较低的问题,提出了一种改进YOLOv5算法的交通标志识别方法.首先改进YOLOv5算法的损失函数,使用EIOU损失函数代替YOLOv5算法所使用的GIOU损失函数来优化训练模型,提高算法的精度,实现对目标更快速的识别;然后使用加权Cluster非极大值抑制(NMS)改进YOLOv5本身所使用的加权NMS算法,提高生成检测框的准确率.实验结果表明,改进后的YOLOv5算法在由长沙理工大学制作的CCTSDB交通标志数据集上训练的模型的mAP值达到了84.35％,比原始的YOLOv5算法提高了6.23％.所以改进YOLOv5算法在交通标志识别中有更高的精度,能够更好的应用到实践当中.     

基于机器视觉的配网工程安全管控检测方法

针对配电网工程在施工现场受外界环境干扰因素多、现场监管难度大等问题,提出了一种基于改进的YOLOv5网络模型的配电网工程实时检测方法,并对配电网工程图像精确识别及缺陷检测进行了研究。首先,对配电网工程现场样本数据集进行标注,改进YOLOv5网络的特征提取网络,以加快多尺度融合并提高小目标物体检测的精度。在此基础上,改进损失函数、非极大值抑制模块,提高模型的识别精度与收敛速度。最后,经过Darknet深度学习模型对识别样本进行多次迭代训练,保存最优权重数据用于测试集的测试。算法通过 TensorBoard 可视化工具显示训练和测试结果。测试结果表明,每种配电网样本的平均识别准确率可达到95%以上,图片的识别速度可达到140 帧/s。同时,所改进算法检测准确率高,实时性强,满足工程现场实时使用需求。     

基于改进YOLOv4的GIS红外特征识别与温度提取方法

对气体绝缘开关设备(gas insulated switchgear,GIS)典型部件的目标识别和温度提取是实现对设备发热状态红外智能检测的关键。文中提出一种基于混合域注意力机制(convolutional block attention module,CBAM)的改进YOLOv4算法,可实现对GIS母线、隔离开关等部件的快速目标检测和热点温度提取。首先,在某变电站现场采集原始红外图像,对图像进行锐化处理和部位标记,构建包含GIS典型部件的红外数据集。然后,利用深度可分离卷积网络降低模型参数量,并融入CBAM优化模型的识别能力,在此基础上构建基于改进YOLOv4的GIS红外部件目标快速检测算法。最后,采用灰阶差值方法对检测到的GIS典型目标部件进行热区温度值提取。结果表明,所提算法在GIS红外特征数据集上可以达到每秒31.5帧的识别速度和82.3%的识别准确率,明显优于其他目标算法,且GIS各部件的温升计算值与实测值误差在±1℃内。该算法可部署在无人机和巡检小车等边缘智能终端,实现对现场GIS设备温升状态的精细化识别和快速诊断,提升GIS设备健康状态管理数字化和智能化水平。     

基于改进YOLOv4的锂电池缺陷检测方法

针对传统方法检测锂电池表面缺陷精度低、速度慢的问题,提出一种改进的YOLOv4算法。首先,在 CSPDarknet-53 骨干网络中使用空洞卷积代替传统卷积,提高了对不同尺度缺陷的检测。其次,将通道注意力机制插入到颈部网络中,自适应地选择一维卷积核的大小,降低模型的复杂度和计算量。最后,在分类和边界框回归中融合条件卷积来提高网络性能,并扩大数据集以解决由于缺陷样本太少而导致的网络训练过拟合问题。实验结果表明,改进后的YOLOv4算法可以有效检测锂电池表面缺陷并提高对于缺陷的识别和定位能力。改进算法的平均精度均值为93.46%,相较原算法提高了3.03%。     

一种瓷支柱绝缘子红外图像目标检测算法

利用红外热像法检测瓷支柱绝缘子是否存在异常发热，是变电站支柱绝缘子故障诊断的主要方法之一。结合计算机视觉技术提出了一种针对瓷支柱绝缘子红外图像的轻量级目标检测模型。首先，在深度可分离卷积中加入膨胀卷积核，有效增大输出单元的感受野，减少参数量。然后，使用得到的DMobilenet网络结构替换YOLOv7中的主干网络ELANCSP，并采用SJS（剪切、抖动、缩放）方法扩充样本数量，同时引入迁移学习、Mosaic数据增强、余弦退火等算法提高模型泛化能力。最后，将该模型与YOLOv4、YOLOv5、YOLOv7、G-Adaboost目标检测算法进行了性能对比。实验结果表明，该模型在保证准确率和速度的同时，具有更强的鲁棒性和泛化能力，且模型更轻量化。     

基于卷积神经网络的生产日期识别

为了提高识别效率并减少人工成本,采用深度学习的方法对生产日期图像进行识别。首先对生产日期图像进行预处理,使用水平投影分割算法并提出一种区域最大值分割的方法将图像中的干扰字符去除,只留下数字、字母和汉字字符。然后创建一个由生产日期图像中常包含的数字、英文、汉字字符所组成的可扩展的数据集。最后构建一个卷积神经网络模型并将数据集送入训练以获得较高的识别准确率。经测试基于卷积神经网络的识别方法对生产日期识别的准确率高达98%。     

基于车载360°环视影像和深度神经网络的路面坑塘与裂缝检测

为解决目前道路智能病害检测系统自动化程度低、运行成本高和准确度差等问题。基于无缝360°环视影像拼接、YOLOv3目标检测深度卷积网络框架以及Inception v3模型,提出一种新的基于改进深度卷积神经网络的环视拼接路面图像坑塘与裂缝检测算法。创新性地提出以YOLOv3为路面病害目标检测网络框架,将其原有的主干网络darknet替换为对于坑塘与裂缝等路面病害深度特征辨识度更高的Inception v3模型,从而更加精确有效地检测覆盖三根车道的多尺度路面坑塘目标。结果表明,算法对于路面病害,特别是坑塘与裂缝的检测总体准确率有明显提升,在所采集的大规模360°环视路面病害数据集上超越了原始YOLO和简化YOLO算法,以及基于MobileNet和VGG16为主干的变种,平均准确率均值mAP能达到72%以上。     

基于改进YOLOv3的绝缘子串定位与状态识别方法

为了对高压输电线路的绝缘子串航拍图像进行精确快速的定位与状态识别,提出了一种基于改进YOLOv3的绝缘子串诊断方法。在自主建立航拍绝缘子串数据库的基础上,针对数据集样本存在的复杂度不均衡和类别不均衡现象,采用Focal Loss函数和均衡交叉熵函数改进YOLOv3算法的损失函数;然后,对原网络在COCO数据集上训练的卷积层过滤器进行可视化分析,选择冻结层并采用多阶段迁移学习策略来训练网络。在Python环境下训练并测试实例,结果表明:改进的损失函数可优化网络训练的损失值,提升算法精确度;多阶段迁移学习策略在提高算法精确度的同时,能有效应对数据集小而易过拟合问题;所提方法可端对端实现绝缘子串的定位与状态识别,且诊断精确度达到0.918。研究结果证明所提方法具有较高的精确性和实时性。     

基于深度学习的并联机器人定位检测技术研究

针对机器视觉领域中并联机器人存在目标识别模糊,分类效率差以及反应速度过慢的问题,提出了一种基于深度学习的并联机器人定位检测技术。首先对目标识别物进行图像采集,改进图像数据集,将处理前后图像放入训练集提高网络效率,搭建YOLOX目标检测分类识别算法提高并联机器人检测精度;其次改进训练方式,通过预训练与实际训练提高可靠性,改进损失策略;然后建立并联机器人主体基坐标系与相机坐标系,结合手眼标定与相机标定方法,求得目标实际坐标与机器人基坐标系的转换关系;最后在并联机器人实验平台验证目标标定结果,对比主流深度学习算法YOLOv3、YOLOv4、Faster-RCNN得出的并联机构网络定位与实际定位的相对误差,结果表明YOLOX的定位精度误差为3.992-5.061mm之间,平均精确度达到了91%左右。该方法可为并联机器人结合深度学习实现检测定位提供一定参考价值。     

基于TensorFlow的高压输电线路异物识别

针对传统异物识别准确率较低的问题,提出一种基于TensorFlow的深度卷积神经网络的异物识别模型。将巡检图像进行图像灰度化和尺寸压缩等预处理,并采用三维块匹配滤波(BM3D)算法进行图像去噪得到实验所需的训练数据。提出基于TensorFlow的深度卷积神经网络框架,通过使用框架中的TensorBoard模块设计深度卷积神经网络模型结构与优选模型参数,并针对ReLU激活函数与特征权重进行理论分析。实验结果表明,经过15次迭代训练后,深度卷积神经网络比传统的支持向量机(SVM)、极限学习机(ELM)和BP神经网络算法具有更强的巡检图像识别能力;与经典的LeNet-5和VGGNet模型以及相关文献中的模型相比,所提模型更具有优越性。     

改进YOLOv5的路面缺陷快速检测方法研究

为了实现路面缺陷的智能快速化检测,对深度学习目标检测算法YOLOv5进行改进,得到的3种检测模型(YOLOv5-A,YOLOv5-C,YOLOv5-AC)均可采用视频检测的方式对路面5类缺陷进行快速检测。采用智能手机和数码相机采集路面缺陷图像并制作数据集,在满足视频检测的需求下,使用K-means算法和1-IoU作为样本距离重新聚类anchor,得到更优的锚框参数;在网络多个结构中引入CBAM注意力机制,增强模型的特征提取能力。实验结果表明,YOLOv5-C算法在训练集上的平均精度达到91.8%,相较于原模型提高1%;YOLOv5-A算法在验证集上的平均精度达到92.7%,相较于原模型提高1.7%;在实际检测效果上,YOLOv5-AC算法在裂缝、破碎板和坑洞的识别准确度上达到89%、62%、90%,相较于原模型提高了45%、4%、5%,且模型的检测速度达到40 FPS。YOLOv5-AC算法具有较高的检测精度和识别速度,一定条件下可以满足在道路缺陷检测中的智能化实时检测需求。     

基于WDCNN-SVM深度迁移学习的燃气轮机转子故障诊断方法

针对在使用深度学习对燃气轮机转子故障诊断过程中,因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题,提出了一种采用深度迁移学习对燃气轮机转子进行故障诊断的方法。首先,使用典型行业样本数据集预训练第一层宽卷积核深度卷积神经网络（WDCNN）模型,给予模型初始的权重。其次,在源域中,使用某型燃气轮机试车获得的大量正常运行样本更新WDCNN模型的权重;在目标域中,利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征,然后使用支持向量机（support vector machines, SVM）进行分类识别,从而达到燃气轮机故障识别的目的。试车数据实验结果表明,该方法能够实现96%的识别准确率,验证了将轴承数据集预训练的深度学习模型迁移到燃气轮机转子领域进行故障诊断的可行性。     

卷积神经网络迁移学习在局部放电类型诊断中的应用

气体绝缘金属封闭开关设备的局部放电具有随机性,即使同一类型缺陷仍有较多表观变化形式,传统模式识别构造的特征难以适应其多变性;近年来兴起的卷积神经网络虽具有自适应提取特征的能力,但训练得到性能更好的网络模型一方面需要增加网络深度,另一方面需要更多的数据样本作为支撑。鉴于此,提出了基于在ImageNet数据集上训练的VGG、InceptionV3、Resnet50 3种网络模型迁移学习的GIS局部放电模式识别方法,并将网络提取的特征应用于在小数据集下表现良好的经典分类器SVM,实现卷积神经网络深度学习和机器学习的结合。实验表明,该方法能够有效提升GIS局部放电模式识别的准确率。