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。     

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。     

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。     

架空输电线路无人机缺陷智能识别技术研究

基于采集的高质量影像,针对无人机巡检影像特性,采用深度学习技术框架,研究输电线路设备及通道环境隐患的智能识别方法,实现销钉级微细颗粒缺陷的智能识别.由于目前无人机的图传带宽难以满足高清图像的实时传输,前端芯片的算力也难以满足缺陷识别的需求.因此,短期内自主巡检的图像还是在无人机自主巡检完成后,在服务器端调用人工智能算法进行处理.基于以上过程标准化采集的高质量巡检图像,可以降低后续设备缺陷识别的难度,提升设备识别的准确率.针对无人机巡检图像特征,采用深度学习Faster-RCNN(Faster-Region Convolution Neural Network)模型,实现了对无人机巡检图像中设备缺陷及通道隐患的智能识别.     

采用数字图像处理方法对架空输电导线散股的研究

架空输电导线受到施工破坏和外界环境长期作用容易产生散股,甚至断股现象,及时对其进行诊断和检修对于保证电网安全运行具有很大意义。采用巡检机器人搭载视觉检测装置巡检是现代输电线路状态检修的一种有效方式。在分析导线纹理约束及分布特征的基础上,建立了一种基于纹理斜率分布的散股判定模型,提出了一种基于数字图像处理的架空输电导线散股自动诊断方法。该方法通过对机器人拍摄的视频数据进行处理,提取图像中导线,计算导线的纹理特征分布并利用判定模型给出图像诊断结果。实验研究表明,该方法能快速检测导线的散股故障信息,能满足在线巡检的实时性要求。     

基于深度学习的输电线路视觉检测方法研究进展

输电线路巡检是电网持续稳定供电的保障,其目的是对电力线、绝缘子、电力杆塔、防振锤等线路设备进行状态检测和故障诊断,同时观测电力线周围潜在隐患。深度学习的发展为输电线路巡检提供了有效手段,与传统目标检测方法相比,深度学习方法能更有效地实现航拍图像中电力设备的识别及缺陷检测。该文综述近十年来基于深度学习的输电线路视觉检测方法的研究进展。首先,概述适用于输电线路巡检的深度卷积神经网络,包括分类网络、检测网络、语义分割网络,考虑到开发的深度学习网络模型便于在移动设备上应用,另外阐述轻量化网络;然后,重点阐述基于深度卷积神经网络的输电线路巡检图像数据目标检测;随后介绍7个电力设备数据集以及性能评价指标;最后,指出基于深度学习的输电线路巡检图像数据视觉检测方法目前存在的问题,并对进一步的工作进行展望。     

基于增强滤波和特征聚类分析的导线隐患识别技术研究与应用

及时发现输电线路导线隐患是保障线路安全运行的关键,鉴于现有巡检图像处理过程中存在的不足,本研究在国内外已有研究成果的基础上进行了算法优化,提出了一种基于增强滤波和特征聚类分析的导线隐患识别算法。实验测试表明该算法对于线路巡检图像中的处理速度和识别准确率均优于传统算法,能够快速准确地实现导线提取和隐患的识别。由于该算法对硬件配置要求较低,能够在巡检现场完成对图像的分析和处理,具有较大的实用价值。     

基于Alexnet网络的绝缘子自爆无人机巡检技术研究

绝缘子是输电系统中与安全相关的关键部件,绝缘子自爆问题的高效快速识别对电力系统的保护具有重要的意义。随着无人机（UAV）相关产业的不断发展,可以采用无人机技术对输电线路进行巡检拍摄。以此为背景提出了一种基于Alexnet网络的绝缘子自爆无人机巡检技术。首先,应用无人机巡检这一先进技术得到绝缘子的清晰实时图片。然后,采用Alexnet网络对绝缘子自爆图片进行学习和识别。与传统的识别方法相比,Alexnet网络模型不但结构上有所加深,对卷积的功能也进行了强化,对无人机巡检过程中拍摄的复杂图像进行识别和检测有很好的效果。     

架空输电线路无人机巡检技术研究进展

随着架空输电线路的不断增加,线路运维环境日趋复杂,对架空输电线路的运维检修要求也越来越严格。论文简述了传统的人工巡检方式因存在诸多限制,导致巡检效率低下、无法有效保障电网的安全运营。指出无人机(unmanned aerial vehicle, UAV)在架空输电线路巡检中得到大量应用,弥补了人工巡检方式的不足。结合国内外架空输电线路无人机巡检应用的背景,介绍了相关标准制定和试验检测技术研究,分析了自主巡检、作业安全管控、缺陷识别技术和巡检数据应用、辅助检修作业等关键技术应用现状,探讨了无人机作业人员培训,并提出了无人机巡检技术的发展趋势和研究方向,下一步将着重提高无人机全周期闭环应用能力,提升我国电网智能运检水平。     

固定翼无人机巡检输电线路探讨

随着电网的日益扩大,巡线的工作量也日益加大,固定翼无人机作为无人机的一种,可以被应用在输电线路巡检中,以提高巡线的效率。基于固定翼无人机平台在输电线路巡检系统中的应用进行探讨,包括对于固定翼无人机巡线系统设计思路、固定翼无人机巡线系统组成、各分系统功能以及关键技术问题等的研究。主要的巡检方式包括可见光巡检、红外光巡检、紫外巡检和三维激光扫描巡检。巡检对象包括线路走廊、导线、塔身、金具等。巡检内容包括线路走廊异常、设备热缺陷、电晕放电等。     

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。     

利用无人直升机巡检输电线路

随着电网的日益扩大,巡线的工作量也日益加大。无人直升机作为无人机的一种,可以被应用在输电线路巡检中,以提高巡线的效率。简述一种基于无人直升机平台的输电线路巡检系统,包括无人直升机平台和检测系统,讨论一些关于使用此平台巡线的技术。主要的巡线方式包括可见光巡检和红外光巡检。巡检对象包括导线、引流线、绝缘子、防震锤、线夹、塔身、金具等。巡检内容包括设备破损、部件丢失、设备热缺陷等。     

无人飞机输电线路巡线技术探讨

简介现代无人飞机的性能指标,指出无人飞机输电线路巡线的关键技术为：飞行控制技术、机体稳定飞行技术、线路杆塔自动跟踪识别技术和摄像快速对焦成象技术。无人飞机可以穿越高山、河流对输电线路进行快速巡线,对架空的铁塔、支架、导线、绝缘子、防震锤、耐张线夹、悬垂线夹等进行探测摄像和故障识别。无人飞机输电线路巡线是一种快速、高效、前途广阔的巡线方式。     

基于改进U-Net的输电线路绝缘子图像分割方法研究

针对输电线路巡检航拍的绝缘子图像存在背景复杂、对比度不明显、图像质量不能保证等情况造成绝缘子分割精度不高的问题,提出一种基于注意力模型改进U-Net网络的分割方法。首先以VGG16替换主干特征提取网络,增强网络的适用性;同时在下采样过程中引入注意力模型,增强对绝缘子目标的辨识能力,抑制背景、噪声等干扰信息,实现更加精确的分割。实验结果表明:CBAM注意力模型与U-Net网络相结合的方式效果最好,平均重叠度可达96.57%。     

无人飞行器巡检输电线路的杆塔和导线跟踪算法

研制了一种无人飞行器(UAV)巡线系统,利用可见光相机、红外热像仪、紫外成像仪对输电线路、杆塔、绝缘子等输电设备进行综合检测。提出了一种杆塔和导线跟踪算法,在已知UAV当前位置以及巡检线路中杆塔GPS信息的前提下,利用由GPS信息快速计算两点间距离的算法和地理坐标系转换,计算出相机对于杆塔和导线的理想拍摄角度,进一步对云台角度进行自动调节,实现巡线过程中对杆塔和导线的跟踪。同时,文中讨论了该算法对于GPS定位精度的要求,并通过试验证明了该算法的可行性。     

基于门控图神经网络的栓母对知识图谱构建与应用

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,其中螺栓的缺陷因数量众多和体积较小,故由输电线路螺栓缺陷引发的事故频频发生。另外,现有输电线路螺栓缺陷分类方法仅限于表面特征提取而忽略目标间关联和受复杂环境的影响大等问题。针对以上情况,该文提出利用螺栓螺母之间的关联组成栓母对,然后使用卷积神经网络提取栓母对特征初始化图网络节点和结合栓母对的先验知识表示栓母对缺陷与栓母对语义对象的关联,并以此来建立栓母对知识图谱指导栓母对缺陷分类。在此基础上,将输电线路上与螺栓相关的缺陷划分为栓母对缺陷,并建立粗级缺陷数据集和细级缺陷数据集。通过使用栓母对知识图谱来指导栓母对的缺陷分类实验,并以此来验证栓母对知识图谱的有效性和可行性。实验结果表明,该栓母对知识图谱实现了栓母对先验知识的有效运用,完成了栓母对粗级缺陷和细级缺陷的高效分类。