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。     

基于深度学习的绝缘子缺失检测方法研究

绝缘子缺陷严重影响输电线路安全,航拍图像绝缘子缺失的有效识别是无人机线路巡检。提出一种轻量级网络的绝缘子缺失检测模型,使用轻量级网络MobileNetV3替换YOLOv4模型的CSPDarknet53网络。以分割性能和计算速度为判据,综合分析比较了YOLOv4模型和使用轻量型网络对其主干网络替换后的模型在绝缘子缺失检测上的性能,实验结果表明：筛选的YOLOv4-MobileNetV3轻量级网络绝缘子缺失检测模型能够准确定位图像中单、多目标绝缘子;改进后YOLOv4-MobileNetV3检测模型比原模型的体积减少了78%,FPS提升了4.85 f/s,而mAP仅降低0.6%。提出的绝缘子缺失检测方法能够满足无人机电力线路巡检的需求。     

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     

典型工业粉尘地区复合绝缘子污秽成分及其闪络特性

近年来,盐城德隆镍业厂区附近数次发生输电线路外绝缘放电、污闪现象,且采用复合绝缘子后仍不能得到有效抑制,而临近的化工区却没无该情况发生。因此,本文对盐城电网辖区内镍厂、化工厂绝缘子进行污秽取样,开展了污秽化学成分分析测试,包括阴阳离子含量、不溶物元素组成、主要化合物成分等;继而基于成分分析结果,开展了混合污秽下的污闪特性试验,得到了不同污染源典型污秽成分下复合绝缘子的闪络特性。研究结果表明：化工厂和镍厂附近绝缘子污秽成分有一定的差异,体现在镍厂污秽成分含硝酸盐较多,而化工厂附近含氯盐较多;对于一大两小型复合绝缘子,其在镍厂典型污秽下的闪络梯度要比化工厂低5%-10%;对于重工业粉尘地区的外绝缘配置,建议采用一大一小型绝缘子来提高电气强度。     

基于光刻法的复合织构硅橡胶表面的抗冰性能

制备超疏水表面是一种新型的抗冰方法。为提高硅橡胶复合绝缘子表面的抗冰性能,采用D80M多功能激光雕刻机进行加工,得到不同类型、不同尺寸参数的复合织构绝缘子伞裙表面。通过测试不同织构表面绝缘子的接触角,得到疏水性能最佳的表面织构类型及尺寸参数。同时,以延缓水滴在试样表面发生结冰的时间为评价标准,利用可程式恒温恒湿试验机设定环境温度为-10℃,测试水滴在不同织构化试样表面的凝结时间。结果表明：表面织构化明显提升了复合绝缘子伞裙表面的疏水性,使其达到超疏水性;尺寸和间距均为350μm的正方形+圆形织构的疏水性和抗覆冰性能最优,且抗冰耐久性良好。     

不同光照下的绝缘子串劣化灰度图像识别方法

作为故障多发元件的绝缘子串,其劣化严重影响输电线路安全,为此提出基于无人机搭载红外传感器下的绝缘子串劣化灰度图像识别方法,提升不同光照条件下的绝缘子串劣化图像识别效果。采用无人机搭载红外传感器采集绝缘子串图像,通过灰度级线性变换对图像进行增强,提高图像中绝缘子串与背景之间对比度,利用开闭运算去除增强后图像中非必要存在区域。根据图像二值化变换特征,利用连通区域标记法提取完整绝缘子串图像,采用Hough变换求取绝缘子串倾斜角度,经水平校正及定位后完成绝缘子串劣化灰度图像识别。经实验验证:该方法在不同光照条件下,绝缘子串劣化灰度图像识别效果较好,具有实用性。     

基于深度学习和灰度纹理特征的铁路接触网绝缘子状态检测

铁路接触网绝缘子状态检测对铁路行车安全有着 重大的意义,为解决目前人工对绝缘 子图像检测结果的不确定性,提出一种深度学习结合灰度纹理特征的检测方法。首先使用 Faster R-CNN (faster region-based convolutional neural network)目标检测算法对图像中绝缘子精确识别,再通过灰度共生矩阵对绝缘子纹理 特征进行分析提取,之后结合支持向量机将绝缘子分为正常绝缘子和异常绝缘子,实验数 据结果证明使用能量、熵、相关度3种纹理特征进行绝缘子状态分类时对实验数据中的正 常状态绝缘子的分类精度可达100%,异常状态绝缘子的分类精度达97.5%,最后依据绝缘 子图像灰度分布的周期性特点,利用灰度积分投影将异常绝缘子分为破损绝缘子和夹杂异 物绝缘子。实验结果表明所提方法可以有效对绝缘子状态进行检测分类。     

基于无人机影像的电网绝缘子自爆识别

电网因其在电能传输方面的关键性作用,在我国民生项目建设领域一直扮演着至关重要的角色。电网杆塔上的绝缘子一旦发生自爆(也称“缺陷”),绝缘子会自动剥落,输电线路就会产生安全隐患,严重时会降低输电线路的运行寿命,甚至会引发供电中断,发生大范围的停电事故,造成巨大的财产损失。目前,主流的巡检方法为人工巡检,该方法不仅耗时耗力,而且也存在一定主观出错率,已不适用于目前电路巡检的实际情况。本设计采用YOLO V5网络模型,对无人机航拍影像中绝缘子串及绝缘子自爆进行自动识别。首先通过平移、翻转、裁剪等,对航拍绝缘子影像数据集进行数据增广,并对增广后的数据集在LabelImg中进行标注,然后利用YOLO V5网络模型对绝缘子串及绝缘子自爆进行识别,最后采用PyQt5框架在PyCharm中设计了绝缘子自爆识别的系统界面,对模型进行调用,实现了绝缘子串及绝缘子自爆识别。本设计采用从网络上下载、国家电网提供、数据增广所得到的500张无人机航拍影像作为数据集,对所得数据集进行人工标注,再使用YOLO V5网络模型进行训练和测试,结果表明YOLO V5网络模型对绝缘子串具有较高的识别精度,最高识别精度为90.2%,对绝缘子自爆的最高检测精度为80.8%。这说明了YOLO V5网络模型在绝缘子串识别方面有较好的表现,但是由于训练集中绝缘子自爆的样本影像数量有限,所以该网络模型对绝缘子的自爆识别存在一定局限性,本实验能够部分代替人力实现电网绝缘子智能巡检,提高了检测效率。     

基于广义探头的绝缘子表面电荷在线监测研究

通过对静电探头法测量表面电荷分布的原理进行分析,提出了一种基于广义静电探头法的表面电荷在线监测新方法.研究表明:当气体绝缘开关设备(GIS)中绝缘子表面存在静电荷时,会在金属导体上感应明显的电压信号.通过测量这个电压信号可以实时检测绝缘子表面电荷积聚的严重程度.进而可以大大减少绝缘子表面的闪络几率,提高电力系统的安全.     

航拍图像中绝缘子缺陷的检测与定位

长期暴露在自然环境下的绝缘子易产生自爆缺失故障,对此提出了一种绝缘子缺陷检测和定位的图像处理方法。依据绝缘子在航拍图像中的型态特征,采用最大类间方差法以及中值滤波进行图像预处理,提出基于粒子群优化参数的蚁群算法来检测其中的绝缘子轮廓及其数目,最终实现在原图中标记出缺陷绝缘子所在位置的目的。该方法针对简单背景下绝缘子缺陷的标记具有良好的效果,并为进一步实现复杂背景下绝缘子缺陷检测和定位提供了预研基础。