基于Fine Mask RCNN的110～220kV输电铁塔涉鸟故障识别与评估

随机突发的输电铁塔鸟害事故通常较难应急处理,传统的鸟害事故图像处理算法泛化能力弱,而现有的深度学习检测算法应用对象又较为单一,因此,亟需稳定有效地实现输电铁塔全类别鸟害事故辨识。鉴于此,该文提出一种基于精细化的掩膜区域卷积神经网络(finemaskregionswith convolutionalneuralnetworkfeatures,FineMaskRCNN)的110～220kV输电铁塔涉鸟故障识别与评估算法。该方法首先通过残差模块(residual network-50,ResNet-50)+特征金字塔网络(feature pyramid networks,FPN)感知巡检影像特征;其次,针对Mask RCNN细节信息丢失的问题,引入具有多尺度卷积核运算的信息融合模块进行丢失信息补偿,增强网络模型对于输入影像的特征表达与提取;最后,根据Fine Mask RCNN识别结果,结合传统图像处理技术,实现鸟巢类故障、鸟啄类和鸟粪污染绝缘子类故障评估与结果修正,形成了由故障识别到评估的一体化机制。实验结果表明,相较于掩膜区域卷积神经网络(Mask RCNN)、快速地区域卷积神经网络(F...     

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%。     

创新之源探索

本文对创新之根本、之源泉进行探索，论述了如何培育创新意识。