基于改进Faster-RCNN的输电线路巡检图像检测

针对传统输电线路目标巡检图像识别方法响应速度慢,准确率不高的问题,提出一种改进Faster-RCNN深度学习识别算法。文中通过卷积神经网络ZFnet提取图像特征,并重置模型参数以获取更多目标细节;利用Faster-RCNN对目标进行检测,由子网络区域提议模型生成目标候选框和子网络Fast-RCNN进行参数调优,并在Faster-RCNN网络输出部分引入精炼阶段,增加目标特征的分类细化和回归细化,将存在目标的多个边界框合并,实现精确分类以及坐标定位。实验结果表明：改进Faster-RCNN算法可有效识别线路设备及设备缺陷,总体识别率达到93.5%,响应时间在1s内。与图像识别法或SSD、YOLO深度学习法相比,所提算法提高了电力设备的识别精度与响应速度,在输电线路智能巡检中具有一定的优越性。     

基于深度迁移学习的输电线路涉鸟故障危害鸟种图像识别

为了实现输电线路涉鸟故障的差异化防治,提出一种基于深度迁移学习的危害鸟种图像识别方法.根据历史涉鸟故障的鸟种信息及输电走廊周边鸟种调查结果,建立88种相关鸟类图像数据集,采用类激活映射进行图像预处理,滤除复杂背景噪声.基于迁移学习的思想,首先利用AlexNet、VGG16、ResNet50、Inception V3这4种深度卷积网络架构建立学习模型,采用ImageNet图像数据集对其进行预训练,通过对微调预训练后的网络结构进行模型迁移,使其匹配鸟种图像识别任务.然后,利用鸟种图像样本集对迁移学习模型进行训练与测试,对比4种网络模型的识别准确率.最后,借鉴Delphi法的思想,建立一种融合多卷积神经网络的涉鸟故障危害鸟种识别模型.算例验证结果表明,该模型对88种危害鸟种的识别准确率可达91.21％,能够有效实现架空输电线路巡检图像中的鸟种识别,进而为涉鸟故障防治提供参考.     

基于径向基概率神经网络的输电导线缺陷状态识别

输电导线作为承担电能传输任务的重要部件,及时发现其本体缺陷对指导维修避免重大电力事故的发生具有重要意义。考虑到无人机巡检中输电导线背景的复杂性和导线表面缺陷检测的困难度,提出一种基于径向基概率神经网络的输电导线缺陷状态识别方法。首先,依次采用加权色差法、最大类间方差法以及形态学滤波实现复杂背景下输电导线的准确分割。其次,将分割出的导线区域等距划分为10个导线子图像,通过Gabor滤波器获得输电导线8个角度、5个尺度的40幅纹理增强子图像,提取各个子图像的粗糙度、对比度和方向度3个纹理特征量,结合特征方差比筛选出10个强纹理特征;最后,将10个强纹理特征量作为径向基概率神经网络的输入,完成输电导线缺陷状态的识别。实验结果表明所提方法可以实现复杂背景下输电导线快速分割与缺陷状态的准确识别,为无人机巡检中输电导线的运行状态检测提供了新的思路。     

基于AI的输电线路导线断散股缺陷检测方法

针对现有方法对输电线路导线断散股缺陷检测时存在的缺陷检测准确率较低的问题,提出了基于AI技术的 输电线路导线断散股缺陷检测方法.首先对所采集的输电线路导线图像进行降噪和增强等处理;然后利用LBG算法 完成K-means算法的优化,应用改进后的算法对导线图像进行分割提取;最后采用AI技术中的卷积神经网络算法, 实现对输电线路导线断散股缺陷的检测.实验结果表明,采用所提方法对导线断散股检测时,其检测准确率均高于 ９５％,优于对比方法,具有一定应用价值.     

考虑通道实时监测的输电导线识别与三维重建技术研究

由于输电导线运维需求,需要对输电导线通道进行三维空间实时监测。在考虑导线通道实时监测的前提下,针对单目视觉无法获取深度信息导致无法对输电导线进行三维全方位监控的问题,提出了一种基于双目视觉监控的输电导线识别与三维重建的方法。针对一般情况下输电导线周围环境复杂导致输电导线难以提取,以及普通最小二乘法无法避免粗差点影响的问题,提出了一般环境下输电导线二维图像提取方案以及改进的三维拟合方法,并通过实验及实地现场验证了该方案的可行性,为输电导线实时灾害监测预警提供了良好的前期基础。     

基于交叉检验的架空导线检测方法研究

架空导线检测是电力巡检中的重要内容。传统的架空导线检测方法可以较好地识别架空导线的形态特征，但是其场景鲁棒性有限，难以排除周围环境干扰。基于深度语义分割的架空导线检测是近年来新兴的检测方法，其场景鲁棒性较好，但在实践中，此类方法的检测结果存在分割区域不连续的问题。针对以上问题，提出基于交叉检验的架空导线检测方法。首先采用马尔可夫链边缘线段检测器(Markov chain marginal line segment detector, MCMLSD)和DeepLabv3+分割网络分别对架空导线进行检测，然后设计交叉检验算法对上述2种方法的检测结果进行比较和融合，成功提取出完整的架空导线并抑制了周围环境中线段结构对检测结果的影响。实验证明该方法在天空、土地、树林等场景中均具有较好的鲁棒性，为无人机架空导线自动巡检提供了新思路，推进了该领域的发展。     

噪声背景下基于激光雷达点云数据的分裂导线自动提取与三维重建

提出了基于改进DPC算法的具有强抗噪性的分裂导线自动提取与三维重建方法。以噪声背景下的输电线路点云数据为分析对象，首先根据特征分析法滤除输电线路点云中的地物点和杆塔点，并采用K-MEANS聚类方法提取每根电力线点云；然后提出改进DPC算法实现分裂子导线点云的聚类和提取；最后采用最小二乘法实现各分裂子导线三维模型重建。并与K-MEANS算法的聚类结果进行了对比，证明了改进DPC算法的强抗噪性和鲁棒性。     

基于AI技术的无人机机载前端智能图像识别

机载前端智能图像识别是输电线路无人机巡检的关键技术之一,与传统图像识别判断方法有着本质的不同.本文基于人工智能(AI)技术实现卷积神经网络机械学习,建立了设备识别、杆塔检测、导线检测、绝缘子串检测4个模型,分别进行训练与测试.综合考虑训练时间及实际使用效率,本文推荐模型的基础训练样本量为2.5万个,对比3种不同的神经网...     

基于优化Gabor滤波器的输电导线断股图像检测

输电导线在运行中可能发生损伤、断股现象,对其进行及时检测和诊断对于保证电网的安全运行具有重要意义。现代输电线路状态检修一般采用直升机或者巡线机器人搭载视频检测装置的方式。文中提出应用Gabor滤波器对输电导线视频图像数据进行处理,实现输电导线断股的图像检测,即通过计算完好导线图像与滤波器卷积能量的输出响应、应用小生境遗传算法寻找最优的Gabor滤波器参数和分割阈值,最后通过检测图像的滤波和能量的二值化处理得到检测结果。实验结果表明,该算法能够较好地提取输电导线断股处的故障信息,具有适用性广、识别能力强、检测速度快等优点。     

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...     

基于卷积神经网络与ECOC-SVM的输电线路异物检测

输电线路悬挂异物会引发输电线路单相接地、相间短路等停电事故,因此本文提出一种基于卷积神经网络与ECOC-SVM的输电线路异物检测方法。首先,本文构建气球、风筝、塑料和鸟巢4种输电线路异物图像数据集;然后采用Otsu自适应阈值分割、形态学处理等方法提取感兴趣区域;再利用DenseNet201提取感兴趣区域的特征;最后对ECOC-SVM模型进行训练、测试与结果分析。所用方法在4类异物上的平均识别准确率可达93.3%,有助于提高输电线路运维的效率。     

基于改进 Deeplabv3+的电力线分割方法研究

针对已有的分割算法存在的复杂场景干扰大、分割不准确的问题,提出一种用于电力线分割任务的改进 Deeplabv3+ 模型。将原始主干网络替换为轻量级 Mobilenetv 2 网络,增加低水平特征,获得5路输入特征,充分提取特征信息;添加空洞 空间金字塔池化(atrous spatial pyramid pooling , ASPP )的卷积分支数量,调整空洞率,提升图像的特征抓取能力,进一步在每 个空洞卷积后加入1×1卷积操作,加快计算速度;提出一种基于坐标注意力机制的语义嵌入分支模块(coordinate attention semantic embedding branch , CASEB ),融合第2、3路特征,增强目标特征的表示;引入卷积注意力机制模块(convolution block attention module , CBAM )抑制无用信息的传递,提高模型识别效率。实验结果表明,相对于原 Deeplabv 3+模型,改进模型在 平均像素精度(mean pixel attention , MPA )和平均交并比(mean intersection over union , mloU )上分别提升2 . 37%和3 .42%, 该方法可提供更加精确的电力线分割结果。     

基于深度学习网络的输电线路异物入侵监测和识别方法

为解决输电线路异物入侵在线监测图像样本量较小的问题,针对异物图像特点,提出了一种基于深度学习的输电线路异物入侵监测和识别方法.首先选取典型正常运行输电线路图像和目标异物图像,采用条件生成对抗网络算法对有异物入侵的输电线路图像进行样本扩充.然后将Dense-net网络替代YOLOv3网络中倒数第二层网络,建立Dense-...     

基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别

针对复合电能质量扰动(power quality disturbance, PQD)识别中特征提取复杂、识别正确率低和模型难以轻量化等问题,提出一种利用递归图(recurrence plot, RP)对PQD信号可视化方法和基于知识蒸馏的模型训练方法。首先,基于RP挖掘PQD信号隐含特征并构建图像数据集,并利用深度残差收缩网络(deep residual shrinkage network, DRSN)对图像数据集进行更深层次特征提取并完成自主分类。然后,基于知识蒸馏(knowledge distillation, KD)让已训练的DRSN指导轻量化网络MobileNetV3进行训练,通过蒸馏实现知识的跨网络传输。最后,仿真实验和硬件实验表明,利用知识蒸馏训练的MobileNetV3能实现高精度且轻量化的复合扰动识别,同时在30 dB噪声环境下正确率能提升1.06%,对实际扰动信号识别效果良好,具有良好的噪声鲁棒性。     

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。     

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。     

基于改进U-Net的轻量级输电线分割算法

为了提高输电线路的巡检效率,保证输电线的分割精度和速度,本文提出基于改进U-Net的轻量级网络GU-Net。首先,以U-Net网络为基础,在编码器部分引入轻量化主干提取网络Ghost-Net;然后采用双线性插值方法完成上采样,并利用深度可分离卷积代替部分普通卷积;最后在训练过程引入多损失函数以解决输电线和背景像素占比不平衡问题,并采用迁移学习策略训练模型。在E-Wire输电线数据集上测试,GU-Net网络的MIoU和F1-score分别为80.04%和87.77%,与现有的轻量化输电线语义分割网络Wire-Detection相比分别提升了4.26%和2.96%,且分割速度几乎没有损失,参数量约是它的20%。实验结果表明,本文提出的算法能够实现快速高效、轻量化地分割出复杂图像中的输电线。     

基于大数据技术的输电线路运行故障诊断关键技术

在智能电网的建设中输电线路故障诊断是其重要组成。针对输电线路数据利用率低、上传单一等问题,在输电线路故障诊断中应用S变换和连续隐马尔可夫模型,利用S变换提取输电线路故障特征,通过各故障的特征建立连续隐马尔可夫模型,实现故障选相。通过仿真验证在不同的工作条件下该方法的有效性,结果表明,该方法具有不受故障工况改变的影响、且在较高噪音下仍能正确识别故障线路的优势,为我国输电线路故障诊断的发展提供了参考和借鉴。