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。     

深度学习目标检测算法在架空输电线路绝缘子缺陷检测中的应用研究综述

传统架空输电线路绝缘子缺陷检测一般通过人工巡检方式进行。架空输电线路的数量增长使巡检规模更加庞大、巡检环境更加复杂,放大了传统绝缘子缺陷检测方法人力成本高、检测效率低的不足。无人机(unmanned aerial vehicle, UAV)等新型巡线方式依靠深度学习目标检测算法识别架空输电线路绝缘子缺陷,能够有效应对人工巡检的不足,是绝缘子缺陷检测的发展趋势。鉴于此,围绕架空输电线路绝缘子缺陷检测场景,首先梳理常用的深度学习目标检测算法,比较不同算法的检测策略、检测精度与检测速度;然后结合云–边–端协同架构说明算法的改进需求与相应改进方法;最后针对现有绝缘子检测方面的不足,展望了输电线路绝缘子中多类型缺陷的识别问题,并在这一研究趋势下进一步探讨了模型边缘端轻量化与针对小样本数据下的算法研究价值。     

基于YOLOv4和改进分水岭算法的绝缘子爆裂检测定位研究

近年来,航拍巡检代替人工成为了输电线路电力巡检的主要方式,而输电线路上绝缘子的完整性直接影响其供电可靠性。在复杂背景的干扰下,传统的图片处理方法往往对主体识别能力低下。针对这一问题,该文提出了一种基于YOLOv4的深度学习并结合改进的分水岭算法,对航拍绝缘子图像精确识别及缺陷检测的问题进行了研究。首先利用YOLOv4对绝缘子进行精准的识别与定位,有效弥补了传统方法在复杂背景下识别能力低下的不足;再结合改进分水岭算法对绝缘子自爆位置进行识别,该方法可以快速地识别出绝缘子主体和缺陷位置。     

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。     

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。     

改进YOLOv3模型在无人机巡检输电线路部件缺陷检测中的应用研究

针对传统输电线路无人机巡检图像检测方法存在的精度低、计算时间长和训练样本少等问题,提出了一种用于输电线路部件绝缘子缺陷识别的改进YOLOv3模型。引入K-means++算法解决小目标不敏感问题,引入Focalloss函数解决样本不均衡问题,引入Mish激活函数提高模型精度,引入注意力机制Senet提高特征提取性能。通过对改进前后模型性能的比较分析,验证了该方法的优越性。结果表明,与传统的检测方法相比,所提方法在检测速度上能够满足实时检测的需要,且检测精度最优,检测时间为0.079 s,检测平均准确度均值为94.40%。该研究能够满足输电线路无人机巡检图像缺陷自动检测的需要。     

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。     

基于深度学习的航拍图像绝缘子缺失检测方法研究

为解决目前人工处理分析无人机巡检图像效率低、检测结果受人为因素影响较大的问题,提出了一种图像识别的绝缘子缺失识别方法。首先,对无人机拍摄的图像样本进行了处理,扩充样本集。其次,搭建了绝缘子的检测模型,完成各层网络结构的选择和设计,使用CNN算法实现对绝缘子缺失的检测。随后,构建了绝缘子检测网络,并对各层检测网络参数进行配置。选择实际拍摄的图像作为训练样本进行网络训练。检测结果证实几个指标均在0.95以上,说明算法可准确识别出绝缘子。最后,利用CNN算法对航拍绝缘子进行缺陷检测。绝缘片缺失缺陷的正确识别率为86%。算法可根据检测结果自动显示绝缘子有无缺失缺陷。     

航拍绝缘子自爆缺陷的轻量化检测方法

为了精准识别、定位架空输电线路中航拍绝缘子串的自爆缺陷,提出一种轻量化检测方法 MDD-YOLOv3。首先将YOLOv3主干网络残差单元中的普通卷积替换为深度可分离卷积,设计主干网络D-Darknet53,在网络检测精度微降的情况下,大幅提升网络的检测速度。特征挖掘模块中,设计了Dense-SPP模块,Dense-SPP和它前后串联的卷积特征提取层能充分挖掘自爆缺陷的全局和局部特征,提高网络对自爆缺陷的特征表达能力。最后构建了四维度预测层,能充分提取自爆缺陷的位置、纹理和语义等信息,提高网络的小目标检测性能。仿真实验表明,MDD-YOLOv3对绝缘子的检测精确度达到96.1%,检测速度达到36帧/s,相比YOLOv3,检测精确度和速度分别提升了4.0%和28.6%。研究结果证明所提方法可以在复杂背景下快速且精准的识别和定位绝缘子缺陷。     

基于YOLOv4模型的玻璃绝缘子自爆缺陷识别方法

绝缘子是输电线路的重要元件,绝缘子缺陷会增大输电线路的故障停运风险,因此,对绝缘子缺陷状况的早期判别十分重要.本文提出一种基于YOLOv4模型的玻璃绝缘子自爆缺陷辨识方法.首先,通过无人机采集及数据增强获取大量详实的现场绝缘子图像;其次,通过采用迁移学习的训练策略训练YOLOv4网络并改进网络的输入图像以提高辨识的准确性;最后,通过实验验证改进策略提高了网络性能.实验结果表明,所提的方法可准确、有效地实现对绝缘子缺陷的辨识.     

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...     

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。     

基于特征金字塔和多任务学习的绝缘子图像检测

作为输电线路巡检中的关键技术,绝缘子的高效检测在维护输电系统安全稳定运行中发挥着重要作用.针对现有方法存在的易丢失目标位置信息,对于复杂背景下的绝缘子检测精度低等缺点,提出一种基于特征金字塔和多任务学习的绝缘子检测方法.通过融合高、低维度特征信息来构筑特征金字塔,避免目标位置等细节信息的丢失,实现复杂背景中绝缘子的高效检测;引入多任务学习算法,进一步提升模型的泛化能力,提升绝缘子检测精度.利用无人机航拍所得的绝缘子实际图像进行实验,结果表明所提方法可将绝缘子检测精度提升至95.3％,具备较高的工程应用价值.     

局部自适应复合绝缘子检测与憎水性分类网络

憎水性等级(Hydrophobicity Class,HC)是衡量绝缘子性能的重要指标之一。在实际环境的多种因素作用下绝缘子伞裙表面存在局部憎水性差异,为了准确识别绝缘子的性能,本文提出了一种基于深度学习的局部自适应绝缘子检测与憎水性分类模型。首先,通过绝缘子分割模块分离绝缘子与背景区域,为后续针对绝缘子区域的操作提供分割信息;然后将绝缘子区域划分为固定大小的图像块,在缩小分辨率减小运算难度的同时保留了绝缘子表面的细节信息;最后通过憎水性分类模块分析图像块内绝缘子的憎水性。实验使用巡检维护现场的绝缘子图片作为样本集,分阶段构建模型,分别对分割阶段和憎水性分类阶段的准确性进行评估。实验结果显示分割阶段模块能有效识别绝缘子和背景区域,交叉验证的测试集准确率均大于97.21%,并且憎水性分类阶段模块能准确分析绝缘子憎水性,对140幅测试图片的识别准确率达到98.65%。经过实验证明本文提出的模型在复杂自然环境中检测绝缘子性能是一种有效的解决方案。     

基于改进MPEG-7纹理特征的绝缘子图像识别

绝缘子的良好状态保障着电力系统的安全运行,绝缘子的状态监控也是未来电力系统智能监控中的一个重要问题,因此开发无人飞行器的输电线路巡视系统具有重要的意义。笔者首先在分析数字图像预处理方法的基础上,采用图像灰度化、对比度增强和图像去噪三个步骤对绝缘子图像进行预处理;随后利用MPEG-7边缘直方图法对绝缘子纹理特征提取与识别,并在此基础上对原始的MPEG-7边缘直方图进行优化和改进,很大程度上提高了识别的准确性。大量实验结果表明,该方法能在稍复杂背景下有效的识别出图片中绝缘子。     

基于跨连接卷积神经网络的绝缘子检测方法

针对电力设备图像中绝缘子所占比例较小和容易漏检的问题,提出了基于跨连接卷积神经网络的绝缘子检测方法。首先,通过在区域建议网络将网络后三层的卷积层分别和全连接层连接,使得这三层的卷积特征同时送入分类层和回归层,从而得到一系列高质量的绝缘子候选区域;将得到的候选区域映射绝缘子检测子网络,通过将得到的感兴趣区域特征送入级联的Adaboost分类器,实现对绝缘子的检测。对所提出跨连接卷积神经网络生成的候选区域进行了评估,并对不同的绝缘子检测方法进行了对比实验。实验结果表明,该方法得到的候选区域召回率高且更集中于绝缘子所在位置,绝缘子检测准确率比常规方法高出10%。所提方法能较好地对复杂背景图像中不同大小的绝缘子进行有效识别和精确定位。     

基于改进Canny算子的绝缘子裂纹检测研究

为解决绝缘子图像中由于背景的复杂性 导致边缘检测 存在噪声及伪目标问题,提出了基于二维阈值分割的Canny算子边缘优化法。首先,在HSI颜色空间通过对S分量进行强化,有效弱化背景,突出绝缘子目标;其次,针对传统canny算子在提取绝缘子边缘时由于部分噪点突出导致检测裂纹的精度较低,提出对Canny算子中的阈值选取进行改进,采用二维直方图灰度-局部方差法对经预处理的图像进行阈值处理。所提改进算法能够有效优化绝缘子航拍图像处理结果,提高检测绝缘子裂纹准确率。