基于深度学习的无人机电网巡检缺陷检测研究

由于无人机电网巡检存在检测区域面积小、背景复杂、计算量大等特点,导致深度学习算法的准确率和实时性难以实现。为实现无人机电网巡检的准确、快速识别,分析了各类深度学习算法在复杂环境下对绝缘子的检测效果,提出了一种基于YOLO v3的目标检测算法。首先选用ResNet18作为主干网络结构,然后构建一个多尺度特征金字塔,将其与主干网络进行融合,形成深度融合的电网巡检绝缘子检测模型,可在提高检测准确率的同时,满足实时性的检测要求。实验结果表明,YOLO v3网络的均值平均精度(mAP)达98.10%,相比于Faster R-CNN提高了6.71%;其每秒检测帧数高达47.52帧,分别是R-CNN和Faster R-CNN的25倍和12倍。所提的YOLO v3网络具有更优的识别精度和检测速度。     

基于Faster R-CNN的复合绝缘子憎水性分析研究

定期对复合绝缘子的憎水性进行检查,及时更换严重老化的复合绝缘子,是保障电网安全稳定运行的关键。为实现无人机图像拍摄后复合绝缘子憎水性的准确判别,提出一种基于候选区域的快速卷积神经网络绝缘子憎水性分析方法,利用训练得到的Faster R-CNN深度神经网络模型精确定位复杂背景中的复合绝缘子伞裙,通过位置修正提取其中水迹信息区域,最后送入图像分类卷积神经网络完成憎水性等级的判定。测试结果表明,该方法在无人工参与的情况下,能在复杂背景图像中准确定位复合绝缘子伞裙水迹区域,憎水性等级判定结果达到了较高的准确率。     

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。     

基于样本扩充的Faster R-CNN电网异物监测技术

电网公司的巡检工作主要依靠人工完成,需要大量人力物力,且实时性较差。针对该问题,提出一个基于区域推荐卷积神经网络的图像目标监测系统,其中核心算法为Faster R-CNN算法。利用深度学习对摄像装置所采集的现场图像进行分析,执行目标检测任务,若发现威胁电网安全运行的隐患将及时通知工作人员。深度学习发挥其优势需要有效样本达到一定数量,包含隐患的真实样本较少,有些异物种类甚至没有合适的样本,往往不能满足深度学习算法的训练要求。因此研究了一种用于扩充样本的样本生成算法,将隐患目标与背景图像按照一定规则进行融合,达到批量扩充样本集的目的。使用该算法生成的样本进行测试,测试结果表明扩充后的训练集可以使系统性能得到一定提升。此外,通过测试发现,对训练集做一定的预处理可以提升模型的识别性能。     

基于样本扩充的Faster R-CNN电网异物监测技术EI北大核心CSCD

电网公司的巡检工作主要依靠人工完成,需要大量人力物力,且实时性较差。针对该问题,提出一个基于区域推荐卷积神经网络的图像目标监测系统,其中核心算法为Faster R-CNN算法。利用深度学习对摄像装置所采集的现场图像进行分析,执行目标检测任务,若发现威胁电网安全运行的隐患将及时通知工作人员。深度学习发挥其优势需要有效样本达到一定数量,包含隐患的真实样本较少,有些异物种类甚至没有合适的样本,往往不能满足深度学习算法的训练要求。因此研究了一种用于扩充样本的样本生成算法,将隐患目标与背景图像按照一定规则进行融合,达到批量扩充样本集的目的。使用该算法生成的样本进行测试,测试结果表明扩充后的训练集可以使系统性能得到一定提升。此外,通过测试发现,对训练集做一定的预处理可以提升模型的识别性能。     

基于改进YOLOv4及SR-GAN的绝缘子缺陷辨识研究

为了精准地识别无人机巡检图形中的小目标绝缘子及缺陷,本文提出了一种基于改进的深度学习目标检测网络(YOLOv4)的输电线路绝缘子缺陷检测方法.首先,通过无人机航拍及数据增强获得足够的绝缘子图像,构造绝缘子数据集.其次,利用绝缘子图像数据集训练YOLOv4网络,在训练过程中采用多阶段迁移学习策略和余弦退火学习率衰减法提高网络的训练速度和整体性能.最后,在测试过程中,对存在小目标的图像采用超分辨率生成网络,生成高质量的图像后再进行测试,以提高识别小目标的能力.实验结果表明,与Faster R-CNN和YOLOv3相比,所提算法在平均分类精度和每帧检测速率方面均有较大提升,性能表现优异.     

电厂安全帽佩戴安全性监控的智能图像处理方法

立足于电厂安全管理现状,针对部分人员不按规定佩戴安全帽进入电厂作业区域造成安全隐患问题,对基于图像智能处理的安全帽佩戴检测技术开展研究。设计一种安全帽佩戴检测方法,通过掩膜区域卷积神经网络(mask region convolution neural network,Mask R-CNN)深度学习算法对作业人员图像分析,采集5000张安全帽佩戴照片样本作为训练图集,对其进行预处理,再由改进的特征金字塔网络算法(feature pyramid networks,FPN)进行神经网络训练。对于测试集500张图像分析结果表明,结合改进的FPN算法和ResNet-101作为主干网络的Mask R-CNN模型能够有效实现对安全帽佩戴与否及佩戴错误的检测,模型精确率为0.971,召回率为0.973,均值平均精确度为0.970,获得较准确的电厂应用场景下安全帽佩戴安全性检测效果。     

基于Faster R-CNN模型的绝缘子故障检测

绝缘子是电力系统中用来支撑电线和电气隔离的重要器件,对输配电线路绝缘状态的在线检测意义重大。针对现阶段人工判别航拍图像的不足,提出基于Faster R-CNN的绝缘子图像故障检测方案,阐述了卷积神经网络特征提取的原理,构建基于Faster R-CNN的绝缘子检测模型,利用无人机航拍的绝缘子图像及故障样本,对检测模型加以训练与测试,分别进行绝缘子分类检测实验和绝缘子故障定位实验。实验结果表明,所提出的绝缘子故障检测方法能够准确对绝缘子进行检测与分类,并定位出故障位置,且达到实时性要求。     

基于编解码器的电力施工场景可控图像字幕生成

电力施工场景图像字幕生成采用基于深度学习的编解码技术理解图像信息，并转换为文字描述输出，从而预警安全隐患，丰富了传统图像分析技术的输出形式。传统图像字幕生成方法缺乏可控性且细节描述不充分，针对电力施工场景图像描述的研究匮乏。为此，该文提出一种基于编解码器的可控图像字幕生成优化方法。引入新的特征提取模型，以FVC R-CNN(faster and visual commonsense region-convolutional neural network)模型作为编码器，提取图像的显著特征和视觉常识特征，并改进激活函数以得到改进的基于M-tanh的长短时记忆(M-tanh long short-term memory,MT-LSTM)神经网络用于特征解码，最后通过多分枝决策策略优化输出。在Ubuntu 16.04和PyTorch深度学习框架下对电力场景描述数据集进行了训练和测试，实验结果表明图像字幕生成准确率不仅得到显著提高，而且增强了场景描述的可控性，可有力提升电力施工现场的安全管理智能化水平。     

AFDCNN方法及其在齿轮故障定量诊断中的应用

传统的浅层故障诊断方法需要根据先验知识人为选取故障特征和设计分类器,基于深度学习理论的深度卷积神经网络(deep convolutional neural network,DCNN)能够完成对故障特征的自适应提取与健康状况的智能诊断,但是作为一种大数据处理工具,DCNN无法适应于小样本数据的故障诊断。在Fisher准则深度卷积神经网络识别算法(fisher-based deep convolutional neural network,FDCNN)的基础上提出了一种自适应Fisher准则的深度卷积神经网络(adaptive fisher-based deep convolutional neural network,AFDCNN)方法。在DCNN的基础上引入类内和类间约束的能量函数模型并采用优化算法得到最优能量函数模型参数,能够直接从原始时域信号中自动提取故障特征,实现智能诊断。对齿轮故障实验信号的分析结果表明,所提出的方法可以有效地实现小样本下的齿轮故障智能定量诊断。     

基于深度学习的输电线挂接地线状态目标检测

针对输电线路挂接临时接地线时用手持设备获取的图像存在接地线区域占比小、间隔近、不易精准识别的现场实际问题,提出了采用改进Faster R-CNN法实现接地线目标识别的解决办法.通过在原始Faster R-CNN方法的基础上将卷积网络的低层和高层特征图均送入RPN中实现多尺度目标检测,并对非极大值抑制进行改进,将改进后的...     

基于改进Faster R CNN的光伏电池内部缺陷检测

光伏电池近红外图像中复杂异构背景使内部缺陷检测成为一项极具挑战性的问题,为此,提出了一种基于深度学习的目标检测框架-残差通道注意力Faster R-CNN(residual-channel-attention-faster R-CNN,RCA-Faster R-CNN),该网络通过卷积层-池化层提取图像特征,再送入新颖...     

多旋翼无人机巡检图像的部件识别应用

随着多旋翼无人机(UAV)在电力巡线作业中的应用推广,对多旋翼无人机巡检图像的信息挖掘或目标识别需求也越来越强烈.目前Fast-RCNN和Faster R-CNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进识别目标的分类器,使目标的检测和识别几乎实时.本文详细描述了Faster...     

一种基于可见光巡检图像的杂草智能识别方法

目前电力巡检主要是采用无人机巡检的方式,针对无人机巡检获取的图像识别过程中,电力设备旁的杂草可能会造成安全隐患,需要对图像中的杂草进行识别。针对电力巡检的场景,提出了一种基于可见光巡检图像的杂草智能识别方法,以可见光巡检图像中杂草的特征为基础,结合卷积神经网络方法,解决可见光巡检图像中电力设备附近的杂草识别问题。通过对图像进行样本数据增广和预处理,接着引入区域生成网络,再对图像提取固定个数候选框的图像特征,和改进的图像分类网络连接在一起,得到最终的卷积神经网络模型。实验表明其准确率可以达到97.98%,检测一幅600×600大小图像需要花费的平均时间约为0.256 s,在保证了准确率的同时达到了高效识别的要求。     

融合迁移学习的绝缘子缺陷分级检测方法

针对Faster R-CNN算法对复杂环境下的小样本绝缘子缺陷检测精度不高的问题，本文提出了一种融合迁移学习和主体局部的绝缘子缺陷分级检测方法。整个方法使用融合残差模块和特征金字塔结构的卷积神经网络作为骨干网络进行特征提取，用于适应不同尺度的缺陷目标，保留更多有效信息。首先使用迁移学习的方法改善对缺陷所在绝缘子主体的检测效果；然后对检测出的绝缘子主体进行自动裁剪来改善复杂背景对缺陷区域检测的影响，使得模型能够更有效地挖掘出缺陷特征；最后将裁剪后的缺陷绝缘子局部图像送入第二阶段进行训练，进一步提高模型准确率。通过对无人机航拍采集的绝缘子缺陷图像进行检测实验。结果表明，本文方法相较于Faster R-CNN基线模型平均精度提高了37.5%，达到了89.6%。在对自爆和破损检测上，精度分别提高了34.9%和60.2%。     

基于改进的Faster R-CNN的电力部件识别

传统的图像识别方法不能有效地检测出电力部件的具体位置,同时在干扰物较多的场景下识别准确率较低。针对上述问题,提出来一种改进的Faster R-CNN的电力部件识别算法,使用深度卷积网络自动从图像中提取最适合电力部件特征。Faster R-CNN方法,利用"Hot Anchors"代替均匀采样的锚点来避免大量额外的计算,提高检测效率。最后,21检测框架被修改成4类电力部件检测。实验结果表明:改进的Faster R-CNN的电力部件识别算法,在检测效率和准确率方面分别提升了16.1%和3.8%。     

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。     

一种改进的基于卷积神经网络的绝缘子检测算法研究

针对现场中采集的绝缘子图像存在目标图像大小尺度不一,以及拍摄角度所造成的目标图像相互遮挡等因素而导致误检或漏检等问题,提出了一种改进的基于卷积神经网络的绝缘子图像检测方法。采用轻量化的ZF网络实现特征提取;确定优化的锚窗比例提升目标图像的检测精度;对NMS后处理算法进行了改进,提出多阶段的惩罚因子算法,适应于多尺度、多比例、绝缘子重叠遮挡等复杂情况。实验结果表明,改进后的Faster R-CNN的检测方法将AP由0.797 7提高到了0.905 8,显著地提升了绝缘子目标图像的检测精度,降低了绝缘子的漏检和误检的概率。     

模糊神经网络应用于巡检机器人路径规划及绝缘子视觉图像处理

目前变电站巡检机器人广泛应用于变电站巡检过程中,主要巡检高压电力设备绝缘子、均压环等外部配件。在巡检过程中,机器人配备红外成像仪、紫外成像仪存储高压电力设备光子分布图、温度分布图,建立设备红外与紫外图像数据库。一方面,机器人在巡检过程中应有效规避变电站较高电场强度区域,在巡检过程中应以最短距离遍历变电站典型高压电力设备,且机器人机械臂可有效进行图像多角度采集。另一方面,在图像采集过程中应实现机器人对设备绝缘子、均压环图像区域分割、聚焦和光子采集操作,且应用深度学习方法实现采集图片与原始图像库的自动匹配比较,判别高压电力设备运行状态进而发现潜伏性绝缘故障。其中最短低场强路径与遍历设备路线应用免疫蚁群算法自动实现,且图像数据库深度学习与自动匹配模块应用模糊神经网络实现。联合免疫蚁群算法与模糊神经网络应用于变电站巡检机器人路径规划及视觉图像后处理,对于变电站高压电力设备智能巡检具有一定理论和工程指导价值。     

基于改进Faster-RCNN的输电线巡检图像多目标检测及定位

针对输电线巡检图像受光线、环境和拍摄角度等因素影响,图像中的电气设备呈现低分辨率和多形态化特征的问题,提出一种基于改进Faster-RCNN的巡检图像多目标检测及定位方法。该方法首先通过区域建议策略网络生成若干目标候选区域;然后基于实际巡检图像样本库,对卷积神经网络进行训练,以改善参数学习效果;最后利用正则化方法优化参数权重,提高检测速度,得到适应巡检图像多形态化特征的改进型Faster-RCNN模型。实际场景数据集测试结果表明,相比于数字图像处理、浅层机器学习、单阶法、双阶法、Mask-RCNN和Local Loss目标检测方法,所提改进型Faster-RCNN能够在不同分辨率和不同位置角度的巡检图像场景下保持较高的识别精度和速度,具有较高的工程实用价值。