基于定点化自适应选择卷积神经网络的电力缺陷识别方法

无人机(unmanned aerial vehicle,UAV)电力巡检时的图像数据量急剧增加,为使深度卷积神经网络(deep convolutional neural network,DCN-N)在低功耗的前提下仍能准确识别出电力缺陷,将重点改进传统DCNN算法,以减少机载前端平台中DCNN模型的计算成本,有效提高电...     

基于嵌入式与目标检测网络的高压线路缺陷边端识别方法

高压线路的安全运行是整个电网安全运行的基础之一,所以高压线路巡检是电网巡检工作的重中之重,但人工巡检总有盲区,从而导致高压线路缺陷无法被及时发现。针对该问题,提出基于嵌入式与目标检测网络的高压线路缺陷边端识别方法。该方法基于Mobilenet轻量化网络及SSD目标检测算法,完成高压线路缺陷边端识别,将检测出异物的图像发回云端,使巡检人员准确发现高压线路缺陷,及时进行线路巡检排查。该方法的识别准确率、样本召回率、模型大小及识别速率均可满足高压线路日常运维需求,且减少了90%的数据传输量,极大降低了之前工作人员需处理大量图像样本的压力。该方法已成功上线部署,准确指导高压线路相关的运维巡检工作。     

基于GIS技术的输电线路隐患缺陷识别方法

常规的输电线路隐患缺陷识别方法使用二维AI识别技术训练输电线路隐患缺陷样本数据,易受数据迭代作 用影响,导致识别性能较差,因此基于GIS技术设计了一种全新的输电线路隐患缺陷识别方法.利用GIS技术构建了 有效的输电线路缺陷可视化识别模型,再利用数字图像处理技术设计了输电线路隐患缺陷智能识别算法,从而完成了 输电线路隐患缺陷识别.实验结果表明,设计的输电线路隐患缺陷GIS识别方法的识别AP 性能指标较高.     

基于Cascade R-CNN算法的输电线路小目标缺陷检测方法

输电线路无人机航拍图像缺陷识别是维护线路安全运行的重要巡检手段,但目前的识别算法对于销钉、螺母等小目标缺陷存在识别精确度低、易漏判等问题。将Cascade R-CNN算法应用于输电线路缺陷检测中,利用ResNet101网络进行特性提取,增强的网络的特征提取能力,并利用多层级联检测器对输电线路小目标进行判别和分类。基于无人机航拍图像数据集进行实验,实验结果表明,相比于Yolov3检测器和Lighthead R-CNN检测器,Cascade R-CNN算法提高了小目标缺陷检测中的召回率和精确度。     

基于改进YOLOv3的输电线路缺陷识别方法

为解决在无人机巡检输电线路现场中出现的图像识别算法对硬件要求高、计算耗时长,训练集图片较少且复杂多变等问题,提出了一种基于改进YOLOv3算法的输电线路缺陷检测方法。提出了在YOLOv3原基本框架下加入空间金字塔池化(spatial pyramid pooling,SPP)模块的方法,使得该算法能在同一层内提取多尺度深度特征,以适应巡检现场输入尺寸不同、复杂多变的图片检测;提出了对添加了SPP模块的YOLOv3进行通道减少、框架瘦身的剪枝处理方法,以优化YOLOv3的轻量化性能,降低对巡检时车载服务器的硬件要求、减少计算时长。使用数量较少的输电线路缺陷图像数据集对该改进算法进行验证。测试结果表明,改进的模型对硬件依赖性较小,检测精度几乎不变,平均每步迭代时间减少了0.81 s,整体性能提升25%。     

基于深度学习的目标检测算法在电力巡检上的应用综述

面向电力巡检的目标检测是指对无人机采集到的图像进行分析,检测电力线路中的部分缺陷,从而对线路及时检修,保证电力系统能正常工作。基于深度学习的目标检测算法能高效处理大量的图片数据,其处理结果能应用于电力目标的故障诊断等任务,且众多算法的检测精度和速度都优于传统人工设计的机器学习方法。本文对基于深度学习的目标检测算法在电力巡检上的应用进行了较为全面的综述,并对比分析各种算法的优缺点,总结电力巡检领域的发展现状,还讨论了目标检测算法的未来发展趋势以及应用在电力巡检领域所面临的挑战。     

基于改进Cascade R-CNN的输电线路多目标检测

针对无人机巡检图像中小目标难以检测、障碍物遮挡目标、正负样本不平衡等问题,提出基于改进Cascade R-CNN的输电线路多目标检测方法.改进了Cascade R-CNN的特征提取网络,基于ResNet101基础网络结构,设计6层新型特征金字塔网络(FPN)与之融合,提高了对小目标、重叠目标的检测能力;引入了高斯形式的...     

基于YOLOv5的电力巡检图像缺陷识别研究

针对输电线路巡检中可能出现的裂化、老化、腐蚀、破损等诸多缺陷的情况,为保证输电线路运行的安全和稳定,文中开展了基于YOLOv5的电力巡检图像缺陷识别研究。在YOLOv5算法的基础上,结合电力巡检图像特点,采用CIOU_Loss作为Bounding box的损失函数,使其具有更快、更好的收敛效果;选用DIOU_NMS用于NMS处理,提高对遮挡重叠目标的识别精度;同时,在对数据集进行分类处理后,采用"分别训练、统一推断"的方法,冻结部分网络层权重来训练网络模型。实验结果显示,基于YOLOv5算法模型可以有效地识别电力巡检图像缺陷情况。     

基于深度可分离卷积及SVD输电线路缺陷检测

针对输电线路实时巡检中无人机嵌入式移动端的存储和计算受限问题,在Faster R-CNN目标检测框架及VGG特征提取网络基础上,融合深度可分离卷积及SVD分解,构建了一种轻量级的输电线路缺陷检测方法。在公共的PASCAL VOC 2007与COCO数据集上的实验结果验证了所提方法的优越性。在输电线路缺陷数据集上实验,在保证检测精度不下降的同时降低了模型存储空间,提升了模型的检测速度,实现了检测的实时性。     

基于双特征融合的改进 R-CNN 电力小金具缺陷检测方法研究

电力金具作为输电线路中的不可缺少的关键部件,对电力稳定传输提供了保障,一旦电力金具出现缺陷,就会带来巨大的隐患,造成输电设施的损坏甚至大面积停电事故,影响人们的生产和生活。传统的输电线路检修主要依靠人工现场进行巡检,不仅危险程度高,辨识难度也比较大。人工智能识别技术的不断进步,为电力金具的缺陷识别提供了更好的方法。目前Faster-RCNN算法的目标识别准确率高,但对于螺钉等小金具目标物体的识别率相对较低。本文首先通过双特征融合算子提取特征并进行标记后,输入引进混合注意力机制改进的Faster R-CNN模型中,进行特征再提取,融合重合度较高的特征,并进行缺陷的分类和识别,能够对电力小金具中的螺钉进行高效的辨识。实验结果表明,本文双特征融合的改进Faster R-CNN模型相较于传统的Faster R-CNN模型和YOLO模型的提升效果明显,模型的平均准确率提升了5%,平均精度提升了11%,在保障算法实时性的同时对螺钉等电力小金具具有较好的检测效果。     

基于改进YOLOv5的轻量化绝缘子缺陷检测算法

无人机巡检已经成为当下输电线路巡检的主流方式,绝缘子缺陷的检测是无人机巡检中的重要环节。因此,提出了一种基于改进YOLOv5的轻量化绝缘子缺陷检测算法。首先,使用轻量型的Ghost卷积代替普通卷积;然后,使用重复加权BiFPN（双向特征金字塔网络）替换原特征提取网络,提高网络对不同尺度的特征提取能力;最后,引入CA（坐标注意力机制）提高了主干特征提取效率。实验结果表明,绝缘子检测的平均精度值提升了1.7个百分点,模型大小减少了13.1%,改进后的算法模型在提升检测精度的同时更加轻量化,可实现绝缘子缺陷的快速检测。     

基于深度学习和无人机图像的架空线路缺陷巡检综述

架空输电线路巡检是电网运维工作的一项重要内容,运维人员利用无人机进行线路巡视检测已成为电力巡检工作中的重要手段。本研究首先概述了无人机巡检任务中人机协同作业系统以及无人机智能自主作业系统的架构;其次,分析了当前架空输电线路缺陷巡检领域数据集状况以及数据扩增技术;然后,综述了基于深度学习的无人机图像缺陷检测典型方法以及评价指标,并对比总结了各种方法的优缺点;随后,讨论了无人机图像视觉检测方法中图像采集规范、数据集形式、缺陷检测算法专业化应用等对架空线路缺陷检测效果,指出了图像检测指标和类别定义在电力巡检专业化领域中的不足;最后,探讨了基于深度学习的无人机图像缺陷巡检任务的未来发展方向。     

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...     

基于机器视觉技术的壳体表面缺陷检测研究

以自行研制开发的深海水密圆形连接器外壳体为例,本文提出了一种基于机器视觉技术的壳体表面缺陷检测方法,阐述了机器视觉技术在壳体表面缺陷图像的处理过程及特征值提取过程,并在深海水密圆形连接器产品研发中连接器壳体缺陷检测进行应用.最后,构造了运用BP神经网络进行壳体表面缺陷识别的分类器,实现了壳体表面缺陷的准确识别与分类.     

基于超分辨率重建与多尺度特征融合的输电线路缺陷检测方法

针对输电线路巡检中可能存在拍摄图像质量不高的问题,以及线路缺陷目标小而分布密集而导致传统方法检测精度不高的问题,提出一种基于超分辨率重建与多尺度特征融合的输电线路缺陷检测方法。首先,使用超分辨率网络对巡检图像进行重建,提升清晰度,丰富图像中包含的特征信息;然后使用改进的YOLOX网络检测巡检图像中的缺陷,在主干网络中嵌入卷积块注意力机制,强化模型对重叠小目标的定位能力;为进一步提升小目标的检测能力,在YOLOX的特征融合网络中新增浅层检测尺度进行特征融合;最后,通过使用CIOU优化边界框损失函数提升模型收敛能力,降低缺陷目标的漏检率。实验结果表明,所提方法能在提升巡检图像质量的基础上对输电线路缺陷准确地检测,精度达到93.27%,相比SSD等经典模型,对小而密集的缺陷目标有着更强的提取能力和鲁棒性。     

基于EfficientDet和双目摄像头的绝缘子缺陷检测

绝缘子是输电线路重要的组成部件,带有缺陷的绝缘子会对线路造成隐患,通过图像检测技术可以提高绝缘子缺陷检测的效率,大大减小维护成本.但现有的绝缘子缺陷检测技术有精度不高和检测时间过长等缺点,针对这一问题,提出了基于EfficientDet和双目摄像头的绝缘子缺陷检测方法,首先通过双目摄像头设计了一种数据集采集的方法,解决...     

基于红外热点的电力缺陷检测方法

针对直升机电力巡检拍摄到的实时红外视频序列,寻找定位高温点并实时反馈给控制系统,首先对其进行Hough变换检测输电线,然后采用Otsu自适应阈值算法对红外图像中的热点区域进行分割,提取出缺陷区域,接着利用SIFT特征匹配识别红外图像中的绝缘子,最后对缺陷进行分类和分级。实验证明该算法发热点定位准确率较高,可智能识别缺陷,减轻了人工作业负荷。     

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。