基于改进卷积神经网络的电力设备红外图像分类识别方法

随着电力设备故障诊断技术的不断发展、红外测温诊断技术不断成熟,如何快速有效地对各类电气设备红外测温图像进行分类识别,是今后故障诊断智能化发展的关键环节之一。通过对红外测温图像分类识别方法进行研究,提出了一种基于改进卷积神经网络的电力设备红外图像分类识别方法。首先,通过旋转、翻转等方法对收集的红外图像进行数据增强;然后,建立基于改进MobileNetV2的电力设备红外图像分类识别模型,将电力设备红外测温图像通过迁移学习进行加权训练,利用Focal Loss函数改进神经网络的损失函数;最后,通过Softmax分类方法实现电力设备红外图像分类识别。试验表明,使用改进MobileNetV2的分类识别模型对电力设备红外图像进行分类识别的总平均准确率为92.62%,红外图像检测速度为116 f/s,具备较好的收敛速度与识别能力,为电力设备智能巡检提供了新思路。     

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...     

基于YOLO的无人机电力线路杆塔巡检图像实时检测

无人机巡检已成为电力线路灾后巡检的重要方式。然而,目前的无人机巡检仍主要通过人工方式评估线路灾损,不仅费时费力,而且准确率低。提出了一种基于深度学习算法（YOLO）的实时目标检测模型,用于灾后根据无人机巡检视频实时检测电力杆塔的状态。通过对倒断类杆塔图像进行数据增广,解决了杆塔类别不平衡问题。通过使用K-means算法对杆塔数据集的目标框进行重新聚类,改进了YOLO算法参数。测试结果表明,该模型能有效检测多种环境下多种尺度的杆塔目标。改进后的模型在测试集上的召回率和交并比（IoU）较改进前有所提高,且平均均值精度（mAP）达到94.09%,检测速度达到20帧/s。此外,也对更快的简化版YOLO模型进行了测试,检测速度能达到30帧/s。     

基于RetinaNet的变压器图像小部件智能识别方法

变电站巡检图像中变压器小部件的自动识别是利用变压器图像进行变压器外观异常缺陷识别的基础。为了提高变压器小部件的识别准确性,提出了一种基于RetinaNet的变压器小部件识别方法。首先,对图像目标检测网络Retina Net进行改进,加入分辨率更高的融合特征图,以解决变压器小部件包含的像素信息过少的问题。然后,提出一种基于位置关联性的变压器小部件概率修正方法,利用识别难度相对较小的大部件位置与相应的小部件之间的位置关联信息,对小部件检测框的预测概率进行修正,以避免其他外形相似部件对目标部件识别的干扰。最后,通过实际变电站巡检图像对变压器小部件识别方法进行实验验证。结果表明,所提出的变压器小部件识别方法在变压器三类小部件的识别准确率以及整体识别准确率上,都具有比较显著的优势。     

基于图像监控的变电所智能巡检系统研发

目前在电力行业应用的变电所图像监控系统为通用型图像监控系统,非针对电力系统所设计,不能满足智能电网发展的需求。文章提出的基于图像监控的变电所智能巡检系统,是针对电力行业生产的特殊性,在当前通用型图像监控系统基础上进行二次研发的智能巡检系统,代替人工巡检,实现变电站智能化巡检功能。实践结果证明,该系统满足当前电力行业生产的需求,不仅减轻运维人员的工作量,提高其工作效率,带来了良好的经济效益,并且在危险区域启动特巡功能,降低巡检人员的安全风险。     

基于R-FCN的航拍巡检图像目标检测方法

航拍巡检是输电线路巡检的主要方式之一,目前的航拍巡检方式效率较低,受巡检员主观因素影响大,亟需一种智能检测算法自动定位并识别输电线路巡检图片中的故障。基于深度学习的航拍巡检图像目标检测技术作为一种可能的解决方案,得到了广泛关注。提出了一种利用基于区域的全卷积网络(R-FCN)的航拍巡检图像目标检测方法,并利用在线困难样本挖掘(OHEM)、样本优化、软性非极大值抑制(Soft-NMS)等改进方法进行优化。实验证明,所提方法具有目标定位准确、平均准确率高、单模型可同时检测目标种类多等特点。     

一种变电站智能巡检机器人的仪表图像空间变换算法

针对变电站智能巡检机器人的仪表识别问题,提出了一种基于SURF的图像空间变换算法。首先,对建模图像仪表区域和待识别图像进行SURF特征提取;其次,采用KNN算法和双向匹配对所提取的特征进行筛选,提取优质匹配点对;最后,利用随机采样一致性算法(RANSAC)计算得到投影矩阵,从而能将待识别图像转换到建模图像空间,为后续识别提供便利。变电站实际测试结果表明了该算法的有效性。     

基于毫米波雷达传感器RAI图像的手势识别方法

针对现有的手势识别方法存在数据集过少、利用特征信息较少和神经网络部分提取信息不充分的问题,提出一种基于毫米波雷达传感器RAI图像的手势识别方法。首先使用TI公司的IWR1443毫米波雷达传感器采集10类手势数据构建数据集,再通过对手部反射的雷达信号进行时频分析,获取固定帧数的RDI和RAI。为了充分提取手势特征并精确分类,在卷积神经网络基础上,引入了残差块和通道注意力块。实验结果表明,相较其他特征如RDI,RAI能更准确的表征手势,所提出的网络相比于CNN方法准确率提高了12.72%,相比于VGG16-Net和单参数VGG16-Net方法准确率提高了8.93%与10.41%,参数量降低了90.68%,时间复杂度降低了17.2%。     

一种基于特征位移的手势识别方法

针对卷积操作受到遍历规则的限制,只能提取单个骨骼节点的特征信息,不能对相邻节点之间的有效特征信息进行融合,导致表达能力有限的问题,提出了一种基于特征位移模块的手势识别神经网络。该网络采用常规时空图卷积神经网络的架构,并将常规时空卷积模块替换为特征位移模块,实现相邻节点特征信息之间的融合。利用特征位移模块对位移信道进行重新排序,实现提取骨骼节点的全局化特征信息,进一步完成对手势信息的高效准确分类。并在公开数据集DHG-14/28和FPHA上验证该特征位移模块,在14类、28类和FPHA手势数据集的分类准确度分别达到了95.11%、93.01%和92.67%。实验结果表明,该网络模型能够更好更有效的挖掘全局特征信息,在常见的手势识别数据集上达到了优秀的性能。     

基于 AI 的无人机电网智能巡检方案研析

实现电力巡线的规范化、智能化和自动化是电力巡线业务发展的终极目标。简述了电力巡线的发展历程,同时分析了人工智能赋能电力巡线行业的可行性,提出了"无人机巡检+AI智能分析"处理方案,并对人工智能与电网深度融合进行了展望。     

基于深度学习和图像识别的电力配件智能出入库

针对电力配件种类繁多、型号各异,依靠射频识别(radio frequency identification,RFID)技术开展电力配件出入库管理,不能覆盖所有电力配件,容易出现出入库、退库不准确、效率低,以及出入库电力配件质量不满足生产要求的问题,开展基于机器学习和图像识别的电力配件智能识别研究.首先采用灰度处理、二值...     

基于FPGA的电力巡线无人机硬件加密通信方法

电力巡检无人机无线通信主要依赖跳频通信机制予以防护,攻击方可监听单频点获取跳频序列进行破解,夺取无人机控制权。针对专业级巡线无人机作业场景下的安全防护需求,提出了基于现场可编程门阵列（field-programmable gate array,FPGA）的硬件加密通信与认证防护方法。该方法模仿智能电表硬件加密通信方式,为无人机配置嵌入式加/解密模块（embedded secure access module,ESAM）;在无人机起飞配对时,将该无人机的密钥传输至遥控器,并按所给密钥进行FPGA重编程,飞行控制中即可实现基于ESAM模块和FPGA对称硬件加密方式的身份认证与加密通信,保障专业级巡线无人机的安全。所提方法在无人机端及遥控器端均为硬件加/解密,可满足无人机实时指令响应速度需求。     

基于卷积神经网络的视频大数据智能预警分析

大数据时代的到来对电力视频监控应用提出了新的要求,现有的电力视频监控系统基本只承担了远程录像机的作用,视频监控系统在主动预警方面的能力仍然没有体现,变电站仍然不够"智能"。基于卷积神经网络技术,先从现有的视频监控平台中提取出原始视频素材,利用视频云存储平台进行存储和video2pic工具进行数据清洗;然后将现场隐患行为进行分类分析并标记;最后通过特征提取、分类器模型训练和验证,实现对现有视频监控智能化升级。通过对视频大数据的挖掘实现对现场情况的实时智能预警分析,实现对变电站违章作业和营业厅不规范服务行为的自动挖掘、实时预警以及智能推送,摆脱对人工值守的依赖,在降低人力投入的同时提升电力生产安全管控能力和优质服务水平,使电力视频监控系统能充分发挥其"监"与"控"的作用。     

基于神经网络的交互式炉膛火焰图像识别

炉膛火焰燃烧状态监测的关键技术之一是炉膛火焰图像的分类和识别。由于炉膛火焰燃烧过程的复杂性，使得准确反映炉膛火焰燃烧状态的火焰图像特征参数难以确定，在用神经网络训练方法构造分类器时，神经网络的收敛速度和识别的准确性不能同时满足实际要求。文中提出了交互式火焰图像识别方法,改善神经网络的分类识别性能。在神经网络的构造过程中，将人对神经网络分类器构造结果的评价信息反馈给网络，使其根据反馈信息进一步修正分类器。由于将人工的修正信息引入到分类器构造中，加快了神经网络的收敛速度，提高了神经网络识别的准确性。对4 000幅火焰图像的实验显示了此方法的有效性。     

视频图像智能识别技术在输变电系统中的应用研究综述

电网的数字化建设催生海量的数据,视频图像智能识别技术在输变电系统中的设备环境视频监控、无人化巡检等应用场景中,以强大的图像数据价值萃取能力引起广泛的关注.因此,首先介绍视频图像智能识别技术的基本概念和基本研究框架,总结在电力输变电系统中常用的图像识别技术;然后从面向电网设备和环境安全监测的智能巡检以及面向人身安全监控的...     

融合多维度特征的绝缘子状态边缘识别方法

针对传统的绝缘子状态识别方法存在实时性差、特征提取能力不足的问题,基于边缘计算的思想,提出了一种融合多维度特征的绝缘子状态边缘识别方法.利用云边协同和边边联邦协同的联合技术手段,构建了绝缘子状态的边缘识别框架.设计了一种融合多维度特征提取的深度学习网络,该网络采用ResNet101作为主干特征提取网络,使用Incept...     

基于改进Xception方法的绝缘子识别

为了对无人机航拍巡检中的绝缘子是否含有缺陷进行准确识别,改进了Xception分类识别方法。首先,利用resize函数将无人机拍摄下的图片进行缩放处理至合适尺寸,并采取数据增强技术扩充样本;其次,将Xception的池化层和输出层进行改进至更适合绝缘子复杂情况下的分类识别,并在验证集上对模型的参数进行对比确定,使模型性能最佳 ;最后,改进的Xception方法在数据集上与 4种图像分类算法进行比较。实验结果表明,在数据集上改进的Xception方法的准确度和每秒处理图片张数都有一定提升。     

基于仿真大数据的电网智能型超前安全预警技术

电网安全预警是保证电网安全稳定运行的重要手段。首先介绍了"分析型"电网安全预警技术的现状,并简要分析了目前遇到的问题。接着提出了基于仿真大数据的"智能型"电网超前安全预警技术,分析了将纯"模型驱动"模式变革为"模型-数据混合驱动"模式的可行性与优越性。该技术在广东电网的初步应用效果良好。     

基于机器人的变电站开关状态图像识别方法

结合500kV超高压智能变电站实际建设工程,基于尺度不变特征变换(SIFT)、霍夫(Hough)变换、k-NN(k nearest neighbor)等算法,提出并研发了一种变电站专用智能机器人。研发的机器人能自动识别断路器、各种形式隔离开关的位置状态。同时,基于IEC 61850标准对断路器、隔离开关位置状态信息进行标准建模,实现与变电站监控后台倒闸操作模块无缝通信连接,为户外敞开式智能变电站"一键式"顺序控制倒闸操作,以及超高压变电站无人值班和远程操作的实现创造了前提条件。还对恶劣天气条件下断路器、隔离开关失真图像的恢复做了初步研究与探索。通过国内某500kV智能变电站的实际工程验证了所提出方法的有效性和高效性。     

基于卷积神经网络的电力操作票文字识别方法

为提升电力操作票文字识别的准确度,提出了一种CBTR(基于卷积神经网络的文字识别)方法。首先,基于卷积神经网络学习得到非线性映射函数,提升操作票图像的PSNR(峰值信噪比);然后,基于假想笔画、路径签名与8方向特征构建集成卷积神经网络模型,使用简单平均法计算分类结果,克服手写字体识别难题。最后,选择DLQDF, MCDNN, DeepCNet作为基准方法,使用实际运维检修中操作票图像样本集进行算法验证。结果表明CBTR方法能准确识别操作票图像文字,具有显著的性能优势。