基于无人机图像的输电线断股与异物缺陷检测方法

为提高无人机(UAV)巡检输电线路的效率,提出一种基于线结构感知的输电线断股与异物缺陷的检测方法。由于无人机巡检的图像受背景纹理及光线影响较大,采用能检测线宽度的水平与垂直方向的梯度算子提取巡检图像上的线对象,进而研究感知定律中的共线性、近似性、连续性的计算,将断续线段连接成长的线段,通过长线段的平行性计算,识别出输电线路结构中显著的平行导线组。为识别导线上安装的防振锤与间隔棒连接部件,提出一种基于局部轮廓特征的形状部件识别方法。在识别出这些连接部件的基础上,对导线进行分段分析,计算分段导线的宽度变化、灰度相似度来检测导线上的断股与异物缺陷。通过对无人机巡检采集的输电线路图像的测试,验证了这种方法在复杂的背景条件下能有效地检测导线上断股与附着异物缺陷。     

一种新的直升机巡检系统电力线提取算法

在分析了直升机巡检航空图像中的高压电力线的特征的基础上,针对传统的边缘检测算法不能有效地提取电力线的问题,提出了一种新的直升机巡线系统电力线提取算法.首先用基于统计模型的ratio算子检测直线像素点,然后用局部Modified HT变换和全局Hough变换相结合的方法提取直线.实验结果表明,该算法能够从复杂的自然背景中完整地提取电力线,并且具有很好的噪声抑制能力,电力线完整提取率达90%.文中的研究为利用航空摄影测量的方法来获取电力线的高度提供了保障,具有较好的工程实用价值.     

无人机航拍图像中电力线检测方法研究进展

随着各大电力公司对无人机（unmanned aerial vehicle,UAV）巡检的大力推广,“机巡为主,人巡为辅”已成为我国电力巡检的主要运维模式。电力线检测作为电力巡检的关键技术,在无人机自主导航、低空避障飞行以及输电线路安全稳定运行等方面发挥着重要作用。众多研究者将输电线路的无人机航拍图像用于线路设备识别与故障诊断,利用机器视觉的方法在电力线检测技术研究中占据主导地位,也是未来的主要发展方向。本文综述了近10年来无人机航拍图像中电力线检测方法的研究进展。首先简述了电力线特征,阐明了电力线检测的传统处理方法的一般流程及所面临的挑战;然后重点阐述了使用传统图像处理方法及深度学习方法的电力线检测原理,前者包括基于Hough变换的方法、基于Radon变换的方法、基于LSD （line segment detector）的方法、基于扫描标记的方法及其他检测方法,后者根据深度卷积神经网络（deep convolutional neural network,DCNN）的结构不同分为基于DCNN的分类方法及基于DCNN的语义分割方法,评述各类方法的优缺点并进行分析与比较,与传统图像处理方法相比,深度学习方法能更有效地实现航拍图像中的电力线检测,并指出基于DCNN的语义分割方法在电力线目标智能识别与分析中发挥着重要作用;随后介绍了电力线检测的常用数据集及性能评价指标;最后针对电力线检测方法目前存在的问题,对下一步的研究方向进行展望。     

EDLine与改进光流法线路异物智能检测

为提高无人机电力故障巡检效率,提出一种结合边缘绘制线(edge drawing line,EDLine)特征提取算法与改进光流法的输电线路异物智能检测方法。鉴于背景纹理对航拍图像的影响,研究一种基于矩阵的线段融合算法以解决EDLine线段检测的断续问题,根据多特征约束提取输电线路区域。为有效识别异物,利用动量因子改进光流算法迭代收敛速度,根据光流信息检测异物故障。对无人机巡检图像的测试结果表明,该方法在复杂背景或异物不明显时均可有效检测出异物。提出检测算法准确度高、鲁棒性强,保证巡检的时效性。     

基于视觉方法的输电线断股检测与机器人行为规划

输电线维护机器人用于代替人工完成危险作业,准确的故障检测与合理的行为规划对于作业效果至关重要.针对以上需求,采用视觉方法,提出了一种基于图像特征分类的输电线断股检测方法.该方法提取边缘梯度向量作为图像特征,采用支持向量机方法进行分类运算完成线路断股检测.在断股检测的基础上,利用断股检测信息与机器人传感器测得的信息构建机器人状态向量.根据当前状态向量,结合机器人断股补修作业流程,提出了面向捋线与压接复杂作业的机器人断股补修作业行为规划方法.利用实验室模拟线路开展实验,验证了提出的输电线断股检测及行为规划方法的有效性.     

基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障,应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术,结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务,结合电力线图像特点嵌入改进的图像输入策略和注意力模块,提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy, SIFS）,充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module,SAM）聚焦电力线特征,从大量信息中快速筛选出高价值信息。实验结果表明,该方法在复杂背景的多场景中具有良好的性能。     

复杂地物背景下的电力线提取方法

随着无人机航拍在电力线巡检领域的快速发展,提取航拍影像中的电力线成为巡检工作的前提和基础,如何从背景复杂的航拍影像中提取出完整的电力线,成为电力线巡检中亟待解决的问题。在利用Canny算子提取图像边缘、Hough变换生成破碎直线段的基础上提出一种根据电力线的几何特征恢复完整电力线的算法。利用实际航拍影像进行实验验证,结果表明算法可以在复杂的背景中提取出完整且位置准确的电力线,实验结果稳定,对电力线巡检工作具有重要意义。     

无支撑环PET瓶盖封装质量在线检测方法

对无支撑环聚对苯二甲酸乙二酯(PET)瓶盖表面异物及防盗环连接桥断裂缺陷检测方法进行了研究.采用基于色度饱和度纯度(HSV)颜色空间变换法来克服三原色(RGB)图像中瓶盖表面灰度不均、异物特征不明显的缺点,并利用色度图像对异物区域进行了有效分割.针对连接桥断裂区缝隙小,灰度分布存在突变的特点,采用动态阈值分割算法:通过均值滤波获得背景区域,将待检图像与背景图像进行比较并设置动态阈值,进而分割出断裂区域.实验及实际应用表明:系统检测准确率达到了99％以上,检测速度可达1.2万瓶/h,能够满足生产线在线检测要求.     

一种自然人工对象识别与诊断的方法

为了能有效提高识别自然人造对象并诊断其缺陷的效率,提出了一种基于改进的形状上下文实现采集图像和样本图像匹配的方法。该方法对采样图像进行轮廓均匀采样并改进其形状上下文,将采样图像与样本图像进行匈牙利匹配,计算出所有匹配点间欧式距离。对采样图像进行TPS变换,计算匹配点间的欧式距离;根据TPS变换前后匹配点间距离变化比例判定样本图像与采样图像是否是同类图像;在同类图像的基础上计算形状上下文距离,根据匹配代价衡量匹配点集中匹配上的点数实现图像的缺陷诊断。该方法同时实现了图像识别与缺陷诊断,实验结果较好,能应用到架空输电线路直升机巡检系统中。     

基于双目视觉的选煤厂用胶带输送机表面异物检测

目前所采用的选煤厂用胶带输送机表面异物检测方法在实际应用时,由于选煤厂内外因素影响,导致对于不同类别的异物识别和分类精度低。针对该问题,提出一种基于双目视觉的选煤厂用胶带输送机表面异物检测方法。设计了基于双目视觉的输送带异物检测装置,将摄像机与工业相机组合成双目视觉系统,系统采集图像后,利用中值滤波算法对图像进行去噪,获取稳定的图像信息。采用YOLOv3进行异物识别预测,计算边界框和锚框数值信息,并根据上述数值信息调整计算定位准确度,实现异物检测。实验结果表明：与传统的基于Mask＿R-CN的检测方法相比,提出的方法对胶带输送机表面异物的识别筛选准确率超过96.2%,分类准确率超过97.6%。     

基于无人机图像的输电线检测方法

在无人机应用于输电线巡检背景下,为了方便后续的输电线故障检测与分析,提出一种新的基于无人机图像的输电线检测方法.首先,通过Otsu获取高低阈值的方法改进Canny边缘检测算法,用于提取输电线图像边缘;然后,通过数学形态学方法处理边缘检测得到的二值图像,并用分式查表法改进的Hough变换对数学形态学处理后的图像进行直线段检测;最后,提出线-线空间信息分析的方法,对检测出来的直线段进行筛选和拟合.通过在无人机图像上的实验结果表明,本文提出的输电线检测方法是一种性能良好的基于无人机图像的输电线检测方法.     

一种两点间直线搜索的输电线检测方法

在无人机应用于输电线巡检背景下,为了方便后续的输电线故障检测与分析,提出了一种两点间直线搜索的输电线检测方法。首先,通过方向可控滤波器对无人机图像进行分割。然后,通过所提出的基于圆搜索(CBS)直线段检测方法进行直线段检测。最后,通过所提出的连接算法进行直线段连接。通过在人造图像上的直线段检测实验,证明该方法是一种有效的直线检测方法。随后,通过在实际场景的无人机图像上进行实验,证明该方法是一种有效的输电线检测方法。     

输电线路部件视觉缺陷检测综述

随着我国电网系统的不断发展，基层巡检作业负担越来越重，运维成本越来越高，如何实现输电线路部件缺陷的智能化检测变得愈发重要。同时，由于国家《新一代人工智能发展规划》的提出和国家电网"数字新基建"的部署，人工智能应用于电力设备运维的相关技术得到了快速发展，对输电线路部件视觉缺陷准确检测成为亟待解决的关键问题之一。早期基于图像处理和特征工程的部件视觉缺陷检测方法对图像质量的要求较高，无法真正应用于现实复杂的输电线路作业环境；随着深度学习的兴起，基于深度学习的检测模型可以有效地将部件目标及其缺陷从复杂的输电线路航拍图像中提取出来，既节省了人工设计特征的时间，又在性能上达到了显著提升，因此逐渐成为主流研究方法。本文首先描述了基于传统算法的输电线路关键部件视觉缺陷检测技术，回顾了深度学习的发展过程并分析了深度学习在缺陷检测领域的优缺点；围绕输电线路上3个重要的部件：绝缘子、金具以及螺栓，介绍了其定位与缺陷检测的研究现状；分析了输电线路部件缺陷检测中研究的样本不平衡问题、小目标检测问题、细粒度检测问题等几个关键问题；分析了符合电网巡检任务复杂场景需求和故障诊断标准的输电线路部件缺陷检测技术的未来发展趋势。     

高铁接触网异物侵入的机器视觉检测方法

接触网是沿铁路线上空架设的为电力机车供电的输电线路,接触网上附着的鸟巢等异物将对列车运行造成安全隐患。目前主要是通过人工检查的方式对接触网异物进行检测并清除,这种方式不仅成本高,效率低,往往不能及时排除安全隐患。为了对接触网异物进行及时有效的检测,同时降低人力成本,针对高铁运行环境的固定结构化特征,综合运用计算机视觉、深度学习等技术对铁路入侵异物进行实时检测。首先基于LSD直线段检测算法获取鸟巢可能出现的感兴趣区域;其次利用YOLOv3网络在ImageNet上进行训练得到一个预训练权重,并使用人工标注的数据集继续训练网络直到网络收敛;最后使用训练好的网络对感兴趣区域存在的鸟巢进行检测。实验结果表明,最终得到的平均检测精度为0.89,平均检测速度为38?f/s,可以实现对异物目标的准确实时检测。     

一种脆弱线路缺陷的图像智能检测算法设计

配电线路稳定运行可以有效提升电力系统有序性,脆弱线路缺陷是引起配电网连锁故障停电的主要原因。以人工为主的识别方法存在明显缺陷,在无人机的辅助下,设计了一种脆弱线路缺陷图像自动检测方法。通过构建脆弱线路数据集,以输电线路的脆弱性综合指标为依据,辨识配电网脆弱线路。建立配电网脆弱线路缺陷特征分类标准,利用图像增强技术提升脆弱线路缺陷图像成像效果。采用对比度受限自适应直方图均衡方法均衡脆弱线路缺陷图像的色彩和反差,结合小波变换对均衡后的脆弱线路缺陷图像进行降噪处理。运用卷积神经网络将降噪后的脆弱线路缺陷图像输入至卷积层完成脆弱线路缺陷自动检测。通过实验测试发现：提出方法的召回率最高为89.32%,精确率最高为98.20%,错检率最低为0.98%,能够最小范围识别脆弱线路缺陷,充分证实了提出算法检测效率较高。     

磁瓦表面缺陷机器视觉检测与识别方法

针对磁瓦生产过程中表面缺陷检测的重要性和人工检测的弊端,研究基于机器视 觉的磁瓦表面缺陷自动检测与识别方法。为解决磁瓦表面缺陷种类多、对比度低、图像中存在 磨痕纹理背景和整体亮度不均匀等难点,定义扫描线梯度,其标准差与扫描线灰度标准差构成 特征向量,提出基于两类支持向量机的图像分割方法来判别和提取缺陷;并提出一种改进的多 类支持向量机方法,对缺陷进行分类识别,解决了多类支持向量机存在不可分区域的问题,提 高了分类器的准确性和有效性。实验结果表明,该方法能准确快速地提检测磁瓦表面各区域的 各类缺陷,检出率可达到96%以上,识别率超过91%。     

水下人造目标线特征快速检测算法

为了从水下复杂场景中快速检测人造目标,提出了一种在图像小波变换低频子带上进行直线实时检测的算法。首先,利用小波变换确定显著线特征检测的合适尺度;然后在确定的低频子带小图像上进行边缘检测,利用梯度直方图和迭代法相结合自适应确定边缘检测的分割阈值,得到显著特征的边缘点;再利用改进的Hough变换检测人造目标的直线特征;最后在原始图像上标记出直线检测的结果。实验结果表明:提出的算法可以准确检测出水下复杂背景中人造目标的直线特征,并且具有良好的实时性,满足水下人造目标视频检测的应用要求。     

两级上下文卷积网络宽视场图像小目标检测方法

目标检测和识别已经在输电线路巡检中被广泛采用。由于图像数据量大,小目标分辨率低,现有的图像金字塔、特征金字塔和多异构特征融合等方法虽能准确地检测目标,却非常耗时,因而快速、准确地检测宽视场图像中小目标仍是一个挑战。此算法提出一个两个Faster-RCNs级联的上下文宽视场小目标检测卷积网络,首先,针对降分辨率的宽视场图像,利用一个Faster R-CNN来检测目标的上下文区域,然后,针对上下文区域对应的高分辨率原始图像,利用Faster R-CNN来检测来小目标。我们用航拍输电线路图像数据集进行了目标检测试验,试验结果表明,小目标检测方法达到了88%的检测精度,比单级Faster R-CNN检测方法具有更高的准确率。     

基于机器学习算法的光伏组串故障诊断技术研究

常规缺陷检测方法中,主要依据光伏电站面板异常状态数据检测面板缺陷,检测结果存在着一定的随机性,导致缺陷检测结果不清晰。因此,利用了无人机影像技术,设计了光伏电站面板缺陷检测方法。提取出图像中的缺陷特征,结合无人机影像技术,通过灰度共生矩阵将缺陷图像与完整图像分割开来,识别可见光图像缺陷位置,并将缺陷图像放在光伏面板缺陷检测模型中进一步检测,使图像纹理特征与形状特征高度融合,从而实现光伏电站面板缺陷的精准检测。采用对比实验的方式,验证了该检测方法的检测置信度更高,检测精准度随之升高,能够应用于实际生活中。