一种输电线路边、端协同检测方法和系统实现

输电线路在日常运行中受环境等因素影响会出现不同程度的配件老化、破损,导致输电、负载能力无法满足运营安全需求。为解决传统人工桥检作业难度大、检测时间长、工作空间受限等问题,提出一种基于无人机和深度学习的一体化输电线路巡检系统。系统基于卷积神经网络技术,采用YOLOv7目标检测算法对无人机采集的图像进行检测。首先通过事先设计的飞行路径和实时拍摄采集图像,其次传送到事先部署于无人机边缘盒子中的目标检测模型进行检测,最后将检测结果通过边缘盒子发送至使用者的APP。     

基于无人机的输电线路设备识别方法研究

利用无人机进行输电线路巡检是近几年国内外研究的热点技术之一,其优点是在无需拉闸断电的情况下,即可对输电线路进行检测,对其故障进行判别。根据输电线路设备的特征,应用图像处理与模式识别技术,提出了一种识别绝缘子、防震锤和输电塔的方法。该方法先采用中值滤波、膨胀和腐蚀等方法对灰度化后的航拍图像进行预处理,然后提取预处理后图像的小波特征值,最后采用AP（Affinity Propagation）聚类方法对目标图像进行分类与识别。实验结果表明,所提出的方法能够有效的识别绝缘子、防震锤和输电塔等目标,具有较好的鲁棒性和准确性。     

基于EfficientDet的输电线路破损防振锤检测

随着人工智能尤其是深度学习技术的快速发展,无人机巡检与图像识别技术在电网输电线路破损防振锤检测中发挥着重要作用。文中构建了一种基于改进EfficientDet深度神经网络模型的破损防振锤检测模型。采用先目标检测后分类判别的方法实现输电线路中的破损防振锤识别,基于目标各要素之间的相互关系判别技术,优化了背景干扰所产生的误识别问题。使用细节特征提取来判断拍摄倾角并去除倾斜角度过大的目标。实验结果表明,文中所提改进EfficientDet目标检测模型的mAP为51.16%,准确率与召回率分别为93.3%、91.8%,均优于其他目标检测模型。同时,破损防振锤的分类准确率与召回率分别达到85.4%、81.7%,由此验证了所提方法的准确性与实用性。     

基于深度卷积神经网络的输电线路可见光图像目标检测

为了检测输电线路可见光图像中的塔材、玻璃绝缘子和复合绝缘子,本文采用了一种基于深度卷积神经网络的技术。通过有人直升机搭载高清相机拍摄19条不同的输电线路近600张图片,对图片中的背景、塔材、玻璃绝缘子和复合绝缘子目标进行人工标注及分块,采用数据扩展生成包含15万个样本的输电线路图像库。构造5层深度卷积神经网络,首先用Cifar-100数据集对网络进行预训练,然后用输电线路图像库进行网络调优。本文方法在检测真阳率为90%时,假阳率低于10%,明显优于传统方法,可用于输电线路可见光图像中的塔材、玻璃绝缘子和复合绝缘子检测,检测结果可用于诊断参考或进一步的目标状态分析。可对输电线路可见光图像中的塔材和绝缘子目标进行检测,并可扩展到其它类型目标的检测。     

基于图像识别的无人机输电线路绝缘子故障检测方法研究

针对绝缘子的自爆缺陷故障,基于图像识别技术,设计并实现了一套无人机输电线路绝缘子故障检测方法。该方法依次进行图像色彩转换、图像载入和预处理、OTSU或最大熵值分割法分割以及绝缘子轮廓检测工作,实现了对绝缘子间无明显重叠和有明显重叠图像的前景提取与识别功能;采用基于空间序列关系建立的特征检测算法,实现对图像中部无明显重叠绝缘子的自爆缺陷故障检测和定位工作。经测试,自爆缺陷故障检测和定位准确率较高,速度较快,具有一定的应用价值,并能为类似绝缘子故障的检测研究提供参考。     

一种基于SIFT-BOW模型的绝缘子图像识别方法

目前无人机对电力输电线路进行巡检已经成为电网巡线的重要方式。为提高无人机巡检图像中的绝缘子的识别准确率和速度,提出了一种基于SIFT-BOW(Scale-Invariant Feature Transform-Bag of Word)模型的绝缘子识别方法。首先利用选择性搜索算法在完整巡检图像中提取出候选区域;然后在候选区域内提取SIFT特征,利用BOW模型对SIFT特征进行表示;最后使用支撑向量机(SVM)在候选区域内进行目标的识别。实验结果显示:该方法对白色陶瓷绝缘子样本的识别准确率达89. 3%,对白色陶瓷绝缘子样本的识别的速度约为10 ms/张,对完整航拍图像的识别速度约为3. 6 s/张,较好地兼顾了识别准确率与识别速度。     

基于高斯尺度空间GHT的绝缘子红外图像识别方法

绝缘子作为输电线路中用量庞大的部件,其状态对输电线路的稳定运行至关重要。针对现场红外图像中绝缘子的识别问题,设计了一种高斯尺度空间GHT方法,基于此,提出了一种基于高斯尺度空间GHT的绝缘子红外图像的识别方法。首先利用形态学方法滤除图像中的小块和噪音,基于Canny检测算子提取图像边缘;然后对模板进行高斯尺度空间分解,将分解结果和输入图像进行基于GHT的模板匹配;最后结合绝缘子的形状特征值识别出绝缘子。实验结果表明该方法可以准确地识别出绝缘子,并为后期绝缘子的故障诊断提供依据。     

基于Matlab GUI的绝缘子缺陷检测系统

绝缘子在输电线路的电能输送任务中承担着重要作用,而依靠传统巡检的绝缘子检测方式存在主观性强、人工成本高等劣势。针对上述问题,基于Matlab GUI设计了一种对无人机采集绝缘子图像进行自动缺陷检测的系统。通过对图像进行边缘模糊、灰度化、全局腐蚀、形态学闭运算等处理,在初始图像中识别并定位绝缘子缺陷部分。实验结果表明,该系统对空间位置处于水平、垂直及倾斜的缺陷绝缘子识别准确率分别为80.0%、86.7%、86.7%,对实际运用具有一定价值。     

基于GAN的改进RPN输电线路细小金具缺陷检测方法

输电线路在常年使用过程中会受到外界环境的影响,各种部件可能出现不同程度的破损,这给电力系统的稳定运行带来了巨大挑战,因此,输电线路各部件的检测对电力系统稳定运行起着关键作用。随着无人机巡检的广泛应用,基于机器视觉和深度学习的目标检测技术在输电线路缺陷检测领域得到了应用。针对输电线路细小金具图像质量差、样本数量少及类别不平衡而导致缺陷识别精确度低的问题,提出了一种基于GAN的改进RPN输电线路细小金具缺陷检测方法。利用生成式对抗网络（Generative Adversarial Networks, GAN）理论搭建了深度卷积网络的细小金具图像生成模型,通过生成器和判别器生成目标图像,丰富训练样本数据集,再基于Faster-RCNN目标检测网络训练细小金具缺陷识别模型;其次将Faster-RCNN中基于交叉熵的RPN分类损失替换为Focal loss,并保留所有前景及背景anchors来训练RPN,提高了细小金具中困难负样本在Faster-RCNN的区域建议网络（Region Proposal Networ, RPN）中的分类损失权重。实验结果表明,论文所提方法能够显著提高缺陷识别精确度,对电力巡检智能化缺陷诊断具有一定的参考价值。     

基于无人机的输电线路工程图像采集研究

输电线路一体化图像监拍装置易受到恶劣天气的影响,导致其采集到的图像不清晰.针对该问题,提出了基于无人机的输电线路工程图像采集方法.在组建并连接无人机工程图像采集装置的基础上,设置无人机航拍的航高、相片重叠度、航线等参数,通过调整参数达到最佳拍摄效果.通过天线接收传输数据,并利用倾斜摄影测量技术构建三维模型,获取图像像素...     

基于感知组织的输电线路结构识别方法

为了提高输电线路缺陷诊断正确率，有效降低各种复杂背景纹理及光线对识别输电线路结构的影响，从Gestalt感知理论着手，研究一种多感知识别输电线路结构的方法。在图像识别的底层，提取不同方向、不同宽度的线段，研究了一种融合计算Gestalt定律的近似性、连续性、共线性的多级搜索算法，获得显著的、完整的输电线路人造对象轮廓；在图像识别的中层，研究一种基于分块与合并的计算方法能视觉感知近平行线、近对称交叉的结构，设计了一个三级分类器感知聚类平行线组；在图像识别的高层，研究输电线路的知识模型，建立识别输电线路组成结构的约束机制，进而从语义上唯一地识别输电线路的结构。通过无人机巡检采集的输电线路图像，验证这种方法能有效识别输电线路组成的杆塔、导线、地线及绝缘子所在区域。     

基于图像识别的无人机输电线路断股检测系统设计

针对传统的输电线路人工沿线巡检方式成本高、效率和安全性低等缺陷,基于图像识别技术,设计并开发了一套实时的无人机输电线路断股检测系统。该系统利用输电线路直线特征,使用Laplacian算子对输电线路进行边缘检测,经闭运算、二值化运算后得到光滑边缘;使用改进后的霍夫变换与区域种子点获取和生长提取无人机实时拍摄的输电线路图像;最终,根据输电线路的宽度变化判断是否存在断股缺陷。该系统实际使用效果良好,能够明确显示断股缺陷信息,并能为相关输电线路的断股缺陷检测技术提供参考。     

基于可见光、热红外及激光雷达传感的无人机图像融合方法

随着电力供电可靠性要求的不断提高,电力巡线技术正在向自动化、智能化方向发展。无人机技术以其便捷的操作、精准拍照及图像识别等优点,正广泛应用于电力巡线技术领域。基于激光雷达实现无人机跟随导线飞行,进行线路通道巡检,提出一种基于改进卷积神经网络的可见光与热红外方法,通过采用可见光与热红外图像的融合,以识别出输电线路和障碍物信息,实现对输电线路故障的自动检测。通过对运行线路的实际巡视,输电线路故障的自动检测发现率达90%以上。结果验证了提出的无人机图像融合技术及故障自动检测技术的有效性及可行性。     

输电线路中的智能识别技术应用

基于案例项目,阐述输电线路智能识别在电力系统中的应用,技术方案、制定机巡输电图像缺陷样本标准、巡数据的输电线路智能缺陷识别算法、图像数据智能处理。     

220kV线路耐张线夹断裂原因分析及建议探究

目前,220kV及以上高压输电线路多使用耐张线夹固定避雷器、输电导线到非直线杆塔耐张绝缘子串,实现线路转角、导线接续以及高线线路终端辅助减震、连接和保护。耐张线夹一旦失效,将会导致线路中断,引发重大安全事故。详细分析了220kV线路耐张线夹断裂原因分析,对耐张线夹结构失效机理进行阐述。以后输电线路巡检过程,应结合无人机、DR工业射线图像缺陷识别等技术,加强线路巡检,确保高压输电线路运行安全。     

基于智能预警技术的输电线路在线巡视方法

针对常规技术对输电线路在线巡视效率低下、误差率高的问题,提出了基于智能预警技术的输电线路在线巡视方法,设计一套基于5G通信和无线数据通信技术的输电线路在线智能预警系统,通过ARM+DSP双核处理器实现输电线路故障识别。采用无人机技术实现高空输电线路巡检,通过改进型蚁群算法模型实现输电线路故障检测,并设计了故障检测定位技术,利用融入行波定位技术的蚁群算法模型提高了输电线路在线巡视能力。实验表明,方法定位精确、误检率低,具有一定的实际应用价值。     

基于红外图像识别的输电线路故障诊断方法

基于红外图像研究了输电线路的故障诊断方法,首先采用LSD线段检测法提取红外图像中的导线,采用深度卷积神经网络提取红外图像中绝缘子,从而得到线路元件区域。在线路元件区域内进行温度和灰度分析提取发热点,并利用漫水填充算法对过热区域进行分割,提取骨架扫描点数、有效凸缺陷、引流线对缺陷类型进行识别。实验证明该算法有较高发热点定位准确率和缺陷类型识别准确率。     

基于无人机图像的输电线自动提取技术

对输电线路的检测能够确保电网的安全运行,利用无人机图像实现输电线准确、快速的提取是实现电力巡检的前提。本文提出了一种基于无人机图像的输电线自动提取方法,能够从复杂的背景图像中完成输电线的有效识别。首先,采用Ratio算子提取出电力线像素,并结合Hough变换对直线段进行检测;然后,根据输电线路几何特征设计了完整输电线合成算法。由无人机图像试验可知,本文所提出的输电线自动提取方法能够有效排除复杂背景信息的干扰,实现输电线位置的准确识别。     

基于双通道图像的电力设备智能监测技术研究

以目前变电站电力设备故障监测为背景,以变电站绝缘子为对象,利用机器视觉技术,重点开展了基于双通道的图像采集技术、电力设备目标识别以及红外感兴趣区域(ROI)自动定位测温技术的研究。通过硬件设计获取双通道(可见光、红外)图像信息,建立了绝缘子数据库,利用Mask R-CNN算法对绝缘子进行有效识别,利用红外测温技术对红外ROI区域进行自动测温,搭建了一套基于双通道图像的电力设备智能监测系统。实验结果表明:本文提出的算法可以实现精确的绝缘子目标识别,为电力设备的智能监测提供了可行的视觉监测技术途径。     

航拍图像中玻璃绝缘子自爆缺陷的检测及定位

在分析输电线路无人机巡检系统航拍图像中绝缘子及其自爆缺陷特征的基础上,提出一种玻璃绝缘子自爆缺陷的检测及定位方法。该方法首先在色调、色饱和度、亮度(HSI)颜色空间分别对 H(Hue)和 S(Saturation)分量运用最大类间方差法(OTSU)分割图像,获取绝缘子前景连通域;之后,运用直方图方法对检测到的前景轮廓的倾角和面积分布进行统计,准确识别绝缘子轮廓;最后,设计了一种特征检测算法,检测并标记自爆绝缘子位置。实验证明该方法能从自然背景中准确检测并定位绝缘子自爆缺陷,具有较好的工程应用价值。