一种无人机在线喷涂绝缘子RTV质量评价方法

针对无人机在线喷涂绝缘子RTV涂层的问题,提出一种基于计算机视觉和深度学习模型的喷涂质量评价方法。构建语义分割模型提取图像中绝缘子RTV喷涂区域,将提取的区域进行网格划分生成子图像块,再将每个图像块送入神经网络分类模型进行缺陷检测和分类,最后结合模糊评价手段,按照各类子图像块所占的面积比例来生成评定分数,实现喷涂质量的评价。经实验验证,所提方法能准确有效地检测喷涂缺陷,生成的评价结果符合运检标准,满足实际生产需要。     

RTV防污闪涂料在西安电网的应用研究

对西安电网未喷涂RTV涂料的绝缘子和喷涂RTV涂料的绝缘子进行了防污闪性能对比研究,将绝缘子表面泄漏电流的测量结果与当地气象情况相结合进行了跟踪测量,涂料喷涂RTV绝缘子的防污闪性能优于未喷涂RTV涂料的绝缘子,其效果在多风少雨的季节尤为显著。     

绝缘子室温硫化硅橡胶涂层热波模型及其涂覆质量无损检测方法

绝缘子室温硫化硅橡胶（RTV）涂层的涂覆质量是评价其应用效果的重要指标,涂覆施工过程中引入破损、杂质、脱粘、厚度不均匀或不达标等,各种形式缺陷,将严重影响绝缘子外绝缘性能,给设备安全可靠运行带来隐患。该文提出一种基于光热辐射热波检测的RTV涂层涂覆质量无损检测技术,该方法通过分析试件在可控光热激励下的表面瞬态温度场得到其内部结构信息。首先建立绝缘子RTV涂层热波模型并进行求解;对RTV涂层典型缺陷进行了检测,并利用主成分分析和独立成分分析增强缺陷信号;最后从热波响应相位谱中提取最小相频二次方根倒数特征用于定量表征RTV涂层厚度。研究表明,该方法可以实现绝缘子RTV涂层涂覆质量的快速、准确、非接触检测,具有广阔的应用前景。     

基于协同深度学习的二阶段绝缘子故障检测方法

针对现有绝缘子故障检测模型受航拍图像中复杂背景干扰导致准确率低的问题,提出一种基于协同深度学习的二阶段绝缘子故障检测方法.该方法将全卷积网络(FCN)与YOLOv3目标检测算法相协同,第一阶段,利用FCN算法对航拍图像预处理,设计跳跃结构融合浅层图像特征与深层语义特征,构建8倍上采样的绝缘子分割模型,结合图像像素逻辑运算,实现绝缘子目标的初步分割,避免背景区域对绝缘子故障检测的干扰.在此基础上,第二阶段构建YOLOv3模型进行绝缘子故障检测,以深度神经网络Darknet-53作为特征提取器,借鉴特征金字塔思想,在三个尺度的输出张量上对绝缘子故障进行标记和类别预测,保证模型对不同尺寸的绝缘子故障准确检测.利用K-means++聚类算法优化YOLOv3的锚点框参数(Anchor Boxes),进一步提升检测精度.实验结果表明,基于协同深度学习的二阶段方法能够有效克服复杂背景的干扰,在绝缘子故障检测中平均准确率(MAP)高达96.88％,较原始YOLOv3算法MAP值提升了4.65％.     

基于Mask R-CNN的复合绝缘子过热缺陷检测

针对当前基于复合绝缘子红外图的过热缺陷检测技术中存在的工作量大、智能化程度低,以及传统的图像分割方法在复杂背景下分割不精确且泛化性能差的问题,提出了一种基于实例分割网络MaskR-CNN的复合绝缘子过热缺陷检测方法.首先,该方法为提高分割精度,借鉴CascadeR-CNN的思路对MaskR-CNN网络进行改进,并在模型...     

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%。     

基于轻量级MobileNet-SSD和MobileNetV2-DeeplabV3+的绝缘子故障识别方法

当前的深度学习算法多存在模型参数量大、对硬件要求较高等方面的问题,难以嵌入到无人机等移动设备。为了使无人机搭载轻量级模型对架空输电线路中的绝缘子进行故障识别,提出了一种轻量级MobileNet-SSD目标检测网络与轻量级MobileNetV2-DeeplabV3+图像分割网络相结合的绝缘子自爆故障识别、分割方法。该方法首先利用MobileNet-SSD对绝缘子进行精确分类及定位,再结合MobileNetV2-DeeplabV3+语义分割算法对绝缘子自爆图片进行分割。实例表明:该方法能够快速地识别出绝缘子,并可以对各种复杂背景下的自爆绝缘子进行准确分割,同时具备模型参数量小、效率高、鲁棒性强等特征,可在一定程度上满足无人机的嵌入式应用要求,提高基于无人机对架空输电线路的巡检精度和实时性。     

基于红外图像分割与SSA-SVM的复合绝缘子缺陷检测方法

为了准确快速地识别出交直流复合绝缘子的缺陷类型,本文提出一种基于红外图像分割和麻雀搜索算法(SSA)优化支持向量机(SVM)的交直流复合绝缘子缺陷检测方法.首先,制作复合绝缘子短样,并设置四种不同类型的模拟缺陷,分别施加交流电压和直流电压,采用红外热像仪测量得到正常和缺陷复合绝缘子的红外图像样本;然后,利用最大类间方差法对图像进行阈值分割得到绝缘子区域,由此计算红外特征量,并使用Fisher准则进行特征选择;最后,采用SSA优化的SVM模型实现对绝缘子缺陷类型的识别.结果表明,实验室条件下该方法对交直流复合绝缘子的缺陷类型识别正确率达87％以上,且对现场交流复合绝缘子缺陷的初步识别效果良好.     

RTV涂层对220kV绝缘子表面电场分布的影响研究

为了预防电力系统污闪事故,重污秽地区的输电线路绝缘子表面通常喷涂室温硫化硅橡胶防污闪涂料,以提高输变电设备的外绝缘性能。带电运行的玻璃或瓷绝缘子串表面电场成"U型"分布,两端电场强度高、中间区域低。为了解RTV涂料对绝缘子表面电场分布的影响,本文利用电磁场仿真工具对未涂覆RTV涂层的绝缘子串、新涂覆RTV涂层的绝缘子串以及使用一段时间出现老化状况的绝缘子串进行仿真计算;并在实验室条件下实测了沿串电压分布,对仿真结果加以验证。仿真与试验结果表明,RTV涂料对绝缘子串的片电压分布影响很小。相同条件下RTV涂层的老化状态并不影响其沿串电压分布情况。绝缘子表面电场分布受绝缘子表面状态的影响不大,主要还是受绝缘子自身电容分布的影响。     

基于多尺度特征融合的绝缘子缺陷检测

绝缘子缺陷检测对于保障电网安全稳定运行具有重要意义。由于绝缘子缺陷区域的像素信息少、形状尺寸不一,造成识别效果不佳问题。为解决此问题,提出了一种基于多尺度特征融合的绝缘子缺陷检测网络（MSD2Net）。在该网络中,采用残差注意力网络用于获取不同分辨率的绝缘子缺陷特征,设计了基于反卷积和多分支检测的多尺度特征融合网络将深层特征图与浅层特征图逐步融合,生成更加丰富的图像语义信息,用于实现目标的分类与位置回归,并结合Focal损失和高斯非极大抑制方法进一步提升检测效果。在变电站绝缘子缺陷数据集和输电线路CPLID公开数据集上进行测试,结果表明所提方法具有较好的检测性能与泛化能力。     

局部自适应复合绝缘子检测与憎水性分类网络

憎水性等级(Hydrophobicity Class,HC)是衡量绝缘子性能的重要指标之一。在实际环境的多种因素作用下绝缘子伞裙表面存在局部憎水性差异,为了准确识别绝缘子的性能,本文提出了一种基于深度学习的局部自适应绝缘子检测与憎水性分类模型。首先,通过绝缘子分割模块分离绝缘子与背景区域,为后续针对绝缘子区域的操作提供分割信息;然后将绝缘子区域划分为固定大小的图像块,在缩小分辨率减小运算难度的同时保留了绝缘子表面的细节信息;最后通过憎水性分类模块分析图像块内绝缘子的憎水性。实验使用巡检维护现场的绝缘子图片作为样本集,分阶段构建模型,分别对分割阶段和憎水性分类阶段的准确性进行评估。实验结果显示分割阶段模块能有效识别绝缘子和背景区域,交叉验证的测试集准确率均大于97.21%,并且憎水性分类阶段模块能准确分析绝缘子憎水性,对140幅测试图片的识别准确率达到98.65%。经过实验证明本文提出的模型在复杂自然环境中检测绝缘子性能是一种有效的解决方案。     

基于深度学习的绝缘子缺失检测方法研究

绝缘子缺陷严重影响输电线路安全,航拍图像绝缘子缺失的有效识别是无人机线路巡检。提出一种轻量级网络的绝缘子缺失检测模型,使用轻量级网络MobileNetV3替换YOLOv4模型的CSPDarknet53网络。以分割性能和计算速度为判据,综合分析比较了YOLOv4模型和使用轻量型网络对其主干网络替换后的模型在绝缘子缺失检测上的性能,实验结果表明：筛选的YOLOv4-MobileNetV3轻量级网络绝缘子缺失检测模型能够准确定位图像中单、多目标绝缘子;改进后YOLOv4-MobileNetV3检测模型比原模型的体积减少了78%,FPS提升了4.85 f/s,而mAP仅降低0.6%。提出的绝缘子缺失检测方法能够满足无人机电力线路巡检的需求。     

基于深度学习的航拍图像绝缘子缺失检测方法研究

为解决目前人工处理分析无人机巡检图像效率低、检测结果受人为因素影响较大的问题,提出了一种图像识别的绝缘子缺失识别方法。首先,对无人机拍摄的图像样本进行了处理,扩充样本集。其次,搭建了绝缘子的检测模型,完成各层网络结构的选择和设计,使用CNN算法实现对绝缘子缺失的检测。随后,构建了绝缘子检测网络,并对各层检测网络参数进行配置。选择实际拍摄的图像作为训练样本进行网络训练。检测结果证实几个指标均在0.95以上,说明算法可准确识别出绝缘子。最后,利用CNN算法对航拍绝缘子进行缺陷检测。绝缘片缺失缺陷的正确识别率为86%。算法可根据检测结果自动显示绝缘子有无缺失缺陷。     

基于多尺度上下文感知的绝缘子缺陷检测网络

针对巡检图像中绝缘子缺陷尺度不一造成检测效果不佳的问题,提出了一种基于多尺度上下文感知的绝缘子缺陷检测网络,称为上下文感知缺陷检测网络(context aware defect detection network,CAD²Net)。该网络采用ResNeSt101架构提高了对图像的特征提取能力。设计了改进特征金字塔结构,构建不同分辨率的丰富语义特征图,以更好地检测不同尺度的目标。同时,在网络的检测单元中增加感受野自适应(adaptive receptive field,Ada-RF)模块聚合多尺度上下文信息,生成更具辨别力的特征,改善网络对不同尺度目标的检测效果。在随机生成缺陷的样本集及公开数据集上的平均检测精度分别达到91.7%及91.0%。结果表明：所提出的缺陷检测网络能够对不同尺度绝缘子的缺陷进行准确识别与定位。     

基于YOLO v4优化的航拍绝缘子缺陷图像检测模型

针对现有绝缘子缺陷检测模型检测精度低、实时性差和网络参数多的问题,提出了一种基于YOLO v4改进的绝缘子缺陷检测模型。首先,利用改进的VGG卷积神经网络实现了主干特征提取。其次,在加强特征提取网络和预测网络中引入深度可分离卷积,降低了模型的复杂度。再次,在加强特征提取网络中融合通道注意力机制对重要特征进行增强,提升了模型对绝缘子缺陷的目标辨识能力。最后,以平均精度、帧率、参数量等作为评价指标,对基于公共数据集CPLID构建的新数据集进行了消融实验和对比实验。实验结果表明,改进的YOLO v4模型对绝缘子缺陷的检测精度为98.35%,相比于传统的YOLO v4模型提高了6.4%,并且其检测速度和参数量分别为传统YOLO v4模型的1.5倍和37.5%,可实现对航拍绝缘子缺陷图像的高精度实时有效检测。同时,改进的模型相比YOLO v5-M和Faster R-CNN模型在检测精度,速度和模型复杂度上也更具优势。     

变电站用RTV涂料自动喷涂装备研制

室温硫化硅橡胶(RTV)防污闪涂料是提高输变电设备外绝缘性能的有效技术手段之一。现场喷涂主要采用人工喷涂方式,操作工人的喷涂经验、喷涂工艺直接影响到RTV后期运行性能。本文针对人工喷涂RTV所导致的涂层厚度不均匀、流淌等现象,开发出适用于站内支柱绝缘子的自动喷涂装置。该装置通过设置喷枪运行姿态,实现喷枪整体的圆周、上下、摆动三维运动。喷涂后现场检测调试发现,人工喷涂厚度在不同取样位置差异较大,而自动喷涂厚度则相对较均匀,自动喷涂装备能有效提高RTV喷涂质量和效率。     

基于ConvNeXt和注意力机制的绝缘子自爆故障检测方法

为了更加准确地识别和定位架空线路绝缘子的自爆故障,保障电力系统安全稳定运行,提出一种基于ConvNeXt和注意力机制的目标检测算法,可用于无人机、巡检机器人等设备拍摄的可见光图像中绝缘子自爆故障检测。首先,使用一种新型卷积神经网络ConvNeXt作为主干网络,使用1∶1∶1∶3的阶段模块数量比例,增强网络对抽象语义特征的提取能力;其次,使用跨阶段局部连接结构,减少网络参数量和计算复杂度,丰富网络梯度连接;最后,引入卷积注意力机制,增强网络对复杂背景中目标区域的感知能力。实验结果表明,改进后的绝缘子自爆故障检测模型的平均精度均值达到97.4%,相比基线YOLOv7提升了1.4%,能够有效实现绝缘子自爆缺陷的检测。     

RTV涂层和增爬裙对绝缘子电场分布的影响

为解变电站支柱绝缘子表面电场分布及RTV涂料、增爬裙的影响,用有限元法计算了洁净条件下支柱绝缘子的电场和电势分布规律,提出了模型建立的三原则——根据轴对称性简化模型;采用环形区域作为无限远求解区域;不剖分绝缘子的金属附件。运用上述原则算出RTV涂层绝缘子和增爬裙绝缘子电场分布,分析了RTV涂层绝缘子电场强度稍大的原因、涂层厚度对电场强度的影响及涂层内外部电场强度的关系。研究发现,RTV涂层绝缘子和增爬裙绝缘子表面电场分布的特点相似,绝缘子沿面电场强度与材料属性和结构参数有关。计算表明,0.3mm为涂层厚度的最佳参考值,这与实际情况相符。     

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。     

输电线路外绝缘复合化的实践

为解决玻璃和瓷绝缘子防污能力较差的问题，从防污能力、经济性能、技术的可行性、日常维护等综合分析，进行了输电线路外绝缘复合化的实践，即采用复合绝缘子和玻璃（瓷）绝缘子表面喷涂RTV／PRTV涂料对输电线路的外绝缘进行改造，取得了良好的应用效果。