基于Alexnet网络的绝缘子自爆无人机巡检技术研究

绝缘子是输电系统中与安全相关的关键部件,绝缘子自爆问题的高效快速识别对电力系统的保护具有重要的意义.随着无人机(UAV)相关产业的不断发展,可以采用无人机技术对输电线路进行巡检拍摄.以此为背景提出了一种基于Alexnet网络的绝缘子自爆无人机巡检技术.首先,应用无人机巡检这一先进技术得到绝缘子的清晰实时图片.然后,采用...     

基于深度学习的输电线路绝缘子缺陷识别

传统的绝缘子缺陷识别为人工识别,效率低下,成本较高.为此,提出一种绝缘子缺陷自动识别方法.首先,采用随机森林分类法进行图像分割,实现绝缘子的目标识别;然后,采用卷积神经网络的方法实现绝缘子正常和缺陷状态的分类;最后,使用Faster R-CNN分类器实现自爆缺陷的定位.以无人机拍摄的大量绝缘子图片作为试验数据进行验证,...     

融合空间信息的多尺度残差卷积开关柜异物检测算法研究

检查开关柜中有无异物以确保设备安全运行是配网建设的基本任务。针对开关柜中背景复杂且目标遮挡严重的问题,文章提出一种融合空间信息的多尺度残差卷积检测算法。首先,利用多尺度残差卷积,降低目标遮挡导致特征提取不全的影响,再设置残差连接解决过拟合问题;然后,在深层特征图间增加改进的注意力机制,降低网络过深导致细节信息丢失影响,提高检测效果。最后,搭建自制开关柜异物数据集实验平台,实验结果表明,改进模型检测速度下降11FPS(frames per second),为72FPS,平均精度AP50为91.26%,AP@50:5:95为76.04%,分别提高2.59%和3.69%。并在输电线路异物与缺陷绝缘子数据集验证普适性算法,实验结果表明,改进模型检测精度均高于原始模型。     

基于小波熵的大坝变形多尺度多测点融合诊断模型

变形监测数据序列是由不同频率成分组成的、具有多尺度特性的动态信号序列,通过多尺度分解和融合,可获得其本质特性和关键信息。在单测点多尺度分解的基础上,分别采用模极大值法和小波熵加权法对多测点高频信号和低频信号进行融合,并以小波熵为特征参数,建立了用于大坝变形性态识别的多尺度多测点诊断模型,工程实例表明该方法诊断大坝健康状态效果良好。     

基于深度学习的配电线路瓷绝缘子缺陷识别

考虑当前方法在识别瓷绝缘子缺陷时,受到缺陷类别的影响,导致识别精度较低的问题,提出了基于深度学习的配电线路瓷绝缘子缺陷识别方法。根据瓷绝缘子可靠性测试原理,采用兆欧表测试配电线路电源电压,通过计算配电线路的电源负载特性,引入测试电压波纹系数,对配电线路瓷绝缘子缺陷进行电子信号检测。根据配电线路瓷绝缘子表面的缺陷区域分布规律,计算瓷绝缘子缺陷图像的深度学习中心和隶属度函数。利用深度学习特征的最佳数量,定位检索配电线路瓷绝缘子缺陷特征,通过对瓷绝缘子缺陷图像的二值化处理,实现配电线路瓷绝缘子缺陷识别。实验结果表明,所提方法在识别瓷绝缘子脱落、灼蚀时缺陷识别指标都达到了9,破损时缺陷识别指标均控制在8以上,具有较高的识别精度。     

基于多尺度深度卷积网络特征融合的滚动轴承故障诊断

针对传统滚动轴承故障诊断模型对工程先验知识依赖性强、提取特征不充分、分类器选取困难等问题,提出一种基于多尺度深度卷积网络特征融合的滚动轴承故障诊断模型.首先,建立集特征提取与模式识别于一体的卷积神经网络模型,利用小波变换将滚动轴承振动信号转换为二维图像作为输入样本集.然后,在网络结构中构建多尺度特征融合模块自适应提取故...     

基于多尺度CNN的光伏组件缺陷识别

为提高光伏组件缺陷分类精度与效率,提出一种改进的多尺度卷积神经网络模型(IMCNN).该算法根据光伏组件缺陷特点,构建3个不同尺度端对端的卷积神经网络模型,同时为优化网络结构,在3个通道中均引入SE-Inception模块.首先由多通道卷积提取精密度不同的特征;再将这些特征进行融合,得到特征的增强表达;最后实现光伏组件...     

基于紧凑型光电传感器的复合绝缘子内部缺陷检测方法研究

为了能够有效地对复合绝缘子的内部缺陷进行监测,通过有限元法和现场试验研究了紧凑型光电电场传感器检测复合绝缘子内部缺陷的方法。首先,依据实际110kV复合绝缘子的实际尺寸和材料属性建立了三维有限元模型,导通性缺陷分别设置在复合绝缘子的高压端、接地端和中间端,研究了不同位置和不同程度的导通性缺陷对周围电场分布影响;然后基于有限元仿真计算研究了复合绝缘子周围轴向电场和径向电场分布的变化。结果表明,当复合绝缘子存在内部导通性缺陷时,径向电场分布的变化相对轴向电场分布的变化要更为明显;不同位置的导通性缺陷导致电场分布变化的特征不同;不同严重程度的导通性缺陷导致电场分布的畸变量会随着导通性缺陷的严重程度的增加而增加;最后,通过试验验证了EOEF传感器检测高压复合绝缘子的内部缺陷的有效性。这对于在非固定端检测获取缺陷信息有着重要的意义。     

基于深度学习的输电线路巡检图像绝缘子识别

绝缘子是输电线路无人机巡检的重要目标。为了快速准确识别巡检图像中的绝缘子,通过采集巡检图像,构造绝缘子数据集,提出了一种基于深度学习单阶图像识别框架（YOLOV3-SPP）的绝缘子在线识别模型。该网络模型在YOLOV3的模型上加入了SPP模块。通过在Pytorch环境下的训练和测试,结果表明：加入SPP模块后提高了检测的精确度,并可以快速有效地完成绝缘子识别定位。     

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。     

基于图像深度学习与三维电场仿真的电力用复合绝缘子缺陷挖掘分析

鉴于复合绝缘子运行环境差异较大、表面电场分布特征各异,亟需合理评估现役运行复合绝缘子运行状态。为此,首先应用紫外、红外成像技术对典型复合绝缘子进行观测形成电-热影像图谱数据库;然后应用小波成像技术对原始图像进行去噪处理,并基于聚类算法对复合绝缘子进行图像区域分割,联合视觉深度学习实现了复合绝缘子类型自适应识别和外轮廓匹配。同时应用三维建模技术对典型复合绝缘子电场分布规律进行仿真模拟,实现复合绝缘子高场强区域电场分布可视化;最终联合深度学习图像后处理结果和电场分布特征形成现役复合绝缘子运行状态评估策略。研究结果对于电力系统用复合绝缘子运行维护具有较好指导意义。     

500 kV交流输电线路含缺陷复合绝缘子电场分布特性研究

500 kV线路复合绝缘子应用量大,正确有效判别出含有缺陷的复合绝缘子,对于保障电网安全稳定运行意义重大.为此,基于有限元分析方法,建立了500 kV交流输电线路复合绝缘子串三维有限元模型,计算了正常和含有单个导通性缺陷情况下的绝缘子和空间电场分布并归纳其特征,分析了导通性缺陷长度及位置对绝缘子电场分布和强度的影响.计...     

基于YOLOv4和改进分水岭算法的绝缘子爆裂检测定位研究

近年来,航拍巡检代替人工成为了输电线路电力巡检的主要方式,而输电线路上绝缘子的完整性直接影响其供电可靠性。在复杂背景的干扰下,传统的图片处理方法往往对主体识别能力低下。针对这一问题,该文提出了一种基于YOLOv4的深度学习并结合改进的分水岭算法,对航拍绝缘子图像精确识别及缺陷检测的问题进行了研究。首先利用YOLOv4对绝缘子进行精准的识别与定位,有效弥补了传统方法在复杂背景下识别能力低下的不足;再结合改进分水岭算法对绝缘子自爆位置进行识别,该方法可以快速地识别出绝缘子主体和缺陷位置。     

基于YOLOv5 LiteX算法的光伏组件缺陷检测

利用无人机载热红外设备对光伏组件进行航拍和缺陷检测。针对无人机存储和算力的局限性,以及现有基于深度学习的缺陷检测模型在大型光伏电站复杂环境下模型参数量大和计算开销大的问题,设计使用YOLOv5 LiteX作为超轻量化的缺陷检测模型。首先,选择加权双向特征金字塔BiFPN替换原来的特征金字塔PANet,使特征有效的跨尺度连接和加权融合;其次,在特征融合的基础上增加更大的检测尺度,以提高模型检测较小缺陷目标的性能;引入focal-EIoU Loss对原有的边界框坐标预测损失加以改善,使网络专注于困难样本的运算。此外,通过数据增强方法来克服数据量过少的问题。改进后网络的平均精确率（mAP）相较于基准网络（Lite-YOLOv5）提高了7.32个百分点,困难样本（异物遮挡）的mAP大幅度提升。     

基于扇环插值的内壁多尺度热场图案的构造方法北大核心CSCD

为了实现对内燃机气缸盖鼻梁区热疲劳损伤的重点监测,获得高辨识度重构影像,提出了一种基于扇环插值的多尺度热场图案构造方法。首先,结合内燃机气缸盖内壁的热场分布规律,将气缸盖火力面划分成多尺度的热场区域,剖析内壁各区域易出现热疲劳损伤的机率,确定其分辨率。其次,基于圆弧插补的思想,把划分好的多尺度热场区域离散成由多条圆弧点群组成的扇环区域。然后,对扇环区域内的每条圆弧分别进行插值得到扇环热场图案,再将各个扇环热场图案组合成多尺度热场图案。最后,将构造出的多尺度热场图案和缸盖外壁的热能进行关联运算,重构出气缸盖内壁影像。为了验证本文方法的合理性,将重构出的内壁影像与基于双线性插值构造热场图案下的重构影像进行对比分析。分析结果表明,本文采用的方法重构出的有裂纹和无裂纹气缸盖内壁影像对比度较基于双线性插值方式构造热场图案的重构影像提升了74.77%和75.09%,结构相似度和峰值信噪比也略有提升,且本文中采用的方法更利于热疲劳损伤所导致的裂纹等缺陷的检测和非重点检测区域重构影像的质量提升。     

以多尺度颜色小波纹理特征为基础的工业炉火焰图像分割研究

分割火焰图像最常用的方法是分类算法,而使用这种算法最大的缺陷在于当像素点数增高时,分割图像的耗时就越大。通过以火焰图像采集装置来采集研究样本,提出了一种可以加快分割速度的方法及运用多尺度颜色小波纹理特征为基础的工业炉火焰图像分割法,经过对图像特征矩阵进行压缩,采用分类算法获取压缩尺度火焰区域并检测其边缘;根据压缩尺度火焰边缘进一步检测其在原始尺度区域,构建边缘区域特征矩阵并进一步检测,从而得到原始尺度火焰区域图像的目的。     

基于迁移学习与ResNet的太阳电池缺陷检测方法

针对太阳电池缺陷种类复杂多样、人工检测效率低下的问题,提出一种基于迁移学习与ResNet的太阳电池缺陷检测方法。该方法首先利用残差模块搭建ResNet缺陷检测模型,接着将参数从ImageNet预训练模型迁移到ResNet缺陷检测模型中并使用电致发光(EL)图像微调模型,然后加载最优模型构建缺陷检测分类器实现太阳电池的缺陷检测。将该方法应用到常州某企业太阳电池的缺陷检测中。结果表明:在不同数据比例下,所提方法综合性能最好、泛化能力强、鲁棒性好,能实现模型快速训练并提高太阳电池缺陷检测的准确率,可满足太阳电池缺陷检测的需求。     

基于多尺度变换的变电站开关柜局部放电识别方法

由于现有的局部放电识别方法识别正确率低,为此研究基于多尺度变换的变电站开关柜局部放电识别方法。对局部放电信号的特征进行提取,调节滤波器参数,去除与局部放电脉冲相重叠的背景噪声,以减少信号幅值误差。运用多尺度变换跟踪方法,对目标进行扫描获得跟踪目标的大小和区域信息,再运用哈尔特征向量计算得到跟踪目标的具体位置。在训练数据集中添加对应标签来表示不同的放电类型,通过迭代得到同步中最小误差来估计模型参数。调整输入样本的尺寸,防止陷入局部最优解。将训练时长最优值进行输出,从而完成识别。实验结果表明,小组3的识别正确率为100%,能够准确识别开关柜局部放电类型,具有较高的识别能力。     

基于T-VGG的太阳电池片缺陷检测

针对太阳电池片EL图像,提出一种融合注意力机制和Ghost卷积层并引入批标准化的T-VGG轻量级卷积神经网络模型。首先使用Ghost卷积层替换常规卷积层,其次引入注意力机制和批规范化,进而实现对电池片缺陷的高精高速检测。实验结果表明,该卷积神经网络模型对缺陷的检测准确率为99.15%,对缺陷类型的检测准确率为96.28%,检测时间为0.032 s/张,在保证高精高效性的同时兼具通用性。     

基于改进Mask R-CNN的风机叶片缺陷检测

针对传统风机叶片缺陷检测采用人工的方法效率低、精度差的问题,提出了一种基于改进Mask RCNN的风机叶片缺陷检测方法。该方法首先使用ResNet-50结合FPN网络生成特征图,然后输入到RPN网络中筛选出ROI,通过ROIAlign固定特征图尺寸输入到预测网络中,对类型、边界框、掩膜进行预测。另外,文章构建了一个风机叶片缺陷掩膜数据集用于模型的训练。通过测试集验证并与Mask R-CNN,Faster R-CNN进行了对比分析,文章提出的方法实现了对缺陷目标的检测和实例分割,在准确检测的同时大幅提高了检测速度。