基于深度学习的输电线挂接地线状态目标检测

针对输电线路挂接临时接地线时用手持设备获取的图像存在接地线区域占比小、间隔近、不易精准识别的现场实际问题,提出了采用改进Faster R-CNN法实现接地线目标识别的解决办法.通过在原始Faster R-CNN方法的基础上将卷积网络的低层和高层特征图均送入RPN中实现多尺度目标检测,并对非极大值抑制进行改进,将改进后的...     

基于改进YOLOv4及SR-GAN的绝缘子缺陷辨识研究

为了精准地识别无人机巡检图形中的小目标绝缘子及缺陷,本文提出了一种基于改进的深度学习目标检测网络(YOLOv4)的输电线路绝缘子缺陷检测方法.首先,通过无人机航拍及数据增强获得足够的绝缘子图像,构造绝缘子数据集.其次,利用绝缘子图像数据集训练YOLOv4网络,在训练过程中采用多阶段迁移学习策略和余弦退火学习率衰减法提高网络的训练速度和整体性能.最后,在测试过程中,对存在小目标的图像采用超分辨率生成网络,生成高质量的图像后再进行测试,以提高识别小目标的能力.实验结果表明,与Faster R-CNN和YOLOv3相比,所提算法在平均分类精度和每帧检测速率方面均有较大提升,性能表现优异.     

多目标检测和故障识别图像处理方法

为了利用深度学习实现对输电线路的多目标识别以及多种故障的检测,以Faster RCNN(faster regions with convolutional neural networks features)网络为算法框架进行无人机图像的数据挖掘,针对输电线路的6种目标检测任务,提出了3种改进策略,分别为自适应图像预处理算法,基于面积的非极大值抑制算法,以及切分检测方案。研究结果表明:所提改进算法能够利用挖掘的数据对故障进行准确定位与识别,实现对复杂背景下航拍图像中多目标的故障检测,也可类推至其他类似多目标应用场景。论文研究可为多目标的检测和识别提供参考。     

基于Faster R-CNN的绝缘子识别探索和应用

基于可见光图像的绝缘子识别是电网智能巡检设备识别的最重要的任务之一。电网智能巡检采集的图片存在着有效样本稀缺及场景多样性等问题,极大地限制了深度学习等技术在电网设备智能识别上的应用。本文基于深度学习对轻量级的多来源图像样本数据进行了绝缘子识别的探索和应用。首先,阐述了基于深度学习的目标识别算法发展过程,并着重介绍和对比了区域卷积神经网络(region-convolutional neural network,R-CNN)、快速区域卷积神经网络(fast region-convolutional neural network,Fast R-CNN)和更快区域卷积神经网络(faster region-convolutional neural netw ork,Faster R-CNN) 3种用于目标识别的深度学习模型。然后,通过对来源于不同场景的百量级绝缘子图像进行实验,验证了Faster R-CNN模型在百量级图像中和可用性和鲁棒性。本文的研究和实验为深度学习技术在电网各类设备图像目标识别上的推广和应用探索了一条有效路径。     

基于Faster R-CNN和U-Net的变电站指针式仪表读数自动识别方法

随着人工智能和自动化水平的提高,机器人被越来越广泛地应用于变电站巡检,为图像采集带来了便利,但是指针式仪表图像的读数识别准确性问题尚未很好解决,成为了瓶颈。基于Faster R-CNN目标检测和U-Net图像分割技术,提出了指针式仪表读数自动识别方法。首先引入Faster R-CNN检测仪表图像中的表盘、指针所在区域,并对仪表进行分类;然后以图像分割技术取代图形检测算法,结合仪表图像特点,改进了U-Net网络,有效提取了区域中的刻度线和指针。针对分割类别不平衡问题,构造了U-Net的Dice损失函数;针对仪表旋转问题,提出了基于图像分割信息的透视变换方法对图像进行校准。最后通过算例对比了文中方法和传统机器学习算法、霍夫变换在指针式仪表图像读数识别上的效果。结果表明,文中方法在检测识别复杂图像中小目标的准确性和实用性上提升明显。     

微动特征和运动特征融合处理的鸟与 旋翼无人机目标辨别方法

“鸟击”事件与旋翼无人机“黑飞”扰航事件成为威胁民航飞行安全的“两大隐患”,机场对于鸟和旋翼无人机会采取不同的反制措施,鸟与旋翼无人机的辨别对于提升非合作目标监视性能、保障飞行安全具有重要意义。针对基于运动特征提取的鸟与旋翼无人机目标辨别方法中对于机动性较强的旋翼无人机辨别性能下降的问题,考虑到相对于旋翼无人机,鸟类目标振翅回波时频谱更为复杂,构建目标回波时频谱对应的特征谱能量熵及峰值对称对两个微动特征,利用K-means对所提取的运动特征和微动特征进行融合处理,实现鸟与旋翼无人机目标的辨别,实验结果验证了本文方法的有效性。     

基于计算机视觉的输电线路金具锈蚀识别

金属锈蚀环境复杂,生锈部位及形状差异较大,使得锈蚀难以检测。随着无人机逐渐应用于线路巡检,计算机视觉也应用于金具锈蚀识别。针对目前锈蚀检测存在的问题,提出了使用基于深度学习的Faster RCNN目标检测模型和锈蚀HSI颜色特征相结合的锈蚀检测方法,用于解决数字图像处理适用性差且效率不高和深度学习方法目标特征无法准确提取等问题。实验结果显示该方法对于常见的几种锈蚀情况都有较好的识别效果,都可识别出图像中锈蚀区域的主体部分,且深度学习算法与HSI颜色特征结合的方法判断锈蚀有无的正确率和召回率达到了较高水准,漏识别率也符合现实要求。因此,该方法符合实际需求,为电气行业相关金属的日常管理养护提供了技术支撑。     

基于Faster RCNN变电设备红外图像缺陷识别方法

变电设备红外检测能够及时有效的发现设备过热缺陷,预防设备故障的发生。传统人工诊断方法难以应对变电站机器人、无人机自主巡检产生的海量红外图片,而目前红外图像缺陷识别大都基于传统机器学习算法,识别准确率低、泛化能力差,因此本文提出了基于深度学习的变电设备红外缺陷识别方法。首先基于Faster RCNN算法对变压器、套管、断路器等七种变电设备进行目标检测,实现设备的精准定位、识别,然后基于温度阈值判别法对设备区域进行缺陷识别。使用现场采集红外图像进行测试,七种设备检测平均精度均值达到90. 61%,缺陷识别准确率达到81. 33%,实验结果表明本文方法的有效性和准确性。     

基于旋转目标检测的变电设备红外图像电压致热型缺陷智能诊断方法

传统红外人工诊断方法难以应对变电站机器人、无人机自主巡检产生的海量红外图片,目前针对电流致热型缺陷较易识别,但缺少危害严重的电压致热型缺陷智能诊断方法研究,提出了一种基于旋转目标检测的变电设备电压致热型缺陷智能诊断方法。基于改进R3Det模型对瓷套进行旋转目标检测,基于Faster RCNN模型对红外图像中三相区域、套管、电流互感器等变电设备区域进行识别、定位;通过自动关联包含在三相区域中的同类设备,计算同类设备温差;基于温差阈值法进行电压致热型缺陷诊断。使用现场采集红外图像进行训练和测试,结果表明:目标检测平均精度均值为90.65%,电压过热型缺陷识别准确率达到81.39%,误报率为9.62%,实验结果证明所提方法能够有效地从红外图像中自动识别电压致热型缺陷,可为实现机器巡检作业红外诊断智能化奠定基础。     

图像增强算法在高压输电线路巡检中的应用研究

旋翼无人机应用于高压输电线路的巡检,是国内外电力行业近年来兴起的一种便捷、有效的方法。航拍图像方法则是一种重要的旋翼无人机巡检手段,它可以形象、直观地捕捉到高压输电线路出现的问题,进而引导巡检人员采取进一步的措施。针对旋翼无人机高压输电线航拍巡检中图像预处理部分特有的目标增强问题,提出了一种基于多向滤波的输电线图像增强算法(MDF)。该算法比传统的图像增强算法具有强鲁棒性、高实时性的特点,因而非常适合于旋翼无人机高压输电线路巡检应用。     

多旋翼无人机多功能起降辅助平台的研制

目前多旋翼无人机多用于输电线路巡检作业,输电线路所处区域地理环境复杂受外界复杂地形环境影响。地面倾斜度过大、地表障碍物过多、扬尘较大,导致螺旋桨破损断裂及照相机进灰无法拍照等设备故障,造成巡检作业无法正常开展。多旋翼无人机起降平台主要分为起降平面和支撑腿两大部分,通过支撑腿的可调功能,解决了复杂地形旋翼无人机起降坡度大的问题。该平台使无人机设备与地面保持一定距离,有效隔离起降点地表扬障碍物,阻挡扬尘、砂石等异物,满足公司所辖线路无人机巡检作业要求。该成果经过实际应用,为多旋翼无人机提供专用起降平台,有效降低了多旋翼无人机故障发生概率,提高多旋翼无人机巡检作业效率,节约无人机设备维护成本,具有较高应用价值。     

基于Cascade R-CNN算法的输电线路小目标缺陷检测方法

输电线路无人机航拍图像缺陷识别是维护线路安全运行的重要巡检手段,但目前的识别算法对于销钉、螺母等小目标缺陷存在识别精确度低、易漏判等问题。将Cascade R-CNN算法应用于输电线路缺陷检测中,利用ResNet101网络进行特性提取,增强的网络的特征提取能力,并利用多层级联检测器对输电线路小目标进行判别和分类。基于无人机航拍图像数据集进行实验,实验结果表明,相比于Yolov3检测器和Lighthead R-CNN检测器,Cascade R-CNN算法提高了小目标缺陷检测中的召回率和精确度。     

多旋翼无人机无线充电技术研究进展与发展趋势

多旋翼无人机在多领域的应用,使得无人机无线充电技术备受关注.该文对多旋翼无人机无线充电技术进行了综述.首先,总结了无人机无线充电技术的三种不同结构和原理;然后,重点对磁场耦合式和电场耦合式无人机无线充电技术近期研究成果和相关的热点问题进行了阐述,主要分为耦合机构和错位应对方案研究;最后,对多旋翼无人机无线充电技术的发展...     

基于改进RPN网络的电力设备图像识别方法研究

针对Faster RCNN算法在电力设备状态图像处理过程中生成的Anchor与目标设备不匹配而导致的设备识别率降低的问题,提出了一种基于连通域预处理的Faster RCNN的改进模型。依据像素值相近及位置相邻原则构建连通域,将连通域的长宽比作为输入信息对RPN(region proposal network,RPN)的Anchor面积框进行修正,以此提高Anchor boxes与目标设备的匹配度。实验结果表明:识别区域与目标设备面积的进一步匹配避免了多余锚框网络计算量,该方法对目标设备误识别率由改进前的2.2%下降到1.9%,降幅达14%,同时其计算效率较传统Faster RCNN算法提高6.7%。在非格式化图像数据快速增加背景下,文章所提方法对于提高电力设备状态图像的识别和处理具有重要意义。     

基于深度学习的无人机电网巡检缺陷检测研究

由于无人机电网巡检存在检测区域面积小、背景复杂、计算量大等特点,导致深度学习算法的准确率和实时性难以实现。为实现无人机电网巡检的准确、快速识别,分析了各类深度学习算法在复杂环境下对绝缘子的检测效果,提出了一种基于YOLO v3的目标检测算法。首先选用ResNet18作为主干网络结构,然后构建一个多尺度特征金字塔,将其与主干网络进行融合,形成深度融合的电网巡检绝缘子检测模型,可在提高检测准确率的同时,满足实时性的检测要求。实验结果表明,YOLO v3网络的均值平均精度(mAP)达98.10%,相比于Faster R-CNN提高了6.71%;其每秒检测帧数高达47.52帧,分别是R-CNN和Faster R-CNN的25倍和12倍。所提的YOLO v3网络具有更优的识别精度和检测速度。     

基于改进Kalmus滤波的悬停无人机检测技术

针对复杂杂波环境下悬停无人机检测问题，提出了一种改进的Kalmus滤波 剩余回波时域均值相消 自适应CFAR联合处理算法，对无人机微多普勒检测，实现空管监视目的。通过改进的Kalmus滤波器进行频域滤波，同时对目标回波高频信号和零频信号抑制，并提高零频附近微多普勒信号增益。采用剩余回波均值相消进行二次滤波，提高无人机高速旋翼的多普勒特征信号信噪比，采用短时傅里叶算法检测目标区域多普勒变化，最后通过恒虚警处理，进一步抑制杂波，提取微多普勒信息。试验结果表明本文算法可以对悬停无人机的旋翼多普勒特征进行有效检测，目标多普勒信号幅值提升了约20 dB，实现低空监视管控目的。     

多旋翼无人机在输电线路巡检中的运用

对于多旋翼无人机在高压输电线路巡检中的运用进行了分析,对多旋翼无人机可以进行的巡视内容和检测方法进行了介绍,归纳出了多旋翼无人机作业的流程。     

一种改进的YOLO目标检测方法在电缆设备异常状态识别中的应用

针对地下隧道电缆设备异常状态识别中目标设备较为单一、异常状态相对简单、综合识别速率和准确率较低的问题,文章提出一种改进的YOLO目标检测架构,对电缆设备进行定位和异常状态识别。首先,采用图像缩放方法调整图像尺寸为448×448,再利用卷积神经网络对特征进行提取,其中每一层采用批量归一化方法规范模型,最后通过RPN网络预测目标边界框。采用珠海地下电缆隧道中的图像数据进行仿真实验,并与YOLO和Faster RCNN算法进行对比,实验结果验证了所提出方法的有效性,且算法识别准确率较高、鲁棒性好,可有效应用于地下电缆隧道的巡检机器人系统中。     

多旋翼无人机在气象探测中的现状与展望

针对传统气象探测方法在时间与空间分辨率上存在的缺陷,本文介绍了具有低成本、易部署、高机动特点的多旋翼无人机在气象探测领域的优势,重点阐述了多旋翼气象无人机所搭载的气象载荷以及多旋翼气象无人机所采用的两种探测模式,分析了多旋翼气象无人机在发展过程中的关键技术,结合现代电子技术、飞行控制技术、微传感器技术对未来气象探测的发展方向以及多旋翼气象无人机的研究重点做出了合理的展望,为多旋翼气象无人机的推广提供了必要的参考。     

复杂地物背景下的无人机激光雷达电力线提取方法

在提取电力线的过程中,为了有效控制雷达功耗,改善原有方法中过大功耗对设备的负面影响,基于复杂地物背景设计了新的无人机激光雷达电力线提取方法。设计雷达定位电力走廊区域范围,计算连接相线缓冲宽度平稳无人机功耗,预处理无人机激光雷达航拍图像区分主要目标,滤波去噪降低边缘宽度提取电力线,完成复杂地物背景下的无人机激光雷达电力线提取方法设计。实验结果表明,在对大面积激光点图像的电力线提取过程中,该方法能将无人机激光雷达功耗控制在有效范围内,相比传统方法能提取更多电力线点云数量,具有广阔的应用前景。