基于I-OHEM的输电线路防外破目标检测方法研究

在电力系统中,及时有效地识别并排除高压输电线路外破风险隐患对保障电力系统的安全运维具有非常重要的作用。基于深度学习的目标检测技术能够有效识别输电线路安全区域内的工程机械和导线异物等可疑危险目标,降低输电线路的外破风险。针对外破隐患识别问题,基于工业界广泛应用的目标检测算法模型YOLOv3来进行输电线路防外破目标检测,提出了一种改进版的在线困难样本挖掘(I-OHEM)算法,对YOLOv3网络结构进行了改进和优化。结果表明,改进后的算法在保证实时性的要求下,提高了目标检测的准确度。     

基于改进Mask R-CNN的输电线路防外破目标检测方法研究

随着现代电力系统的不断发展,电网规模越来越大,外破原因引发的故障已经成为架空输电线路故障的主要原因之一。在架空输电线路视频监控中,使用传统的边界框式目标检测方法进行外破预警时,误报或漏报的情况时有发生。掩模实例分割神经网络(Mask-RCNN)训练时使用的像素级掩模标注数据集成本较高,限制了该算法的大规模应用。针对这些问题,将改进的Mask-RCNN网络应用到输电线路外破目标检测领域,在数据集标注过程中,使用边界框标注代替部分掩模标注。训练时,将检测分支的特征迁移到掩模分支。实验结果表明,改进后的算法能够在掩模标注样本占比80%的条件下,对常见外破类别的平均识别准确率高于91%,为输电线路外破隐患的准确识别与分割提供了一种可行的思路。     

基于AI芯片的输电通道外破隐患边缘智能监测装置研制及应用

塔吊、挖掘机等外破隐患导致输电通道事故频繁发生,有效地检测输电通道周围的外破隐患对保障输电线路安全稳定的运行意义重大。该文以边缘智能芯片为基础,研制了一种输电通道外破隐患边缘智能检测装置,并提出了一种适用于计算资源有限前端装置的轻量化外破隐患识别方法。利用深度残差网络对输电通道图像进行视觉特征提取;利用候选区域生产网络RPN捕获外破隐患目标的候选区域,再用全卷积神经网络FCN进行外破隐患的目标分类与定位。以实际采集的输电通道图像构建成样本集,进行模型测试与验证,结果表明所提方法在边缘装置中表现出良好的适用性。     

基于深度学习的改进型YOLOv4输电线路鸟巢检测与识别

针对输电线路无人机巡视图像经典鸟巢检测算法权重参数范围大、识别效率低、识别精度低的缺点,提出了一种改进型YOLOv4输电线路鸟巢检测与识别方法。首先,选取Mosaic图像增强技术对图片集进行多种变换,变相增加图片集中的小目标数量。其次,在骨干特征提取网络中,通过引入深度可分离卷积来提高检测网络的速度;在YOLO头中,基于K-means++算法改进锚框的大小和比例,基于最小凸集建立回归损失函数。最后,在PANet和YOLO头之间增加2个SPP模块,进一步增强特征融合能力,提高小目标检测能力。利用某供电局无人机巡检图像制作数据集,将提出的算法与其他目标检测算法进行对比实验研究。实验结果表明,改进后的算法有更高的鸟巢检测准确度和更低的运算开销。     

基于组合式目标检测框架的低漏报率缺陷识别方法

针对输电线路机巡影像缺陷识别中低漏报率的需求,提出了一种基于组合式深度目标检测框架的输电线路低漏报率缺陷识别方法.该方法首先利用典型目标检测算法在输电线路巡检图像数据集上进行训练,得到输电线路设备缺陷的特征提取网络;随后引入位置随机分布函数改进目标预测的方式,并利用自适应非极大值抑制判别器,对2个网络的特征提取结果进行...     

输电线路外部隐患自动识别装置研究与开发

高压输电线路外部隐患日益增多,为保障电网的安全可靠运行,设计一种使用简单、易于安装的输电线路监测预警装置,采用图像采集器获取图像信息,将获取的图像信息进行预处理,增强源图后提取图像信息中各类特征,通过比较图像在空间结构上的差异,运用多目标检测识别模型识别和检测输电线路外部隐患,包括鸟巢、安全距离不足的机械施工和人力破坏等问题,实现输电线路外部隐患的自动识别和监测预警。     

一种改进SSD算法的输电线路目标检测方法

电力巡检在输电线路部件故障的排除中起着至关重要的作用.为了实现复杂背景下的输电线路电力小部件的目标检测,提出了一种改进SSD算法的小目标检测算法——PA-SSD.将反卷积融合单元融合到PANet算法中,以改进PANet结构,并以此为基础产生新的特征融合方式,融合不同尺度的特征图;将传统SSD算法中的特征图用新的特征图替换,形成新的特征金字塔模型.针对实际输电线路中的4种目标进行了测试,结果表明,PA-SSD算法与原始的SSD算法相比,其检测精度有了明显提高,检测速度也可以满足检测性能的要求.     

改进YOLOv5算法下的输电线路外破隐患目标检测研究

采用图像视频技术对输电线路通道实时监控,通过智能目标检测算法实现外力破坏隐患目标的识别并预警的方法精确率高,近年来被逐渐普及。但在实际环境中,由于图片背景复杂、天气变化(如雾、雨等)等因素,训练数据无法涵盖所有条件,目标识别算法泛化能力较弱,实际应用中常出现漏报和误报。基于这些问题,采用YOLOv5作为本文算法基础,通过数据扩增模拟不同天气,引用自注意力机制(CBAM)增强模型的特征提取能力,并加入多尺度域自适应网络对训练集进行对抗训练,增强模型对不同天气、不同场景的泛化能力。经实验证明,本文所用算法得到的召回率(Recall)达到了86.9%,较原算法有明显提升,平均准确率(MAP)高于原YOLOv5算法,达到了92.2%,能准确的检测出待检外破目标,减少漏检、误检。     

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。     

基于改进Faster-RCNN的输电线路巡检图像检测

针对传统输电线路目标巡检图像识别方法响应速度慢,准确率不高的问题,提出一种改进Faster-RCNN深度学习识别算法。文中通过卷积神经网络ZFnet提取图像特征,并重置模型参数以获取更多目标细节;利用Faster-RCNN对目标进行检测,由子网络区域提议模型生成目标候选框和子网络Fast-RCNN进行参数调优,并在Faster-RCNN网络输出部分引入精炼阶段,增加目标特征的分类细化和回归细化,将存在目标的多个边界框合并,实现精确分类以及坐标定位。实验结果表明：改进Faster-RCNN算法可有效识别线路设备及设备缺陷,总体识别率达到93.5%,响应时间在1s内。与图像识别法或SSD、YOLO深度学习法相比,所提算法提高了电力设备的识别精度与响应速度,在输电线路智能巡检中具有一定的优越性。     

一种轻量化YOLOv4输电线路防外力隐患检测方法*

输电线路多地处野外偏远，易受各种外力隐患破坏而出现安全故障。针对基于深度学习的输电线路外力隐患检测模型不能满足边缘部署的实时性需求的问题，提出一种轻量化YOLOv4的输电线路防外力隐患检测方法。首先引入深度可分离卷积，采用MobileNetv3作为YOLOv4模型的主干网络用以提取输电线路图像的多尺度特征。然后用建立的输电线路图像数据集对改进的轻量化模型进行训练、验证和测试。实验结果表明，提出的方法在输电线路外力隐患检测中准确率可达到87.73%，运算速度可达到32.49，与同类方法相比综合性能较优。     

基于改进的YOLOv4输电线路小目标检测

传统的目标检测方法在检测输电线路小目标时,往往存在检测效果不佳,容错率低等问题,针对这种情况,提出一种基于改进的YOLOv4的输电线路小目标检测算法.为了提高输电线路小目标的检测效率,采用一种简化版的YOLOv4算法,减少特征层的使用,从而降低网络计算量.针对输电线路小目标这一特定应用,利用K-means++算法重新进...     

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。     

基于双目视觉的输电线路防外破系统设计

为防止吊车臂触碰输电线引发事故，设计一种基于双目视觉的输电线路防外破系统。首先，通过将双目视觉防外破装置安装在吊车吊臂上实时获取图像数据；接着，针对实际环境中存在的光照干扰、弱纹理区域以及视差图中的边缘空洞填充，提出一种改进SGBM立体匹配算法，利用最小二乘拟合插值法和双边滤波进行算法优化，从而准确获取输电线路的三维信息；最后，根据双目视觉原理与空间耦合电容分压原理搭建测距环境与10 kV输电线路测试环境并进行现场测试。结果表明，改进SGBM算法在干扰环境下的测距平均相对误差仅为1345%和1229%，对比传统SGBM算法与场强测距方法，分别减少2047%和1851%，算法运行时间为817552 ms，测距系统兼顾实时性与精准性需求，满足实际环境下的输电线路吊车防外破使用。     

一种改进型YOLOv4输电线路防外破检测方法

输电线路场景图像易受野外多种环境干扰,当前主流的深度学习网络模型难于满足输电线路防外破检测模型的边缘部署实时性和精度要求。该文提出了一种融合残差学习的YOLOv4输电线路防外破检测方法。首先采用数据增强技术对所采集的输电线路图像数据集增强,建立了输电线路防外力破坏的图像数据集。其次,考虑到输电线路网络模型便于实际边缘部署配置的需要,对YOLOv4网络结构进行了改进,基于ResNet50构建特征提取主干网络。最后引入标签平滑技术对YOLOv4的分类损失函数进行了优化以减缓过拟合问题,提高了网络模型的检测精度。用实际采集的输电线路图像构成的数据集进行了测试,实验结果表明该文所提出的方法在运算速度和检测准确度上均优于其他方法。     

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。     

基于改进SSD的输电线路销钉缺陷检测

销钉在输电线路中起着连接关键部件的重要作用,其缺陷直接引起部件变形、不稳定甚至造成电力停电事故.针对已有单发多盒探测器(single shot multibox detector,SSD)模型对输电线路复杂背景下销钉缺陷检测能力不足的问题,提出基于残差网络和多层级特征融合策略的改进SSD模型.首先,改进SSD网络结构,引入残差网络,增加浅层特征层,并将深层特征进行融合,替换SSD原特征层,以提升网络的鲁棒性,增强特征层的信息提取能力.其次,采用卷积拆分压缩网络参数量,采用权值量化减小模型部署占用空间.最后,通过实验对所提方法的有效性进行了验证.实验结果表明,该方法在输电线路销钉缺陷检测上召回率达到80％以上,较原SSD模型及其他目标检测算法具有明显提升.同时,该方法在其他输电线路小目标缺陷测试中,也取得了较好的效果.     

基于增强滤波和特征聚类分析的导线隐患识别技术研究与应用

及时发现输电线路导线隐患是保障线路安全运行的关键,鉴于现有巡检图像处理过程中存在的不足,本研究在国内外已有研究成果的基础上进行了算法优化,提出了一种基于增强滤波和特征聚类分析的导线隐患识别算法。实验测试表明该算法对于线路巡检图像中的处理速度和识别准确率均优于传统算法,能够快速准确地实现导线提取和隐患的识别。由于该算法对硬件配置要求较低,能够在巡检现场完成对图像的分析和处理,具有较大的实用价值。     

航拍分析法在输电线路防外力破坏管控中应用探讨

随着城市化进程的深入,输电线路外力破坏(以下简称"外破")隐患呈"点多、面广、线长"的发展态势,严重威胁输电线路安全稳定运行。而传统输电线路防外破管控方式主要通过人工巡视发现外破隐患,排查效率低且管控效果欠佳。航拍分析法利用现有的无人机航拍技术优势对外破隐患点进行巡视,然后根据风险评估结果制定管控措施。应用效果表明,航拍分析法大大提高外破隐患排查效率,减少人员劳动强度,降低人工劳动成本,有效提升了输电线路防外破管控水平。     

基于完整性感知网络的绝缘子串缺陷检测方法

当前输电线路显著性目标检测已取得重大突破,但在预测显著区域的“完整性”上仍存在局限性,难以完全识别及定位输电线路上绝缘子串缺陷。本文利用完整性感知网络来检测输电线路上绝缘子串,首先通过特征聚合模块来提取不同层次的特征,其次通过完整性增强模块突出显著目标通道并抑制其他干扰通道,最后通过部分-整体检验模块来确定目标特征的部分和整体是否有强烈的一致性,可提高有缺陷绝缘子串的识别准确率。本文算法与目前公开的3种流行算法进行主客观对比,发现本文算法在绝缘子串与背景融合程度较高时的显著性检测上更有优势。