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.     

基于深度学习的输电线路螺栓检测技术

输电线路螺栓缺陷检测对电力系统安全可靠运行具有重要意义,但螺栓在巡检图像中具有特征不明显、尺寸小的特点,这给螺栓检测研究带来了一定挑战。随着直升机、无人机巡检技术和边缘计算的发展,传统巡检图像处理方法已满足不了实时检测的需求。针对上述问题,提出一种基于深度学习的输电线路螺栓检测系统。采用分级检测原则,首先利用SSD(single shot mutibox detector)算法定位存在缺陷螺栓的连接部位并切割出连接部位,增大螺栓在巡检图像中的占比,其次利用数据增强扩充数据集,最后利用YOLOv3算法检测缺陷螺栓。最终将边缘计算装置搭载在直升机、无人机上,实现输电线路螺栓缺陷实时检测。为验证该系统的鲁棒性,对不同光照强度下的巡检图像进行仿真。实验结果表明,该方法能够有效、精确地实现巡检图像中螺栓缺陷的实时检测。     

基于深度学习的无人机巡检架空输电线路金具锈蚀缺陷检测方法

为了提升架空线路无人机巡检效率,提高架空线路金具锈蚀缺陷智能检测效率,提出了一种基于深度学习的巡检架空线路销钉缺陷检测方法。由于架空输电线路的金具锈蚀缺陷智能检测存在环境背景大、目标小、拍摄角度和拍摄光线差异大等特点,采用图像预处理算法拓充数据集,将MobileNet替换YOLO的主干特征提取网络来提升算法的泛化能力和鲁棒性,并用实际巡检图像进行实验测试。测试集验证中,当置信度阈值取0.5时,P为0.92、R为0.84、A_P为91.34%。结果表明,此方法对架空线路金具锈蚀缺陷有较好的检测效果,可以给设备健康状态评估提供参考。     

基于深度学习的输电线路视觉检测方法研究进展

输电线路巡检是电网持续稳定供电的保障,其目的是对电力线、绝缘子、电力杆塔、防振锤等线路设备进行状态检测和故障诊断,同时观测电力线周围潜在隐患。深度学习的发展为输电线路巡检提供了有效手段,与传统目标检测方法相比,深度学习方法能更有效地实现航拍图像中电力设备的识别及缺陷检测。该文综述近十年来基于深度学习的输电线路视觉检测方法的研究进展。首先,概述适用于输电线路巡检的深度卷积神经网络,包括分类网络、检测网络、语义分割网络,考虑到开发的深度学习网络模型便于在移动设备上应用,另外阐述轻量化网络;然后,重点阐述基于深度卷积神经网络的输电线路巡检图像数据目标检测;随后介绍7个电力设备数据集以及性能评价指标;最后,指出基于深度学习的输电线路巡检图像数据视觉检测方法目前存在的问题,并对进一步的工作进行展望。     

基于深度可分离卷积及SVD输电线路缺陷检测

针对输电线路实时巡检中无人机嵌入式移动端的存储和计算受限问题,在Faster R-CNN目标检测框架及VGG特征提取网络基础上,融合深度可分离卷积及SVD分解,构建了一种轻量级的输电线路缺陷检测方法。在公共的PASCAL VOC 2007与COCO数据集上的实验结果验证了所提方法的优越性。在输电线路缺陷数据集上实验,在保证检测精度不下降的同时降低了模型存储空间,提升了模型的检测速度,实现了检测的实时性。     

基于深度学习的配电网线路设备缺陷智能检测

无人机配电线路巡检已经广泛开展应用,线路设备缺陷人工识别过程复杂、工作量较大等问题仍然存在。为了提高作业效率,根据无人机发展现状,对现有数据进行深入挖掘,利用标记系统对数据进行处理,再利用深度学习算法实现配电网无人机自动巡检、缺陷自动研判。该算法是基于残差双尺度检测器的巡检目标智能检测,优势在于可识别两种规格尺寸的目标对象,相比于传统的双阶段目标检测方案,其运行速度更快,更适合在终端资源受限设备中运行。目前该算法已达到95%的准确率。     

基于深度学习的输电线路绝缘子故障检测方法研究

近年来,电网的稳定运行以及安全防范显得尤为重要,越来越受到国家的重视。其中,绝缘子的稳定、安全运行,是输电线路正常工作运行的必要条件。针对人工进行输电线路绝缘子故障巡检时存在的成本高、效率低等问题,采用基于深度学习的方法来更有效地进行绝缘子故障的检测,以YOLOv3作为基础网络,对绝缘子故障检测进行研究。为解决YOLOv3网络结构参数量多和在嵌入式平台上的运行速度较慢等问题,以轻量化的EfficientNet网络代替YOLOv3算法的主干特征提取网络(Darknet-53),从而构建了EfficientNet-YOLOv3网络模型。实验结果表明,EfficientNet-YOLOv3算法的AP值为96.01%,仅比YOLOv3算法少了0.61%,但是其运行速度得到了较大的提高,FPS达到了19f/s,比YOLOv3算法提高了7f/s,在保证精度损失不大的情况下较大地提高了模型的检测速率,从而可以在保持较高精度的条件下更好地满足输电线路绝缘子故障巡检的实时性需求。     

基于深度学习的架空输电导线缺陷检测方法研究

无人机巡检图像中,架空输电导线断股、表面磨损等缺陷存在人工复检效率低、误检漏检率高的问题,为此提出了一种基于深度学习的架空输电导线缺陷智能检测方法。该方法以Unet为基础网络,结合迁移学习的思想,将VGG16(visual geometry group,16 weight layers)作为主干特征提取网络,并且将VGG16在ImageNet数据集上训练的权重作为预训练权重,以增强训练效果;然后将网络中的普通卷积用深度可分离卷积代替,有效地减少了网络的参数量;最后引入轻量级的高效通道注意力模块(efficient channel attention,ECA),实现不降维的局部跨信道交互策略,突出重要特征的同时克服了性能和复杂性之间的矛盾。在自建的输电导线缺陷数据集上,对方法进行了功能与性能测试,实验结果表明所提方法在导线断股检测上的准确率达到89.81%,在表面擦痕检测上的准确率达到90.86%,在表面刮损检测上的准确率达到93.58%,平均交并比(mean intersection over union,MIoU)值为86.12%,单张检测速度相对于Unet网络提升了8倍左右,提高了...     

基于图像处理的输电线路绝缘子缺陷检测

由于绝缘子一般处于输电线路铁塔顶端,检测环境复杂,人工检测效率不高,危险程度较高。针对这一问题,本文提出采用直升机搭载智能检测工具的方法,对离地较高的绝缘子进行智能检测,通过对绝缘子进行全方位扫描,智能发现缺陷部分,并进行标识,自动识别出玻璃绝缘子损伤的区域。采用图像处理的智能方面,降低了人工检测的危险性,并且提高了检测速度,通过实际绝缘子的图像处理,验证了该方法的有效性和实用性。     

基于深度学习的输电线路关键部件视觉检测方法的研究进展

由于电网规模增长,直升机、无人机巡线的大量应用,产生的航拍图像数量剧增,使输电线路关键部件视觉检测与运检人员数量配置的矛盾日益突出。虽然深度学习技术可显著提高目标检测的准确率,但航拍巡线图像背景复杂,关键部件之间的相互遮挡,标注数据量较少等特点,限制了航拍输电线路关键部件视觉检测的工程应用。本文分析了深度学习中目标检测模型的现状,总结了基于深度学习的输电线路关键部件视觉检测方法的研究进展,并指出了构建输电线路关键部件图像数据库、建立专业的输电线路关键部件知识图谱以及将知识图谱与深度模型相融合对输电线路关键部件检测的重要性。     

深度学习目标检测算法在架空输电线路绝缘子缺陷检测中的应用研究综述

传统架空输电线路绝缘子缺陷检测一般通过人工巡检方式进行。架空输电线路的数量增长使巡检规模更加庞大、巡检环境更加复杂,放大了传统绝缘子缺陷检测方法人力成本高、检测效率低的不足。无人机(unmanned aerial vehicle, UAV)等新型巡线方式依靠深度学习目标检测算法识别架空输电线路绝缘子缺陷,能够有效应对人工巡检的不足,是绝缘子缺陷检测的发展趋势。鉴于此,围绕架空输电线路绝缘子缺陷检测场景,首先梳理常用的深度学习目标检测算法,比较不同算法的检测策略、检测精度与检测速度;然后结合云–边–端协同架构说明算法的改进需求与相应改进方法;最后针对现有绝缘子检测方面的不足,展望了输电线路绝缘子中多类型缺陷的识别问题,并在这一研究趋势下进一步探讨了模型边缘端轻量化与针对小样本数据下的算法研究价值。     

基于深度学习的输电线路故障类型辨识

随着新能源大规模接入和负荷随机行为的出现,输电线路故障特征的构造和选择日趋困难。基于深度学习理论,提出了一种对故障数据进行特征自学习进而实现输电线路故障类型辨识的方法,并通过Ornstein-Uhlenbeck过程更好地模拟了分布式随机性电网的负荷波动。首先,利用PSS\E的PythonAPI编写脚本实现故障的自动化批量仿真,以构建深度学习所需的海量数据集。然后,基于TensorFlow平台对预处理后的高维时空故障样本实现基于深度网络的故障类型辨识,并采用深度自动编码器来可视化分析深度学习的分类效果。最后,以含光伏发电模型的PSS\E23节点系统为例,对所提方法进行验证。仿真结果表明,文中所述方法可基本达到99.99%的辨识正确率,不受故障线路、故障阻抗、故障位置、电压扰动、频率扰动和负荷波动的影响,且能够应对电网运行过程中的噪声干扰。     

深度学习在输电线路工程验收智能缺陷识别中的应用

输电线路项目工程验收是工程建设过程中关键阶段之一,同时也是最后检验工程建设是否符合施工质量和设计指标的重要环节之一,输电线路工程覆盖面广风险因素复杂,因此输电线路工程的验收工作对电网的可靠稳定及安全有着重大意义,验收的工作效率及水平也关系到工程是否能按进度投产及减少运行单位巡检维护该项目的成本。针对如何提高输电线路工程验收工作效率、保证验收质量,提出了无人机立体智能验收应用平台,针对人工识别缺陷图像工作量大、效率低等问题,在输电线路工程验收缺陷识别模块中引入了深度学习技术,通过整合优化的R-FCN(Region-based Fully Convolutional Network)图像识别算法来对采集图像进行学习识别,实验证明该算法对常见典型缺陷如绝缘子自爆、异物鸟巢等准确率平均达到了90%,基本达到实用化水平,大大提高了验收图像缺陷识别的效率,提升了验收工作效率,保证了验收质量和准确度,在降低用人成本的同时实现线路工程验收智能化。     

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。     

基于深度学习的输电线路风险预警识别研究

针对"三跨"输电线路出现故障,将会对电力保障及铁路公路等基础交通设施造成重大影响这一问题,该文提出了一种结合深度学习和图像处理技术的输电线路安全区域内工程机械设备的的识别与检测方法。采用区域卷积神经网络(Faster-RCNN)对位于输电线路安全区域内的各类工程机械设备进行识别与检测,并基于caff框架下进行了实现;算法还结合同态滤波等图像处理技术,以进一步提高在不良光照等复杂环境下的目标检测结果的准确度。多组实验结果表明算法对于各种复杂环境下的各类工程机械设备均具有较高的检测识别率,算法实现了对位于输电线路安全区域内的工程机械类的风险预警识别,为输电线路故障与风险智能识别平台的建立提供了基础。     

基于深度字典学习的输电线路故障分类方法

针对当前输电线路故障分类识别方法存在的阈值整定复杂、人工智能算法可解释性不足等问题,提出了一种基于深度字典学习的输电线路故障分类方法。该方法利用稀疏性约束驱动字典自动提取样本中的故障特征,同时深度字典结构使得所提取的故障特征具有较好的层次性和物理含义,符合人对故障的直观认识,一定程度上解决了数据驱动型方法可解释性不足的问题。最后,通过PSCAD/EMTDC仿真验证了所提方法的有效性。     

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...     

基于深度学习的变电设备缺陷检测

变电设备缺陷是影响电网平稳运行的重要因素,及时发现变电设备缺陷在提升电网可靠性、供电质量、运维水平等方面都具有重要意义.随着视频监控、智能巡检机器人等设施在变电站的逐渐普及,传统人工诊断方法难以应对海量的监控图片.因此本文提出一种基于深度学习的变电设备缺陷检测方法来快速检测监控图片中的缺陷,使用单阶段目标检测算法YOL...     

基于深度学习的PCB缺陷检测研究

印刷电路板(PCB)是保障电子设备产品可靠性的关键因素.因此,对于PCB板的缺陷检测是一项基本和必要的工作.当前PCB缺陷检测方面已经取得了很大进步,但由于PCB板缺陷的多样性、复杂性以及微小性,传统检测方法仍然难以应对.针对PCB板复杂性和微小性问题,文中提出了一种基于深度学习的PCB微小缺陷检测网络,命名为UF-N...