基于无人机图像处理的输电线路提取技术研究

为进一步减轻输电线路进行定期检查、巡视的任务,文章提出了一种利用智能化无人机巡检技术,对航拍图像进行线路的提取和跟踪。采用直方图均衡化及图像滤波对航拍图像进行预处理,解决了航拍图像光照强度以及背景对输电线路元素提取的干扰;采用LSD算法实现了线路边缘的提取,在去除图像背景信号的基础上使用Hough变换数学算法实现了输电线路的准确连接;分别采用粒子滤波和扩展卡尔曼滤波两种图像跟踪方法对航拍视频进行线路跟踪,通过建立输电线运动模型,用仿真软件对其进行识别,两种方法的检测准确度分别为95.34%和94.72%,证实文章处理算法可实现输电线路的提取和跟踪。     

结构化矩阵分解的网状织物缺陷检测方法

针对在网状织物缺陷检测过程中因纹理复杂造成误检问题,提出了一种结构化矩阵分解的网状织物缺陷检测方法。首先,通过Retinex算法对图像进行增强,利用所提取的底层图像特征生成特征矩阵,并将其分解为含有织物图像背景信息的低秩矩阵和含有缺陷信息的稀疏矩阵;其次,引入了高级先验矩阵和索引树两个部分,通过利用增强后图像进行获取,并对两个部分进行特征融合,实现缺陷显著性增强。通过计算稀疏矩阵的值,获得缺陷的显著性的大小;最后,通过最佳阈值分割算法分割缺陷显著图,从而得到缺陷检测结果。利用公开数据集TILDA和BASLER工业相机采集到的网状织物缺陷图像验证了算法的性能。研究表明,与其他算法相比,本文算法的识别准确率达到94.25%,召回率达到92.48%,分类准确率达到90.12%。     

基于改进稀疏表示的变电站保护压板状态辨识

鉴于保护屏柜柜门的镜面反射,导致通过图像识别压板状态准确率较低的问题。提出一种基于改进稀疏表示的变电站保护压板状态辨识方法,在消除高光干扰的基础上,实现压板状态辨识。针对高光干扰问题,首先利用二维最大类间方差法检测图像中的高光区域,然后改进稀疏表示修复算法,实现对图像中高光干扰的消除。对于修复后图像,再根据最小外接矩形法对保护压板进行状态辨识。最后,通过有无高光干扰的两组对照仿真分析检验了所提方法的有效性和准确性。其中,其中对无高光干扰的200个不同型号的压板样本进行状态辨识,最小外接矩形法的准确率为98.0%,优于倾角辨识法的83.5%,对存在高光干扰的240个图像样本采用改进稀疏表示算法进行状态辨识,其准确率可以达到97.92%。     

基于图像块相关的弱小目标检测算法研究

针对复杂云层背景下的弱小目标检测问题,提出了一种基于图像块相关的弱小目标检测算法。首先对图像进行灰度值反转,然后利用相邻块之间相关性进行云层背景抑制的预处理,从而削弱复杂云层背景对弱小目标检测的干扰,最后对图像进行灰度值拉伸处理,增强弱小目标,提高对目标的检测准确率。实验结果表明,提出的算法可抑制云层背景对弱小目标干扰,实现复杂背景下弱小目标的检测。     

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。     

基于局部上下文信息的电力线提取算法

从无人机采集的具有复杂背景的可见光航拍图像中准确提取电力线是极具挑战的任务,因而提出了一种新的基于局部上下文信息的检测算子(detector based on local context information, DLCI)。首先,基于电力线在航拍图像中局部特殊的语义特征设计具有空间对称结构的DLCI算子,并分别定义特征同质性能量函数H_1和特征异质性能量函数H_2,利用H_1和H_2实现对电力线像素点的初步筛选。然后,定义电力线空间局部一致性响应函数H_3实现对电力线像素的提取。最后,采用基于包络线分段拟合(envelope-based piecewise fitting, EPF)算法实现对电力线的拟合。实验结果表明,所提算法在多种航拍场景下均能实现对电力线的准确提取,不仅兼顾建模简单和相对高精度的优点,而且具备一定程度的算法稳定性,具有较高的工程应用价值。     

基于Canny-YOLOv3的列车轮对踏面损伤检测

针对CCD轮对图像背景噪声干扰较多,难以识别踏面损伤区域的难题,提出了一种基于Canny-YOLOv3的踏面损伤检测方法。采用Canny边缘检测算法对轮对踏面进行边缘检测,精准识别和分割出轮对踏面区域,并统一踏面图像的尺寸大小;又采用深度学习目标检测算法--YOLOv3检测出踏面图像中的损伤区域,从而完成轮对踏面的损伤检测。仿真结果表明,在相似图片干扰较大的背景下,该算法能够较准确地检测出损伤的位置和区域,且IoU值设定为0.5时,AP值可达83.19%。     

基于TCensus的立体匹配算法及FPGA设计

随着无人机技术的迅速发展,利用无人机代替人工进行电力线巡线是行业内发展的新趋势。尽管无人机电力巡线相对于人工巡检效率更高,更加安全,但无人机巡检仍然面临一些问题,无人机的避障技术亟待完善,在巡检过程中无人机会出现与周边障碍物相撞的情况,尤其是细小的电线对无人机安全造成巨大的威胁。这些线状物往往目标不明显,雷达,超声波等技术得到的回波较少,造成避障困难。基于双目视觉系统的无人机避障技术在无人机避障领域得到了广泛的研究和关注。针对双目视觉实时无人机电力巡检避障应用,提出了基于TCensus（形态学Tophat变换和MiniCensus）变换的匹配代价测量方法来对原始图像中的弱目标进行增强,同时采用基于十字结构的支持区域来提高匹配的准确度。实验证明,本文设计的双目视觉系统可以有效检测无人机到电力线之间的距离,检测误差达到5%,提出的TCensus立体匹配算法与其它方法相比除了能够获得同样准确的背景深度图之外,还能对电线区域具有更精细的成像效果。     

基于Faster R-CNN算法的变电站 设备识别与缺陷检测技术研究

变电站作为电力运输的中转站,是城市运转,人民生活的重要基础设施。变电站在运行过程中,经常发生由于位置偏僻,不支持机器人和无人机直接进行探测而造成的设备运作温度检测不及时的问题。传统的变电站设备缺陷识别算法是基于机器学习算法,精确度低,只适合单个设备类别的缺陷检测,易受到环境影响。基于此,文中出一种改进的识别变电站设备红外缺陷方法。首先,基于Faster R-CNN的目标设备检测,对6种类型的变电站设备包括套管、绝缘体、电线、电压互感器、避雷针和断路器进行目标检测,以实现设备的精确定位;然后,基于稀疏表示分类（SRC）来识别不同的类,因此可以获得输入样本的实际标签;最后,基于温度阈值判别式算法,在设备区域中识别温度异常缺陷。文中算法实现了在红外线图像下的设备识别和检测,使用文中算法对6类设备的红外图像进行检测,准确率达到91.58%,不同类型设备的缺陷识别率为97.63%,缺陷识别准确率达到87.62%。实验结果表明该方法的有效性和准确性。     

航拍绝缘子卷积神经网络检测及自爆识别研究

无人机巡检通过搭载的高清相机和图传设备可获取大量详实的巡检影像。绝缘子是输电线路中极其重要且用量庞大的部件,在图像视频中快速准确地检测出绝缘子可为无人机贴近铁塔和输电线路进行细节巡视的测距和避障飞行提供可靠的依据;同时绝缘子为故障多发元件严重威胁电网的安全,需充分利计算机技术对其进行故障诊断。通过搭建卷积神经网络,在由5个卷积池化模块和2个全连接模块组成的经典架构的基础上,对网络进行改进,实现在复杂航拍背景中绝缘子检测。同时在训练的网络模型中抽取绝缘子的特征融入自组织特征映射网络中实现显著性检测,结合超像素分割和轮廓检测等图像处理方法对绝缘子进行数学建模,提出一种针对绝缘子自爆故障的识别算法,取代人工分析,降低由人为经验判断可能造成的误差。经测试,复杂航拍背景下的绝缘子检测精度达90%以上,自爆识别准确率达到85%以上,均满足工程需求,有效提升巡检的效率和智能化水平。     

基于数字图像处理的电力线异物识别方法研究

针对架空线路异物搭挂的潜在威胁,本文提出一种快速识别航拍图像中异物的方法.首先运用直线段检测(LSD)算法从预处理后的图像中提取电力线,并基于架空导线上异物特征设计针对异物的识别算法,提取导线异物;接着对其进行边缘检测,提取缺陷画框并在巡检图像中标识;最后,通过多组样本数据对算法实用性能进行评估.实验结果表明,该方法能...     

基于背景估计的焊缝缺陷检测

针对射线检测图像中缺陷识别率低的问题,利用背景估计和差分运算来增强缺陷、抑制复杂背景和噪声。该方法首先利用Otsu分割获得的掩模图像提取焊缝区域;其次通过改进的中值滤波对焊缝区域进行背景估计,反背景差分获得含有缺陷的差分图像;随后根据缺陷与误检边缘处梯度方向的差异性,利用多方向多级梯度有效解决背景残余问题;最后通过自适应阈值分割将含有缺陷的差分图像二值化。实验结果表明,该方法具有较高的缺陷识别率,召回率和准确率分别达91.90%和 90.95%,在实际中具有较好的应用价值。     

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。     

基于改进Canny算子的绝缘子裂纹检测研究

为解决绝缘子图像中由于背景的复杂性 导致边缘检测 存在噪声及伪目标问题,提出了基于二维阈值分割的Canny算子边缘优化法。首先,在HSI颜色空间通过对S分量进行强化,有效弱化背景,突出绝缘子目标;其次,针对传统canny算子在提取绝缘子边缘时由于部分噪点突出导致检测裂纹的精度较低,提出对Canny算子中的阈值选取进行改进,采用二维直方图灰度-局部方差法对经预处理的图像进行阈值处理。所提改进算法能够有效优化绝缘子航拍图像处理结果,提高检测绝缘子裂纹准确率。     

面向架空线路的无人机带电无损探伤系统的研究与应用

针对目前输电线路金具压接工艺、质量检测方法准确率低且特征分辨率弱,传统探伤技术受限于设备的体积、对碳纤维导线和钢芯铝绞线适用性等问题,研制一种基于无人机的架空线路 X 光带电无损探伤系统。对压接金具在服役过程中各类缺陷的形成机理进行分析,建立关键设备状态评价体系,在此基础上,提出无人机X光带电无损探伤检测模型,采用遥感图像采集技术实现探伤图像采集,对采集的架空线路线夹遥感图像进行高斯滤波降噪处理。基于边缘检测图像分割算法对降噪输出的探伤图像进行故障缺陷分区,实现缺陷精准识别、故障定位。实验结果表明,研制的无人机带电无损探伤系统损伤检测的特征分辨能力较强,同时具备主动减振、电磁防护特性,对架空线路本体及附属设备缺陷的精益化管控具有重要意义。     

复杂背景下多特征结合的深度学习手势识别

科学技术的快速发展使得基于深度学习的人机交互已经得到广泛的应用。手势识别作为人机交互领域的重要组成部分,同样具有重要的研究意义和应用价值。通过对传统的手势识别方法进行研究,发现主要是利用肤色检测算法实现手势识别和分类,但是传统方法在针对具有复杂背景的手势图像时会出现识别效果差等问题。为解决这一问题,提出一种基于卷积神经网络的肤色特征和边缘特征结合的手势识别方法。首先,在YCrCb颜色空间采用椭圆肤色模型和Otsu阈值肤色识别算法获取手势肤色特征,经算法判断后,对手势肤色图像采用改进Canny边缘检测算法获得手势边缘特征。其次,提出一种边缘填充方法对手势边缘图像处理,得到手势轮廓完整的手势边缘图像。最终,采用逻辑运算和形态学运算得到手势分割图像,并输入卷积神经网络进行训练和识别。实验结果表明,该方法在复杂背景下具有较好的手势识别效果,在NUS-II数据集上的平均识别率为98.83%。     

基于USRNet与改进YOLOv5x的输电线路绝缘子故障检测方法

针对无人机输电线路巡检图像的复杂背景目标检测失准、故障小目标难以被准确检测的问题,提出一种基于深度展开超分网络(deep unfolding super-resolution network,USRNet)与改进YOLOv5x算法的输电线路绝缘子故障检测方法。首先,使用USRNet对原始图像进行超分辨率重建,以降低复杂背景干扰实现测试数据集优化;然后,以YOLOv5x检测模型为基础,利用K-means++对标记框进行聚类,生成匹配输电线路故障目标尺寸的锚框;同时,通过更改多尺度特征融合模块结构,在预测端引入一个包含更大特征图的检测头以检测故障小目标;最后,使用有效交并比损失(efficient intersection over union loss, EIOU＿Loss)函数优化模型整体性能,并设置对比实验对所提方法进行验证。结果表明,所提方法的均值平均精度(mean average precision, mAP)值达到98.8%,可使输电线路故障检测精度提高到95.4%,从而具有更好的复杂背景目标以及小目标检测性能。     

基于机器视觉的无人机自主着陆技术

为了提高无人机着陆过程中的自主性和智能性,提出了一种基于机器视觉的无人机自主着陆算法。算法采用了红外图像与可见光图像协同的方式,首先对着陆模型进行设计;其次,通过着陆模型的颜色、纹理、热成像等特征对着陆模型进行检测识别;最后,通过确定降落模型的质心位置并跟踪,实现无人机的位姿调整。实验表明,该算法大大降低了基于机器视觉进行无人机位置识别时对环境光线的要求,提高了基于机器视觉的无人机自主着陆控制系统的抗干扰能力,实现了基于机器视觉进行自主降落的无人机的全天候自主着陆。     

基于Transformer改进YOLOv5的山火检测方法研究

构建智慧生态林业中核心环节为对森林火灾的监测及防范，为了第一时间扑灭火源防止火势蔓延并将可能发生的山火隐患于第一时间消除，提出了两种适用于无人机高空巡检的森林火灾检测模型YOLO_MC与YOLO_MCLite。其中YOLO_MC可对标准图像中的明火及烟雾进行检测，并基于YOLO_MC模型进行轻量化设计，提出适用于热图像中高温区域的检测模型YOLO_MCLite。在网络结构的设计中，首先在常规的卷积神经网络中融合加入了Transformer模型，提升了主干网络对于全局特征信息的感知能力；同时对Transformer模型进行轻量化设计，首先在网络结构上通过分组计算的形式减少tokens数量以降低计算量，其次通过通道注意力机制对特征块的通道数进行去冗余并提权来减少tokens的维度参数以降低计算复杂度，并且采用蒸馏算法从所设计的网络中提取出超轻量化网络应用于无人机红外影像的森林高温点检测,以预防森林火灾的发生。经过实验得出以下数据：所设计的两个检测模型中，其中适用于标准图像中对于明火及烟雾的检测准确率可达948%，适用于热图像对高温点的检测准确率可达972%，并且在英伟达JETSON TX2嵌入式设备上测试两个模型的帧率分别达到了225以及324。实验结果表明本文所设计网络能够对森林火灾进行有效检测并可以通过检测高温点及时预防火灾发生。     

基于改进YOLOv7的输电线路绝缘子设备及其缺陷检测算法

针对输电线路无人机巡检中绝缘子设备及缺陷图像检测过程中存在的绝缘子目标尺寸变化大、缺陷目标尺寸小、背景复杂干扰多和难易样本不平衡等问题,提出一种基于改进YOLOv7的绝缘子设备及缺陷检测算法：1）针对绝缘子缺陷目标尺寸小问题,在YOLOv7特征提取网络浅层引入卷积注意力机制,聚焦缺陷;2）针对绝缘子目标尺度变化大问题,在YOLOv7特征提取网络底部引入感受野增强模块,提取不同尺度目标特征;3）针对背景干扰问题,改进YOLOv7特征融合网络,在顶部引入显示视觉中心模块,同时关注全局信息与局部信息;4）针对难易样本不平衡问题,使用Focal-EIoU损失替换YOLOv7坐标回归损失。在合并的绝缘子及其缺陷无人机图像公开数据集上,该算法的多类目标检测精度均值达到了97.36%。