适用于移动端的输电线路鸟类检测算法研究

输电线路安全是电网安全稳定运行的前提,但是频繁的鸟类活动却给输电线路造成了严重影响。为解决传统驱鸟方式的弊端,研究人员采用深度学习算法进行鸟类检测,然而深度学习算法需运行在性能好的服务器上,这必然会造成网络时延,无法做到实时驱鸟,所以应在移动端进行鸟类检测,但现有的目标检测算法模型较大,无法直接应用在移动端,因此本文提出一种适用于移动端的YOLO v3输电线路鸟类检测算法,将YOLO v3模型中的基础网络darknet-53替换成轻量级的特征提取网络MobileNet,实现了移动端输电线路鸟类检测。实验结果表明,在输电线路鸟类检测任务中,该模型准确率可达到83.57%,检测速度达到61 fps,可在内存4 GB的移动端平台稳定运行,能够满足输电线路鸟类检测任务的精度要求及实时性要求,具有良好的应用前景。     

基于YOLO v3的输电线路鸟类检测技术研究

输电线路安全是电网安全稳定运行的前提,但是鸟类对输电线路造成的危害直接威胁到输电线路的安全运行.为解决传统驱鸟器启停策略的弊端,提出基于YOLO v3算法的输电线路鸟类检测模型.通过输电线路监控装置获取图像数据,使用残差模块提取图像的深层次特征,采用多尺度目标检测策略来保证鸟类的检测效果.实验结果表明,在输电线路鸟类检测任务中,该模型准确率可以达到86.75%,检测速度达到47 frame/s,可以精确实时地检测出输电线路周围的鸟类数目,并验证了该模型在雨天、雾天、抖动情况下具有较强鲁棒性,可以保障输电线路的安全、稳定运行.     

基于YOLO V3算法的输电线路鸟类检测

为了精准检测输电线路周围的鸟类数目,及时驱鸟以确保线路的正常运行,对YOLO V3算法提出两点改进:将原网络中52×52尺度的特征图进行2倍上采样后与第二个残差块拼接,建立特征融合的检测层,提高算法对小目标的检测精确率;通过计算检测框对应的比例因子更新检测框的置信分数,对非极大值抑制算法NMS进行优化,提升模型对遮挡鸟...     

基于改进型DETR的输电线路防震锤检测

防震锤在输电线路中有着减少输电线因风产生摆动的作用,如不对风摆采取措施,可能会导致线路断裂,杆塔倒塌等事故。针对防震锤巡检状态效率低下的问题,提出了改进型DETR的防震锤检测方案。方案首次将基于transformer的目标检测模型DETR应用到防震锤检测中,通过e-fficientNet网络提取巡检图像特征,经过BiFPN网络将不同分辨率特征进行融合后,送入DETR中进行分析,达到了90.77%的检测精度,且具有一定的泛化能力。结果表明,上述模型能够有效检测出巡检图像中的防震锤,为后续故障诊断提供了理论依据。     

基于图像融合的输电线路覆冰边缘检测

输电线路覆冰一直是电力系统迫切希望解决的重要问题之一。针对输电线路覆冰边缘检测,提出了一种基于图像融合技术的方法对输电线路覆冰状态进行判定。对输电线路进行边缘检测是通过图像预处理、Canny算子的边缘检测、形态学边缘检测以及像素级图像融合等方法实现的。实验仿真表明:融合后的图像边缘能够取各自的优势,使边缘检测效果更好。     

面向输电线路的异常目标检测方法

输电线路异常目标检测是电力系统监控的重要环节。现有的检测方法并未针对输电线路场景进行有效设计,存在深度网络所提取的特征不够充分,在目标环境多变、尺度变化等影响下缺乏鲁棒性等问题。本文提出一种面向输电线路的异常目标检测方法,该方法采用HRNet作为主干网络提取高分辨率特征,结合HRFPN优化目标特征表示的质量与在RPN阶段均衡产生的正负锚点数量比例,并使用级联的目标检测器进行分类和边界框回归。在输电线路场景的检测结果表明,本文提出的方法具有更高的检测性能,优于Faster R-CNN、Cascade R-CNN。     

输电线路常见故障分析与检测方法综述

在常年的使用过程中,用于电力传输的输电线路常常受到外界环境的影响,使得输电线路部件容易出现不同程度的破损,这给输电网络的安全运行带来了极大的挑战。对输电线路常见故障分析与检测方法进行研究。分析了输电线路中常见的部件故障类型,并调研了输电线路故障检测的代表性方法。其中,基于深度学习的检测方法在输电线路故障检测中扮演着重要的角色。最后指出了当前输电线路故障检测存在的困难点以及未来的发展趋势。     

基于Cascade R-CNN的输电线路关键部件识别

针对无人机在输电线路关键部件巡检图像中目标多,且尺度相差较大,导致识别率低的问题,提出使用深度学习目标检测算法Cascade R-CNN进行识别。由于输电线路关键部件无公开数据集,采集输电线路关键部件图片,并将图片数据的分辨率进行统一,使用LabelImg软件进行标注,制作一个符合训练要求的数据集。基于Paddle框架进行模型搭建,使用PaddleDetection训练工具进行全流程训练调优,进行测试。实验结果表明,基于Cascade R-CNN算法的模型在进行目标尺寸相差较大的多目标检测时,在测试集上的精度(mAP)可以达到91.39%,检测效果较好。     

一种新的输电线路异物检测网络结构——TLFOD Net

高压输电线路上悬挂的漂浮异物可能会对输电产生巨大危害，而现有的物体识别方法无法对不规则物体进行有效识别。为此，本文提出一种异物检测的新型网络结构：TLFOD Net（Transmission Line Foreign Object Detection Net）。针对异物特点设计的TLFOD Net网络结构，主要包括特征提取网络、区域生成网络和分类回归网络3个部分；优化了合适的候选框；并提出端到端的TLFOD Net联合训练方式以提高网络训练的性能。采用图像预处理技术，增加训练集的数量。通过实验结果分析表明，TLFOD Net比现有的网络在识别速度以及识别精度上均有显著提高。     

改进SSD的输电铁塔鸟窝检测

输电铁塔作为架空输电线的重要组成部分,其安全状况将影响整个电力系统的运行,鸟窝的搭建作为影响输电线路正常运行的重要因素之一,需要对此进行监控.而现有的监控手段不仅效率低,还需要耗费大量的人力物力.本文针对这一现象提出一种基于SSD算法的实时检测方法,并在SSD的网络结构基础上将前置网络VGGNet替换为ResNet-101,提高其特征提取能力,并将Softmax loss用Focal loss代替以改善SSD算法中样本不平衡的问题,并利用数据增广提高数据多样性,以提高模型的鲁棒性.实验结果表明本文所提出的方法检测精度对比原SSD算法在准确度和召回率上分别有3.17%和6.35%的提升.     

基于特定场景的图像篡改检测算法的研究

提出一种针对特定场景的图像篡改检测方法。针对场景中存在有反射现象的图像对象．通过对图像进行内部相似性搜索,找出所有的相似子区域对,根据描线确定中心点．根据连线的中心是否在反射面附近,来判断图像有无遭遇篡改。通过MatLab对算法进行仿真．验证算法对该类型图像的检测效率。     

基于随机森林模型的输电线路故障检测系统研究

针对输电线路故障传统诊断方法抗干扰能力差的现状,利用随机森林模型在预测和分类工程领域的独特优势,提出了一种基于随机森林模型的输电线路故障诊断方法,故障类型诊断的特征量采用小波变换提取的故障电流暂态能量和故障状态下各相电流突变量比例系数。通过基于PSCAD/EMTDC的仿真对比试验验证了本方法在不同故障时刻、不同过渡电阻和不同故障位置下输电线路故障诊断的有效性和优越性。本方法具有更好的故障诊断准确率和适应性,可为不同情况下的输电线路故障检测提供有效的借鉴和技术指导。     

基于图像处理的手机屏幕缺陷检测系统研究

针对手机屏幕生产中的缺陷检测问题,提出了基于机器视觉的手机屏幕玻璃缺陷检测系统,采用光学成像模块、图像采集模块和图像处理软件设计模块对手机屏幕玻璃缺陷进行识别检测,检测效率高,实时性好.对手机屏幕玻璃缺陷检测所需用到的算法进行了研究,针对手机屏幕玻璃缺陷细微、痕浅等特点,提出了基于图像快速匹配的差分算法,实现了缺陷特征的准确提取.     

基于混合遗传算法的输气管压气站优化运行研究

本文提出了一种将模拟退火算法和遗传算法相结合的混合遗传算法,并将其引入输气管压气站优化运行问题中。结合实例,对不同算法进行了分析比较,结果表明由该算法获得的解比其它算法更优,且具有较好的优化性能、较高的优化效率和较强的鲁棒性。     

基于次生波的输电线路智能驱鸟装置设计

为了减小鸟类对输电线路可靠性的影响,利用次声波驱鸟原理,设计了一种新型的智能型驱鸟装置,该装置具有一定的实用价值.     

改进CenterNet的高压输电线路巡检故障实时检测方法

针对通用深度学习目标检测技术难以在高压输变电线路巡检时实现实时高效的故障检测,提出一种改进CenterNet的高压输变电线路巡检故障实时检测方法,对绝缘子自爆、防震锤脱落、鸟巢三类常见巡检故障进行检测.该方法基于深层特征融合网络(DLAnet,Deep Layer Aggregation)、挤压-激励SE(Squeez...