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。     

基于深度学习的无人机巡检图像质量问题识别与实践

无人机在巡检时受到电噪声和振动噪声干扰,产生图像非线性畸变和振动偏移,造成巡检过程中电力仪表指针数值识别失败。为了解决上述问题,研究基于深度学习的无人机巡检图像质量问题识别与实践。引入深度学习训练提取噪声畸变点信息,利用最小二乘法计算噪声畸变点检测数据,分析检测距离,根据无人机自动读数机制的角度数据计算圆弧数值,解析仪表读数,完成深入分析。根据三维直方图像内部的灰度信息得到维轴距概率,按照深度学习模式提取相应的噪点影响参数,通过计算权值参数求得非局部均值。实践结果表明,所提方法能有效提高电力仪表指针图像识别的清晰度,有效滤除噪声,加强图像识别效果。     

基于深度学习和无人机图像的架空线路缺陷巡检综述

架空输电线路巡检是电网运维工作的一项重要内容,运维人员利用无人机进行线路巡视检测已成为电力巡检工作中的重要手段。本研究首先概述了无人机巡检任务中人机协同作业系统以及无人机智能自主作业系统的架构;其次,分析了当前架空输电线路缺陷巡检领域数据集状况以及数据扩增技术;然后,综述了基于深度学习的无人机图像缺陷检测典型方法以及评价指标,并对比总结了各种方法的优缺点;随后,讨论了无人机图像视觉检测方法中图像采集规范、数据集形式、缺陷检测算法专业化应用等对架空线路缺陷检测效果,指出了图像检测指标和类别定义在电力巡检专业化领域中的不足;最后,探讨了基于深度学习的无人机图像缺陷巡检任务的未来发展方向。     

基于深度学习的输电线路巡检无人机图像分类方法

由于点云数据的不规则性,对点云数据特征值的分类精度很难达到输电线路巡检要求。为此,提出基于图信号处理的激光雷达点云分类方法。该方法在处理不规则的输电线路图像信号时,可直接从原始点数据中生成特征值,从而提高分类精度。为了验证所提出方法的有效性,采取实物仿真的方式对算法进行验证,结果表明图像中的分类精度可达到90%。     

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。     

基于无人机图像与迁移学习的线路绝缘子状态评价方法

针对目前绝缘子运维过程存在着规程过于繁杂,过于依赖运维人员的人工识别等问题,文中提出了一种绝缘子状态评价方法,该方法采用历史绝缘子缺陷图像作为训练样本,通过迁移学习在小样本数据处理的优异性能实现基于深度卷积神经网络绝缘子的缺陷识别模型训练,并借助卷积神经网络的特征提取能力实现绝缘子缺陷量化评分,结合历史样本与专家经验实现考虑运行年限、外界环境等因素实现绝缘子综合状态评价。通过实例分析表明文中迁移学习模型训练后绝缘子缺陷识别准确率可达到90%以上,而采用全新学习在同样的样本条件下识别准确率仅为70%,且文中建立的评价模型在日常运维中能够更为灵敏地体现绝缘子的缺陷状态,说明文中评价方法具有相当可靠性,可为运维人员的日常维护安排提供经验。     

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。     

基于深度学习模型小型化技术的输电线路智能巡检研究与应用

为了解决目前输电线路智能巡检图像采集真空期长以及效率低的问题,提出了基于深度学习模型小型化技术的电力输电线路智能巡检方案。通过飞桨的模型压缩库Paddle Slim,将可以进行输电线路异常识别的模型小型化;再将小型化模型部署在端侧推理引擎Paddle Lite驱动的无源无线的移动设备中,实现了在低算力、低功耗情况下的输电线路智能巡检。方案成果在某电网公司中应用实践,验证了方案的实用性。     

基于无人机巡检图像的绝缘子串自动定位研究

为解决无人机巡检输电线路图像中存在玻璃绝缘子串在复杂环境下定位困难问题,本文基于传统的图像处理技术,提出了一种精准自动定位方法.首先,将巡检图像由RGB转换为HSV格式,通过阈值分割获取绝缘子串上的离散区域.然后,以离散区域的中心点为圆心构造影响范围,将影响范围所构成的连通区域认定为目标所在区域.最后,对连通区域内离散...     

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。     

基于深度迁移学习的输电线路涉鸟故障危害鸟种图像识别

为了实现输电线路涉鸟故障的差异化防治,提出一种基于深度迁移学习的危害鸟种图像识别方法.根据历史涉鸟故障的鸟种信息及输电走廊周边鸟种调查结果,建立88种相关鸟类图像数据集,采用类激活映射进行图像预处理,滤除复杂背景噪声.基于迁移学习的思想,首先利用AlexNet、VGG16、ResNet50、Inception V3这4...     

基于改进U-Net的输电线路绝缘子图像分割方法研究

针对输电线路巡检航拍的绝缘子图像存在背景复杂、对比度不明显、图像质量不能保证等情况造成绝缘子分割精度不高的问题,提出一种基于注意力模型改进U-Net网络的分割方法。首先以VGG16替换主干特征提取网络,增强网络的适用性;同时在下采样过程中引入注意力模型,增强对绝缘子目标的辨识能力,抑制背景、噪声等干扰信息,实现更加精确的分割。实验结果表明:CBAM注意力模型与U-Net网络相结合的方式效果最好,平均重叠度可达96.57%。     

输电线路绝缘子放电模式的识别

为了正确判断输电线路绝缘子放电的类型以及放电的严重程度,在绝缘子放电声发射试验的基础上,首先针对放电产生的超声波信号(放电声发射),在时域状态下求出反应其波形特征的18个特征指标,利用主成分分析法,在这18个特征指标中提取4个互不相关的主成分的表达式,并解释了每个主成分所代表的含义,以降低指标维数,避免信息重叠为目的,提高放电模式识别的速度和准确性;其次,根据得到的特征指标,应用神经网络对放电模式进行识别.识别结果表明,利用放电声发射信号进行绝缘子放电模式的识别,可以有效地判断绝缘子放电的类型,该方法为电力设备的在线监测与故障诊断提供了一种新思路.     

基于深度学习的电力设备图像识别方法

针对传统方法对电力设备的图像特征分类不明确,导致得到的图像识别效果不佳,难以保证安全运行的问题,提出了基于深度学习的电力设备图像识别方法。该方法首先提取电力设备图像特征分类伪装因素,然后基于深度学习方法构建网络模型定位错误锚点,通过正负训练标记识别目标区域,从而完成对电力设备图像的识别。实验结果表明,以变压器和电线塔杆作为识别设备测试对象,该方法能在30 s内基本完成采集图像的有效识别,可保证电力设备能稳定运行,具有较好的实际应用效果。     

输电线路绝缘子串检测机器人设计与应用

设计一种绝缘子串带电检测机器人。该机器人可以沿着绝缘子串自由攀爬,集绝缘检测、外观检测于一体,可以有效判别绝缘子低、零值和表面裂纹等缺陷。详细介绍绝缘子串检测机器人的整体结构、工作原理及现场应用,该机器人的应用能够减轻人工检测的劳动强度,降低输电线路运行维护成本。     

基于图像识别的嵌入式架空线路监测系统

异物入侵所导致的架空线路跳闸严重影响电网安全。提出一种基于双目立体视觉算法进行高压输电线路异物入侵检测的方法,实现了基于嵌入式的前端在线异物入侵检测系统。相对于传统基于单目相机检测的方法,指出该方法的主要优点是对于场景内目标空间位置的估计更加准确,从而能提高异物入侵报警准确率。同时,基于前端嵌入式的系统实现方式可以减少对系统网络带宽的占用并降低系统整体功耗。实验结果表明,研究所实现的系统能够有效地实现对高压输电线路异物入侵的在线自动检测。     

基于改进Libra-RCNN的输电线路绝缘子识别

针对无人机航拍输电线路识别绝缘子的定位精度和稳定性较差等问题,提出一种基于ASFF金字塔网络的Libra-RCNN绝缘子检测模型。首先,使用FRN归一化层替代原BN层,消除归一化层对训练批次大小依赖,增加模型学习效率;然后在Libra-RCNN算法金字塔中引入ASFF网络结构,有效解决特征金字塔内部不一致问题;最后借助GIoU交并比替代原IoU交并比,更好精确绝缘子位置。在Insulators＿Datasets绝缘子数据集中,改进Libra-RCNN模型平均准确率达94.10%,召回率达97.51%;相较原Libra-RCNN模型分别提高2.23%、2.61%,表明所提算法能稳定、有效地识别绝缘子。     

基于深度学习的绝缘子缺失检测方法研究

绝缘子缺陷严重影响输电线路安全,航拍图像绝缘子缺失的有效识别是无人机线路巡检。提出一种轻量级网络的绝缘子缺失检测模型,使用轻量级网络MobileNetV3替换YOLOv4模型的CSPDarknet53网络。以分割性能和计算速度为判据,综合分析比较了YOLOv4模型和使用轻量型网络对其主干网络替换后的模型在绝缘子缺失检测上的性能,实验结果表明：筛选的YOLOv4-MobileNetV3轻量级网络绝缘子缺失检测模型能够准确定位图像中单、多目标绝缘子;改进后YOLOv4-MobileNetV3检测模型比原模型的体积减少了78%,FPS提升了4.85 f/s,而mAP仅降低0.6%。提出的绝缘子缺失检测方法能够满足无人机电力线路巡检的需求。     

基于深度学习的居民区识别在电力线规划中的应用

针对高压输电线路规划设计中居民区数据难以精准获取的问题,采用人工智能算法,提出了基于深度学习的遥感影像居民区自动识别方法。在Matconvnet框架下,利用迁移学习技术在小样本情况下开发了一套针对多源遥感影像的居民区检测系统。以陕西省宝鸡市为例,对算法进行验证,结果表明,该算法居民区识别精度优于93%,能很好地满足高压线规划设计中对居民区数据的需求。