航检影像智能分析与缺陷识别系统设计

高压输电线路的航检影像资料数量巨大,储存整理和缺陷分析工作等运维成本很高。文章基于YOLOv4、语义分割和超分辨等深度神经网络结构,开发了航检影像智能分析与缺陷识别系统,将航检影像原始视频和图片进行分析、剪辑、整理,对杆塔关键部位进行智能化的缺陷分析识别,并结合YOLO、语义分割和超分辨等网络算法特点,提出了具有针对性的叠加组合识别算法模型,采用分布式并行运算服务进行部件缺陷识别,提高了整理缺陷识别效率。该系统将人工智能技术应用于高压输电线路航检影像缺陷识别方面,系统化地对航检影像资料进行处理。测试表明,该系统对输电线路航检影像中缺陷的识别准确率较高且整体识别速度较快,实现了高压输电线路航检影像分析与缺陷快速识别检测,使高压输电线路影像资料管理规范化。     

基于Matlab GUI的绝缘子缺陷检测系统

绝缘子在输电线路的电能输送任务中承担着重要作用,而依靠传统巡检的绝缘子检测方式存在主观性强、人工成本高等劣势。针对上述问题,基于Matlab GUI设计了一种对无人机采集绝缘子图像进行自动缺陷检测的系统。通过对图像进行边缘模糊、灰度化、全局腐蚀、形态学闭运算等处理,在初始图像中识别并定位绝缘子缺陷部分。实验结果表明,该系统对空间位置处于水平、垂直及倾斜的缺陷绝缘子识别准确率分别为80.0%、86.7%、86.7%,对实际运用具有一定价值。     

基于图像识别的无人机输电线路绝缘子故障检测方法研究

针对绝缘子的自爆缺陷故障,基于图像识别技术,设计并实现了一套无人机输电线路绝缘子故障检测方法。该方法依次进行图像色彩转换、图像载入和预处理、OTSU或最大熵值分割法分割以及绝缘子轮廓检测工作,实现了对绝缘子间无明显重叠和有明显重叠图像的前景提取与识别功能;采用基于空间序列关系建立的特征检测算法,实现对图像中部无明显重叠绝缘子的自爆缺陷故障检测和定位工作。经测试,自爆缺陷故障检测和定位准确率较高,速度较快,具有一定的应用价值,并能为类似绝缘子故障的检测研究提供参考。     

无人机巡检绝缘子智能检测算法及实现

针对电网巡检中人工识别绝缘子工作量大、缺陷检测实时性差的问题，提出基于Faster R-CNN的无人机目标快速检测算法，通过将绝缘子的样本进行特征提取，形成不同尺度的检测通道，并对缺陷绝缘子样本集进行匹配，完成绝缘子的快速识别和检测。将所提算法移植于无人机计算平台进行实际验证，结果表明：所提算法可在35ms内完成识别和检测绝缘子，正确率达90%,可满足电网运检智能化、自动化的要求。     

基于深度卷积网络的高铁接触网绝缘子缺陷智能识别方法

文章提出一种基于深度学习技术的高铁接触网绝缘子缺陷智能识别方法.首先利用EfficientNet-B3网络对绝缘子状态进行初步判别,再使用YOLO-V5模型实现绝缘子缺陷信息精确检测.同时,构建了正常、缺损、闪络3种状态,共计3000张图像的绝缘子样本集.实验表明,文章方法对绝缘子状态初步识别的准确率为93.1％,召回...     

航拍图像中玻璃绝缘子自爆缺陷的检测及定位

在分析输电线路无人机巡检系统航拍图像中绝缘子及其自爆缺陷特征的基础上,提出一种玻璃绝缘子自爆缺陷的检测及定位方法。该方法首先在色调、色饱和度、亮度(HSI)颜色空间分别对 H(Hue)和 S(Saturation)分量运用最大类间方差法(OTSU)分割图像,获取绝缘子前景连通域;之后,运用直方图方法对检测到的前景轮廓的倾角和面积分布进行统计,准确识别绝缘子轮廓;最后,设计了一种特征检测算法,检测并标记自爆绝缘子位置。实验证明该方法能从自然背景中准确检测并定位绝缘子自爆缺陷,具有较好的工程应用价值。     

基于高斯尺度空间GHT的绝缘子红外图像识别方法

绝缘子作为输电线路中用量庞大的部件,其状态对输电线路的稳定运行至关重要。针对现场红外图像中绝缘子的识别问题,设计了一种高斯尺度空间GHT方法,基于此,提出了一种基于高斯尺度空间GHT的绝缘子红外图像的识别方法。首先利用形态学方法滤除图像中的小块和噪音,基于Canny检测算子提取图像边缘;然后对模板进行高斯尺度空间分解,将分解结果和输入图像进行基于GHT的模板匹配;最后结合绝缘子的形状特征值识别出绝缘子。实验结果表明该方法可以准确地识别出绝缘子,并为后期绝缘子的故障诊断提供依据。     

基于Census变换的智能型防雷接地设备缺陷可视化系统设计

为提高防雷接地设备缺陷定位的精度,提出基于Census变换的智能型防雷接地设备缺陷可视化系统设计。采用视频跟随扫描与控制方法采集智能型防雷接地设备缺陷图像,结合CT和红外传感识别方法,分析设备缺陷的可视化特征;构建设备缺陷可视化图像的边缘纹理特征分析模型,利用图谱特征解析和差异性特征点标定方法,重构设备缺陷可视化图谱;在边缘纹理特征分析模型下,通过机器视觉识别技术检测图像的缺陷特征,进而采用Census变换进行智能型防雷接地设备缺陷可视化分析和视觉跟踪定位。仿真结果表明,采用该方法进行智能型防雷接地设备缺陷可视化识别的准确性较高,缺陷定位精度高达97.7%。     

基于改进Faster RCNN模型的输电线缺陷检测方法

针对目标尺度差异大和小尺度目标条件下输电线缺陷检测效果不佳的问题,提出一种改进Faster RCNN模型的输电线缺陷检测方法。利用多尺度特征提取区域建议网络,基于K-均值聚类生成适合于输电线缺陷目标的锚框集,使用ROIAlign操作实现特征映射。通过在包含绝缘子、防振锤、销钉和鸟巢4类缺陷图像的自建数据集上测试表明,该方法有效提升了不同尺度目标以及小尺度目标的缺陷检测性能,平均准确率均值达到95.57%。     

基于改进的电力关键部件识别算法研究

针对无人机在电力巡检过程中存在的待识别部件背景复杂、轮廓特征不清晰、各类部件尺寸相差较大等问题,提出一种改进的YOLOv4算法对电力关键部件进行识别。首先搭建深度可分离卷积残差块(M-Resblock-body),用其代替原特征提取网络中的部分普通卷积残差块,在不降低特征提取能力的情况下减少参数量,加快模型的推理速度。然后引入自适应调节感受野网络(SKNet),对输入的感受野进行自适应调节,捕获不同尺度的目标,通过合理分配特征通道的权重来对特征进行有效的表达,提高模型检测精度。最后为了增强模型的泛化能力,对训练集进行一系列数据增强。实验结果表明,改进后的YOLOv4算法在测试集上精度比原始网络提高8.85%,速度提升2.24 frame/s,能够有效实现电力巡检中关键部件的识别及缺陷检测。     

基于视频图像的输变电设备外部缺陷检测技术及其应用现状

基于视频图像的电力设备缺陷检测技术是实现电力智慧运维的关键技术之一,可解决电力设备故障自动诊断、主动预警和在线运维中存在的外部缺陷智能识别问题,减少人力资源浪费,提高电力系统巡检智能运维的频率与效率,从而弥补传统输变电设备巡检运维方式的不足。该文详细综述了当前典型的基于视频图像的输变电设备缺陷检测算法及图像处理技术,分析了传统图像处理方法及深度学习方法在电力设备缺陷检测领域应用的优缺点,总结了当前算法应用及开发平台的现状,指出了基于视频图像的输变电设备缺陷检测技术存在的问题,并展望了未来发展方向。     

基于深度学习的网路图像缺陷识别方法

计算机的发展推动了图像识别技术的发展,使其在各个领域都得到了有效的应用,但网路图像缺陷识别方法存在某些问题,导致图像缺陷识别不准确,识别效率低下,因此,基于深度学习设计了新的网路图像缺陷识别方法。首先进行了图像去噪增强预处理,其次基于深度学习进行了图像分割与边缘检测,最后构建了卷积神经网络图像缺陷识别模型,实现了网路图像缺陷识别,进行实验,结果表明,设计的图像缺陷识别方法的识别耗时短,识别准确率高,有一定的应用价值。     

一种基于LSKNet的绝缘子缺陷检测方法研究

目前,电力网络缺陷检测主要通过无人机航拍完成。对当前公开的数据集进行筛选,发现绝缘子的标注误差较大且正负样本失衡;同时,巡检图像中存在许多小尺度和细长类型的目标,使用现有的算法很难达到高精度的检测效果。针对上述问题,通过雾化算法构建一个新的数据集,采用大型选择核网络(LSKNet),引入暗通道先验算法,提出针对电力网络缺陷的LSK绝缘子图像去雾算法。实验结果表明,在SFID-PRO数据集上的mAP达到85.90%,其中缺陷绝缘子的召回率达到了99.6%,能够对细长物体和小尺寸物体进行精准的检测。     

基于Faster R-CNN的航拍图像中绝缘子识别

为了解决传统绝缘子识别方法存在适用性不强、识别效率低的问题,结合深度卷积神经网络思想,提出一种从电网巡检航拍图像中自动识别绝缘子的方法。应用Faster R-CNN框架,结合电网巡检航拍图像数据库,构建绝缘子识别系统,自动识别航拍图像中的绝缘子,并分析不同模型和参数对识别精确度的影响。实验结果表明,相比于传统航拍绝缘子识别方法,采用深度卷积神经网络对航拍绝缘子进行学习和识别,具有较高的识别准确率和效率,可以很好地识别各种类型的绝缘子,识别性能大幅度提高。     

基于Faster R-CNN的仓库视频监控目标检测方法研究

针对目前电力仓库视频监控图像中目标检测算法对小目标物体、部分遮挡及尺寸大小不一存在检测难度大、漏检、错检等问题,提出基于Faster R-CNN的仓库视频监控目标检测方法,实现电力仓库视频监控中目标分类与识别及仓库智能化监控,保护仓库安全。实验结果表明,该方法提高了目标识别的准确度(m AP),减少了目标物体识别时间。     

基于机载激光点云的电网绝缘子识别方法

为了解决无人机机载激光雷达采集到的点云数据存在密度高但分布不均匀的现象, 以及绝缘子表面纹理信息不全等问题, 提出了一种基于机载激光点云的电网绝缘子识别方法。首先分析杆塔中不同部位的强度值直方图, 用强度值滤波剔除大部分的杆身点云; 然后采用主成分分析法计算局部点云特征值, 根据特征值构建的局部熵函数和空间分布特性删除冗余的平坦区域点云, 并通过栅格修补的方法避免出现点云空洞; 最后针对传统采样一致性初始配准(SAC-IA)算法精度低和速度慢的问题, 通过增加采样点对的距离约束关系和自适应调整参数改进SAC-IA算法完成绝缘子的位姿估计。结果表明, 该方法能正确高效地识别杆塔中的绝缘子, 运行时间大幅减少, 提取正确率达到95.16%。该研究在无人机自主巡检航线规划中具有良好的应用价值。     

基于深度学习和灰度纹理特征的铁路接触网绝缘子状态检测

铁路接触网绝缘子状态检测对铁路行车安全有着 重大的意义,为解决目前人工对绝缘 子图像检测结果的不确定性,提出一种深度学习结合灰度纹理特征的检测方法。首先使用 Faster R-CNN (faster region-based convolutional neural network)目标检测算法对图像中绝缘子精确识别,再通过灰度共生矩阵对绝缘子纹理 特征进行分析提取,之后结合支持向量机将绝缘子分为正常绝缘子和异常绝缘子,实验数 据结果证明使用能量、熵、相关度3种纹理特征进行绝缘子状态分类时对实验数据中的正 常状态绝缘子的分类精度可达100%,异常状态绝缘子的分类精度达97.5%,最后依据绝缘 子图像灰度分布的周期性特点,利用灰度积分投影将异常绝缘子分为破损绝缘子和夹杂异 物绝缘子。实验结果表明所提方法可以有效对绝缘子状态进行检测分类。     

基于无人机影像的电网绝缘子自爆识别

电网因其在电能传输方面的关键性作用,在我国民生项目建设领域一直扮演着至关重要的角色。电网杆塔上的绝缘子一旦发生自爆(也称“缺陷”),绝缘子会自动剥落,输电线路就会产生安全隐患,严重时会降低输电线路的运行寿命,甚至会引发供电中断,发生大范围的停电事故,造成巨大的财产损失。目前,主流的巡检方法为人工巡检,该方法不仅耗时耗力,而且也存在一定主观出错率,已不适用于目前电路巡检的实际情况。本设计采用YOLO V5网络模型,对无人机航拍影像中绝缘子串及绝缘子自爆进行自动识别。首先通过平移、翻转、裁剪等,对航拍绝缘子影像数据集进行数据增广,并对增广后的数据集在LabelImg中进行标注,然后利用YOLO V5网络模型对绝缘子串及绝缘子自爆进行识别,最后采用PyQt5框架在PyCharm中设计了绝缘子自爆识别的系统界面,对模型进行调用,实现了绝缘子串及绝缘子自爆识别。本设计采用从网络上下载、国家电网提供、数据增广所得到的500张无人机航拍影像作为数据集,对所得数据集进行人工标注,再使用YOLO V5网络模型进行训练和测试,结果表明YOLO V5网络模型对绝缘子串具有较高的识别精度,最高识别精度为90.2%,对绝缘子自爆的最高检测精度为80.8%。这说明了YOLO V5网络模型在绝缘子串识别方面有较好的表现,但是由于训练集中绝缘子自爆的样本影像数量有限,所以该网络模型对绝缘子的自爆识别存在一定局限性,本实验能够部分代替人力实现电网绝缘子智能巡检,提高了检测效率。     

基于改进YOLOv5的轻量化绝缘子表面缺陷检测

针对无人机检测缺陷绝缘子时,存在目标特征不明显、小目标检测效果差、无法同时满足检测速度和精度的问题,提出一种基于改进YOLOv5的绝缘子缺陷检测算法。首先,针对目标特征不明显的问题,将ConvNeXt网络应用到YOLOv5主干网络中,以加强网络特征提取能力;其次,针对图像中的小目标特征,在主干网络中引入坐标注意力机制,提高对小目标的检测精度;然后,对改进模型进行剪枝操作,剪去模型中冗余的通道,从而减少模型参数量,使模型更加轻量化。实验结果表明：所提算法在绝缘子缺陷数据集IDID上的平均精度均值达到93.84%,较原始算法提升了3.4个百分点;检测速率达到166 frame/s,较原算法速率提升了69.4%,可以满足对输电线路实时检测的要求。     

远程视频监控图像自动标注优化方法

对远程视频监控图像进行自动标注,实现视频监控中关键帧识别,提高视频信息的分析鉴别能力。提出一种基于远程视频监控图像多尺度关键帧提取的自动标注优化方法,首先构建视频图像的采集模型,然后对采集的图像进行小波降噪处理,对输出的降噪图像通过多尺度关键帧提取进行自动标注,实现图像特征提取和信息识别。仿真结果表明,采用该方法进行远程视频监控图像自动标注,提高了对图像信息的检测识别能力,图像的输出峰值信噪比较高,准确识别概率提高。