基于轻量级MobileNet-SSD和MobileNetV2-DeeplabV3+的绝缘子故障识别方法

当前的深度学习算法多存在模型参数量大、对硬件要求较高等方面的问题,难以嵌入到无人机等移动设备。为了使无人机搭载轻量级模型对架空输电线路中的绝缘子进行故障识别,提出了一种轻量级MobileNet-SSD目标检测网络与轻量级MobileNetV2-DeeplabV3+图像分割网络相结合的绝缘子自爆故障识别、分割方法。该方法首先利用MobileNet-SSD对绝缘子进行精确分类及定位,再结合MobileNetV2-DeeplabV3+语义分割算法对绝缘子自爆图片进行分割。实例表明:该方法能够快速地识别出绝缘子,并可以对各种复杂背景下的自爆绝缘子进行准确分割,同时具备模型参数量小、效率高、鲁棒性强等特征,可在一定程度上满足无人机的嵌入式应用要求,提高基于无人机对架空输电线路的巡检精度和实时性。     

基于ASIFT算法的绝缘子视频图像的识别与定位*

为了实现智能提取直升机巡检视频中的绝缘子图像,基于ASIFT原理的图像处理技术和数据库技术,提出了一种新的绝缘子图像识别与定位方法。该方法首先建立标准的绝缘子图库,通过改进UL－PCNN红外图像分割算法提取绝缘子特征值,然后将输电线路视频与标准图库中的绝缘子图片利用ASIFT算法进行匹配,进而识别和定位视频中的绝缘子。实验结果表明,ASIFT方法具备良好的抗绝缘子图像仿射变形性能,可以在少量人工辅助的条件下对图像进行处理,提高了架空输电线路绝缘子故障检测的自动化处理程度。     

基于红蓝色差和改进K-means算法的航拍绝缘子分类识别方法

绝缘子作为输电线路中最重要的基础设施之一,对其准确识别是实现输电线路运行状态的自行监测与故障诊断的重要前提。为了能够对无人机航拍巡检中的绝缘子进行准确识别,提出基于红蓝色差和改进K-means算法的航拍绝缘子分类识别方法。首先,结合红蓝色差灰度化和加权灰度化,采用改进K-means算法对灰度图像进行聚类分割;其次,通过形态学滤波弥补分割缺陷;最后,根据绝缘子目标区域的红蓝色差均值,将绝缘子的分类问题简化为一维数据分类问题,从而实现分类识别。实验结果表明,该方法对复杂背景及不同拍摄角度下的绝缘子均能快速进行准确的分类识别,总识别率可达94.4%,为无人机巡检中输电线路绝缘子的分类识别提供了新的思路。     

基于Grabcut分割和填充物面积判别的复合绝缘子断串诊断

针对传统 GrabCut 算法需要人工初始化而引起图像分割效率低的问题,结合Otsu方法,提出了一种新的Grabcut自动化算法对复合绝缘子进行分割。首先,对原始图像进行HSV空间转换和加权的灰度化处理。其次,对V通道图像和灰度化后的图像进行Otsu分割并进行或逻辑融合,以此来确定目标绝缘子区域,并结合最大连通域定位绝缘子位置坐标完成Grabcut框取初始化,实现Grabcut的自动化。最后,针对绝缘子断串判别准确率低的问题,通过对绝缘子分割图像的最小外接矩形加框、填充、去原图的方式,提出一种新的面积判别方式来诊断并定位故障位置。实验结果表明：Grabcut自动化算法可以很好地分割出目标绝缘子,分割准确率可以达到96.6%以上。所提出的面积判别方法对于具有断串故障的绝缘子检测率可以达到96.6%以上,对于无故障的误检率为6.7%以下。     

基于红外与可见光图像信息融合的绝缘子污秽等级识别

绝缘子污秽等级的准确识别是污闪防治的有效途径。红外和可见光图像分别表征了污秽绝缘子的表面温度和色彩分布,可从不同角度反映绝缘子的污秽状态,该文提出了基于红外和可见光图像信息融合的绝缘子污秽等级识别方法。建立并求解了湿污绝缘子发热数学模型,得到了绝缘子表面温度分布;通过实验获取绝缘子红外及可见光图像,经图像分割后,提取了绝缘子盘面红外与可见光特征并用Fisher判别法进行选择;将选出的特征与环境湿度、照度组合成为特征向量,并使用贝叶斯决策理论对其进行特征级信息融合,识别绝缘子污秽等级;最后对现场样本进行了识别。实验结果显示,图像信息融合提高了绝缘子污秽等级识别准确率,现场测试结果准确,为准确识别现场绝缘子污秽等级提供了新方法。     

基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型

针对无人机或机器人获取的输电线路绝缘子图像,提出了一种基于深度学习图像识别框架（YOLOv2）网络的输电线路绝缘子在线识别与缺陷诊断模型,训练YOLOv2网络学习复杂背景下各种绝缘子的特征并准确识别,结合边缘检测、直线检测、图像旋转和垂直投影方法,对识别出各种状态的绝缘子进行缺陷诊断。输电线路巡检图像的仿真结果表明,所提出的绝缘子自动识别与缺陷诊断方法能迅速准确地从输电线路巡检图像中识别出绝缘子,并诊断出绝缘子是否破损以及缺陷位置,有利于提升输电线路智能巡检水平。     

可见光图像颜色特征与支持向量机相结合的绝缘子污秽状态识别方法

绝缘子污闪事故严重威胁着电力系统的安全运行,高压绝缘子污秽等级的准确识别是防污闪的重要研究内容。笔者提出了一种基于绝缘子可见光图像颜色特征和支持向量机技术,通过建立污秽等级与可见光图像颜色特征值的映射关系,实现绝缘子污秽状态识别的方法。以深圳供电局多个变电站不同污秽度红色陶瓷绝缘子数据为基础,采用改进种子区域生长法分割得到绝缘子盘面区域,提取RGB和HSV颜色空间36种特征,依据Fisher判据,筛选得到能表征绝缘子盘面污秽程度的S均值和S中值;设计支持向量机多值分类器,进行污秽等级划分。实验结果表明,该方法的绝缘子污秽等级准确率达96.67%,实现污秽状态的准确监测,为绝缘子污秽等级识别提供新思路。     

基于改进色差法的复合绝缘子图像分割技术

针对自然光照条件下复合绝缘子表面存在阴影或暗区域不能准确分割的情况,提出一种基于改进色差法的复合绝缘子图像分割方法。首先,将采集的图像中复合绝缘子所在区域划分为亮、正常、暗三个部分,分别对亮、暗区域进行光照补偿后,重新合成绝缘子图像;其次,对该合成图像进行颜色分量提取和分析,提出一种改进的色差方法获取最优色差灰度图像;最后,采用Otsu自适应阈值算法结合区域标记和几何形状分析进行分割,从而实现输电线路光照不均复合绝缘子目标的准确识别。实验结果表明:该改进方法可以比较完整且准确分割出绝缘子,为后续绝缘子特征提取、故障分析提供了有利参考;将该改进方法分别与传统阈值分割方法、2R-G-B(红色分量Red、绿色分量Green、蓝色分量Blue)色差法进行比较,三者平均分割误差分别为8.18%,36.12%、27.88%,降低了27.94%和19.70%,尤其对弱光、强光下绝缘子分割效率平均提高30%以上。     

基于链码分析的绝缘子伞群脱落检测方法

随着高电压、大功率、长距离输电线路的出现,输电线路穿越的地理环境日趋复杂,应用直升飞机巡检输电线路已成为电力发展的需要.对航拍绝缘子图像进行处理,以识别伞群脱落的绝缘子串,从而及时准确地掌握输电线路中绝缘子串的状态信息,为后续绝缘子故障处理提供必要的依据.采用图像增强、去噪、锐化、阈值分割、形态学和边缘提取等算法对绝缘子航拍图像进行了预处理,提出了对经过预处理的航拍破损绝缘子串图像进行故障检测和识别的方法,即应用MATLAB数字图像处理工具箱,根据绝缘子串图像的形态特征对其进行预处理、链码的计算及模糊划分来检测绝缘子串的瓷片脱落故障并分析其故障程度,测试证明了所提方法的可行性和有效性.     

基于阈值差分的绝缘子缺陷识别算法

为了准确识别出绝缘子缺陷,防止绝缘子破损导致输电线路不能正常运行的问题,提出基于阈值差分的绝缘子缺陷识别算法。首先对图像进行预处理,然后进行自适应阈值分割完成图像二值化,通过形态学处理消除琐碎区域,使用边缘检测算子提取绝缘子边缘。将故障绝缘子与正常绝缘子作差提取缺陷图,依据缺陷像素大小与阈值的关系判断绝缘子的破损情况。将缺陷图二值化后使用矩形框标定。实验结果表明所提出的算法对绝缘子缺陷识别具有一定现实意义。     

基于彩色图像的玻璃绝缘子缺陷诊断

探讨了架空送电线路直升机巡检系统,提高玻璃绝缘子损伤诊断效率的方法。首先采用分块图像的颜色统计识别以及连通域的形状和边缘链码特性,识别出玻璃绝缘子所在区域;然后采用滑动窗口直方图统计及直方图匹配判决的方法,识别出玻璃绝缘子损伤的区域。该方法适用于野外环境中的实时检测,因此可以在一定的光线变化范围和背景复杂度内识别诊断玻璃绝缘子损伤。通过此方法可以在较低的漏检率下快速而准确地检测玻璃绝缘子损伤故障,能在机载系统中具备实时处理能力。     

基于Mask-RCNN算法的复合绝缘子串红外图像分割与温度读取

红外成像可以快速发现复合绝缘子异常温升,从而实现缺陷检测。为了解决复合绝缘子红外检测中人工诊断时间成本高、效率低、背景干扰多的问题,文中提出了基于Mask-RCNN的温升绝缘子自动检测方法。首先使用Mask-RCNN对红外图像数据进行学习训练,进而对其中的绝缘子目标进行识别检测和图像分割。在智能分割之后,通过识别图中的温度范围数据并将绝缘子区域图像灰度与之比对,得到了绝缘子的温度信息,用于绝缘子异常发热故障的诊断。实验研究表明:在对南方某市绝缘子红外测温图像的自动识别中,Mask-RCNN有着优异的表现,能够运用于在巡线工作中,可以有效减轻人工处理数据的压力,对于提升推进智能巡线的智能化水平、保障输电线路安全运行有着重要的意义。     

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。     

输电线路覆冰导线Mask R-CNN图像识别与分割

架空线路覆冰是危害电力系统安全运行的重要因素之一,已推广应用的覆冰图像监测技术迫切需要强泛化能力的图像分析,以提高数据分析的准确率、效率和辅助决策应用。基于南方电网架空线路覆冰预警系统2014—2018年覆冰图像监测数据,提出图像数据清洗和人工标注规则,对图像进行人工质量评估、分类标注及分割标注,建立南方电网输电线路覆冰图像数据集,研究适用于复杂背景下的融合多尺度特征的改进Mask R-CNN导线识别与分割方法。模型训练和测试结果表明,所提方法的识别、分割准确率达92%以上。     

基于YOLOv4和改进分水岭算法的绝缘子爆裂检测定位研究

近年来,航拍巡检代替人工成为了输电线路电力巡检的主要方式,而输电线路上绝缘子的完整性直接影响其供电可靠性。在复杂背景的干扰下,传统的图片处理方法往往对主体识别能力低下。针对这一问题,该文提出了一种基于YOLOv4的深度学习并结合改进的分水岭算法,对航拍绝缘子图像精确识别及缺陷检测的问题进行了研究。首先利用YOLOv4对绝缘子进行精准的识别与定位,有效弥补了传统方法在复杂背景下识别能力低下的不足;再结合改进分水岭算法对绝缘子自爆位置进行识别,该方法可以快速地识别出绝缘子主体和缺陷位置。     

基于ConvNeXt和注意力机制的绝缘子自爆故障检测方法

为了更加准确地识别和定位架空线路绝缘子的自爆故障,保障电力系统安全稳定运行,提出一种基于ConvNeXt和注意力机制的目标检测算法,可用于无人机、巡检机器人等设备拍摄的可见光图像中绝缘子自爆故障检测。首先,使用一种新型卷积神经网络ConvNeXt作为主干网络,使用1∶1∶1∶3的阶段模块数量比例,增强网络对抽象语义特征的提取能力;其次,使用跨阶段局部连接结构,减少网络参数量和计算复杂度,丰富网络梯度连接;最后,引入卷积注意力机制,增强网络对复杂背景中目标区域的感知能力。实验结果表明,改进后的绝缘子自爆故障检测模型的平均精度均值达到97.4%,相比基线YOLOv7提升了1.4%,能够有效实现绝缘子自爆缺陷的检测。     

输电线路绝缘子覆冰厚度图像识别算法

针对当前绝缘子覆冰监测方法研究现状,提出对于复杂环境下的绝缘子覆冰识别。首先利用模板匹配在图像中实现绝缘子的定位检测,然后对图像进行预处理、图像分割、边缘提取等处理,提取出覆冰前后绝缘子边缘,根据区域像素初步判断有无覆冰,若有覆冰进一步再计算其覆冰厚度。最后利用提出的算法对模拟覆冰实验室和现场采集的输电线路图像进行分析,将算法计算结果与模拟覆冰实验室人工测量的绝缘子覆冰厚度值进行比较,误差小于1.5 mm。结果表明,算法能够识别绝缘子覆冰并计算其覆冰厚度,可以真实地反映现场绝缘子覆冰情况。     

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。     

YOLOv4 与 ORB 深度融合的绝缘子识别定位研究

为了解决复杂背景下铁路接触网绝缘子的快速准确识别及定位问题,提出了一种YOLOv4目标检测算法和ORB特征匹配算法深度融合的绝缘子识别定位方法。首先利用迁移学习的策略训练YOLOv4检测网络,解决了绝缘子数据集样本较少导致过拟合的问题;然后采用高斯金字塔提取图像多尺度特征,使原始ORB算法具备尺度不变性;最后将以上两种算法融合,在双目相机获取的图像上标出绝缘子识别框,并在左右图像识别框内提取特征点进行匹配,利用视差原理还原出绝缘子相对于相机的三维坐标。实验结果表明,该方法可以有效地避免复杂背景干扰,准确地定位出绝缘子的三维坐标,4 m内最大定位误差为2.1%,检测速度为35 fps,具有较高的精确性和实时性。     

基于红外图像分割与SSA-SVM的复合绝缘子缺陷检测方法

为了准确快速地识别出交直流复合绝缘子的缺陷类型,本文提出一种基于红外图像分割和麻雀搜索算法(SSA)优化支持向量机(SVM)的交直流复合绝缘子缺陷检测方法.首先,制作复合绝缘子短样,并设置四种不同类型的模拟缺陷,分别施加交流电压和直流电压,采用红外热像仪测量得到正常和缺陷复合绝缘子的红外图像样本;然后,利用最大类间方差法对图像进行阈值分割得到绝缘子区域,由此计算红外特征量,并使用Fisher准则进行特征选择;最后,采用SSA优化的SVM模型实现对绝缘子缺陷类型的识别.结果表明,实验室条件下该方法对交直流复合绝缘子的缺陷类型识别正确率达87％以上,且对现场交流复合绝缘子缺陷的初步识别效果良好.