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。     

基于视觉的绝缘子定位与自爆缺陷检测

设计了一种绝缘子识别定位与自爆缺陷检测方法。识别定位算法首先使用最大类间方差法对绝缘子进行分割,然后提取绝缘子不变矩特征值,最后使用Adaboost分类器定位绝缘子位置。针对自爆绝缘子的形状特点,设计了计算相邻绝缘子的欧氏距离的检测方法。自爆缺陷检测方法在处理多个自爆点时检测效果较好,准确率达到87%。通过实验得出,方法准确率较好,更加适合在实际场景中应用。     

航拍绝缘子自爆缺陷的轻量化检测方法

为了精准识别、定位架空输电线路中航拍绝缘子串的自爆缺陷,提出一种轻量化检测方法 MDD-YOLOv3。首先将YOLOv3主干网络残差单元中的普通卷积替换为深度可分离卷积,设计主干网络D-Darknet53,在网络检测精度微降的情况下,大幅提升网络的检测速度。特征挖掘模块中,设计了Dense-SPP模块,Dense-SPP和它前后串联的卷积特征提取层能充分挖掘自爆缺陷的全局和局部特征,提高网络对自爆缺陷的特征表达能力。最后构建了四维度预测层,能充分提取自爆缺陷的位置、纹理和语义等信息,提高网络的小目标检测性能。仿真实验表明,MDD-YOLOv3对绝缘子的检测精确度达到96.1%,检测速度达到36帧/s,相比YOLOv3,检测精确度和速度分别提升了4.0%和28.6%。研究结果证明所提方法可以在复杂背景下快速且精准的识别和定位绝缘子缺陷。     

基于改进 YOLOv４算法的绝缘子故障检测研究

为解决目前人工处理分析无人机巡检图像效率低、检测结果受人为因素影响较大的问题,提出了一种用于 检测绝缘子缺陷的改进 YOLOv４故障检测模型.通过改进普通卷积算法以提升检测速度,使用数据增强方法提高 YOLOv４对绝缘子缺陷检测性能,解决实际检测环境中缺陷图像数量少且识别精度低的问题.试验结果表明,所提方 法的缺陷检测精度和召回率分别为0.91和0.96,能够满足电力线路绝缘子缺陷检测的鲁棒性和准确性要求。     

绝缘子自爆缺陷的轻量化检测网络DE-YOLO

为了实现输电线路的高精度、高速度巡检,设计了一种适用于移动终端设备的轻量化目标检测网络DE-YOLO。首先融合深度可分离卷积、逐点卷积和ECA注意力机制提出了特征提取模块NewC3,它负责显著降低网络参数、同时强化网络提取绝缘子有效信息的能力。再借助通道数成倍增长策略和通道注意力机制SE设计了轻量化模块DC-SE,它用于削弱复杂背景对绝缘子故障的干扰、互补提取绝缘子细微特征,进而增强浅层网络对目标特征信息的提取能力。实验表明,DE-YOLO网络在自制绝缘子数据集上的GFLOPs降低45%,运行参数降低42%,自爆缺陷检测精度高达93.2%。NewC3和DC-SE能保证DE-YOLO的轻量化,同时满足绝缘子自爆缺陷实时检测的要求。     

基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测

由于背景复杂、目标所占像素比例较小,掩膜区域卷积神经网络（Mask R-CNN）模型对输电线路绝缘子缺陷检测能力不足,该文提出一种改进的MaskR-CNN模型。具体地,首先,在特征提取网络中引入卷积注意力模块（CBAM）,分别从通道和空间提升小目标特征保持性;其次,使用全局交并比（GIoU）计算目标间的相似度,提升定位准确性;最后,使用Tversky损失计算掩膜分支的损失,以提升不平衡样本下的检测效果。使用某输电运检中心无人机巡检作业所得具有自爆缺陷的绝缘子照片作为数据集对该模型进行验证,实验结果表明,与原始Mask R-CNN模型相比,该方法的平均精确率AP50:90、AP50和AP75分别提升至0.56、0.79和0.72;与三种经典目标检测算法相比,该算法具有较高的检测精度,模型的分割性能有一定提升,且比原始模型具有更好的鲁棒性,可以满足电力巡检中准确性和快速性的要求。     

基于Alexnet网络的绝缘子自爆无人机巡检技术研究

绝缘子是输电系统中与安全相关的关键部件,绝缘子自爆问题的高效快速识别对电力系统的保护具有重要的意义。随着无人机（UAV）相关产业的不断发展,可以采用无人机技术对输电线路进行巡检拍摄。以此为背景提出了一种基于Alexnet网络的绝缘子自爆无人机巡检技术。首先,应用无人机巡检这一先进技术得到绝缘子的清晰实时图片。然后,采用Alexnet网络对绝缘子自爆图片进行学习和识别。与传统的识别方法相比,Alexnet网络模型不但结构上有所加深,对卷积的功能也进行了强化,对无人机巡检过程中拍摄的复杂图像进行识别和检测有很好的效果。     

一种改进的基于卷积神经网络的绝缘子检测算法研究

针对现场中采集的绝缘子图像存在目标图像大小尺度不一,以及拍摄角度所造成的目标图像相互遮挡等因素而导致误检或漏检等问题,提出了一种改进的基于卷积神经网络的绝缘子图像检测方法。采用轻量化的ZF网络实现特征提取;确定优化的锚窗比例提升目标图像的检测精度;对NMS后处理算法进行了改进,提出多阶段的惩罚因子算法,适应于多尺度、多比例、绝缘子重叠遮挡等复杂情况。实验结果表明,改进后的Faster R-CNN的检测方法将AP由0.797 7提高到了0.905 8,显著地提升了绝缘子目标图像的检测精度,降低了绝缘子的漏检和误检的概率。     

基于改进YOLOX网络的雾天绝缘子缺陷检测

绝缘子作为输电线路中重要的元器件,对绝缘子缺陷的识别和定位在电网巡检方面有重要意义。为了对雾天情况下绝缘子状态进行准确定位识别,改进了YOLOX目标检测网络。首先,为了加快网络的训练速度,改进了激活函数;其次,为了解决小目标样本相较于整体样本较少和样本不均衡的问题,改进了图像增强方法和损失函数;最后,将改进的YOLOX网络在数据集上与4种目标检测网络进行比较。实验结果表明,在雾天数据集上,改进后YOLOX的准确度、平均准确率和每秒处理图片张数都有一定提升,符合无人机巡检的要求。     

基于改进Xception方法的绝缘子识别

为了对无人机航拍巡检中的绝缘子是否含有缺陷进行准确识别,改进了Xception分类识别方法。首先,利用resize函数将无人机拍摄下的图片进行缩放处理至合适尺寸,并采取数据增强技术扩充样本;其次,将Xception的池化层和输出层进行改进至更适合绝缘子复杂情况下的分类识别,并在验证集上对模型的参数进行对比确定,使模型性能最佳 ;最后,改进的Xception方法在数据集上与 4种图像分类算法进行比较。实验结果表明,在数据集上改进的Xception方法的准确度和每秒处理图片张数都有一定提升。     

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%。     

基于EfficientDet和双目摄像头的绝缘子缺陷检测

绝缘子是输电线路重要的组成部件,带有缺陷的绝缘子会对线路造成隐患,通过图像检测技术可以提高绝缘子缺陷检测的效率,大大减小维护成本.但现有的绝缘子缺陷检测技术有精度不高和检测时间过长等缺点,针对这一问题,提出了基于EfficientDet和双目摄像头的绝缘子缺陷检测方法,首先通过双目摄像头设计了一种数据集采集的方法,解决...     

基于跨连接卷积神经网络的绝缘子检测方法

针对电力设备图像中绝缘子所占比例较小和容易漏检的问题,提出了基于跨连接卷积神经网络的绝缘子检测方法。首先,通过在区域建议网络将网络后三层的卷积层分别和全连接层连接,使得这三层的卷积特征同时送入分类层和回归层,从而得到一系列高质量的绝缘子候选区域;将得到的候选区域映射绝缘子检测子网络,通过将得到的感兴趣区域特征送入级联的Adaboost分类器,实现对绝缘子的检测。对所提出跨连接卷积神经网络生成的候选区域进行了评估,并对不同的绝缘子检测方法进行了对比实验。实验结果表明,该方法得到的候选区域召回率高且更集中于绝缘子所在位置,绝缘子检测准确率比常规方法高出10%。所提方法能较好地对复杂背景图像中不同大小的绝缘子进行有效识别和精确定位。     

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。     

基于二维卷积神经网络的BLDCM驱动系统故障检测方法

针对无刷直流电机驱动系统功率开关管故障诊断存在由于特征提取效果差而导致识别准确率低等问题,提出一种基于二维卷积神经网络2D-CNN(two-dimensional convolution neural network)自适应特征提取的故障检测方法,避免人工提取特征的复杂性及不确定性.以相电流作为故障敏感信号进行FFT预...     

绝缘子污秽检测方法综述

绝缘子污闪成为继雷电闪络之后影响电力系统外绝缘的第二大危害.随着大气污染日趋严重,绝缘子表面污秽集聚加剧,发生污闪事故的可能性增加.绝缘子污闪由表面污秽程度和潮湿的气象条件决定的,及时检测绝缘子污秽情况并及时清扫可减少污闪事故发生.将就绝缘子污秽检测方法进行介绍,重点介绍微波辐射法和紫外脉冲法.     

基于改进型YOLO v3的绝缘子异物检测方法

绝缘子作为输电线路重要的组成部件,其功能完整性对电网的安全运行至关重要。绝缘子所处的户外环境极易导致其存在异物搭挂,有必要监控绝缘子的运行状态。提出一种基于改进型目标检测算法(YOLO v3)的绝缘子异物检测方法:Dense-YOLO v3,设计密集网络(Dense-net)替代原网络其中一个卷积层,实现绝缘子的多层特征复用和融合,提高了检测精度。扩增了训练集以提升网络的训练效果;提出误检代价函数以度量误检的风险。实验结果表明,Dense-YOLO v3在测试集上的检测精度达到94.54%,误检代价低于YOLO v3和Faster-RCNN,可初步应用于输电线路的无人机巡检作业。     

基于模糊神经网络的绝缘子表面污秽在线监测

在恶劣的自然环境下,积污绝缘子随时可能发生闪络。在实验室模拟试验和现场实测数据基础上,分析了环境因素对不同污秽程度绝缘子外部电气特性的影响。通过选择泄漏电流有效值、泄漏电流峰值及泄漏电流脉冲频次、环境温湿度等参量作为输入参数,提出采用模糊神经网络方法实现对输电线路绝缘子污秽状况在线监测结果的综合评定。介绍了基于模糊神经网络的污秽评定模型的构建过程,最后列举部分试验数据验证了该方法的可行性。