基于改进YOLOv4的GIS红外特征识别与温度提取方法

对气体绝缘开关设备(gas insulated switchgear,GIS)典型部件的目标识别和温度提取是实现对设备发热状态红外智能检测的关键。文中提出一种基于混合域注意力机制(convolutional block attention module,CBAM)的改进YOLOv4算法,可实现对GIS母线、隔离开关等部件的快速目标检测和热点温度提取。首先,在某变电站现场采集原始红外图像,对图像进行锐化处理和部位标记,构建包含GIS典型部件的红外数据集。然后,利用深度可分离卷积网络降低模型参数量,并融入CBAM优化模型的识别能力,在此基础上构建基于改进YOLOv4的GIS红外部件目标快速检测算法。最后,采用灰阶差值方法对检测到的GIS典型目标部件进行热区温度值提取。结果表明,所提算法在GIS红外特征数据集上可以达到每秒31.5帧的识别速度和82.3%的识别准确率,明显优于其他目标算法,且GIS各部件的温升计算值与实测值误差在±1℃内。该算法可部署在无人机和巡检小车等边缘智能终端,实现对现场GIS设备温升状态的精细化识别和快速诊断,提升GIS设备健康状态管理数字化和智能化水平。     

基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别

针对复合电能质量扰动(power quality disturbance, PQD)识别中特征提取复杂、识别正确率低和模型难以轻量化等问题,提出一种利用递归图(recurrence plot, RP)对PQD信号可视化方法和基于知识蒸馏的模型训练方法。首先,基于RP挖掘PQD信号隐含特征并构建图像数据集,并利用深度残差收缩网络(deep residual shrinkage network, DRSN)对图像数据集进行更深层次特征提取并完成自主分类。然后,基于知识蒸馏(knowledge distillation, KD)让已训练的DRSN指导轻量化网络MobileNetV3进行训练,通过蒸馏实现知识的跨网络传输。最后,仿真实验和硬件实验表明,利用知识蒸馏训练的MobileNetV3能实现高精度且轻量化的复合扰动识别,同时在30 dB噪声环境下正确率能提升1.06%,对实际扰动信号识别效果良好,具有良好的噪声鲁棒性。     

基于深度学习的输变电设备异常发热点红外图片目标检测方法

随着红外热成像检测技术在变电站巡检机器人及输电线路无人机等检测平台的广泛应用,大量输变电设备红外异常发热故障的红外图片需要人工定期进行评估诊断,亟待需要智能算法对图片进行智能诊断。当前经典的机器学习算法难以有效识别输变电设备红外图像故障异常发热点。基于人工智能深度学习理论,本文采用了深度学习算法体系中基于区域建议网络的Faster RCNN算法实现对输变电红外图像发热故障的检测、识别及定位。本文以红外热成像仪采集到的输变电设备发热故障图像库为基础,对数据集进行人工标注包围框,通过交替训练构建网络共享参数,构建输变电设备异常发热红外智能检测模型。所描述的方法为输变电设备红外热成像智能检测提供了新思路。     

基于改进YOLOv3的电力设备红外诊断方法

针对电力设备异常发热故障诊断过程中识别目标设备单一、红外数据集样本数目庞大、平均识别准确率较低和识别速率较低的问题,提出一种基于深度卷积神经网络的改进YOLOv3目标检测方法,识别和定位绝缘子、隔离开关触头、套管、线夹4类电力设备及其异常发热区域。在改进YOLOv3算法的训练过程中,网络将数据集图片裁剪为416×416像素大小,使用Yolomark工具对图像进行标注,得到的标签和样本集一起送入深度学习卷积神经网络进行训练,经历多轮迭代后得到最终模型,最后采用运检部门用红外热像仪现场采集的电气设备红外图谱数据进行效果测试。实验结果表明,训练得到的改进YOLOv3模型相比于YOLOv3和快速区域卷积神经网络(faster region convolution neural network,Faster R-CNN)算法,识别定位的准确率较高,检测速度更快,可基本实现实时检测,可有效应用于变电站电力设备的红外巡检工作。     

基于百度飞桨的面向黑暗环境人员行为检测与身份识别

针对传统可见光在黑暗环境中难以实现人员行为检测与身份识别的问题,本文结合红外热成像技术基于百度飞桨深度 学习框架研究了一种面向黑暗环境的人员行为检测与身份识别算法。 首先经过实地采集,自主构建红外热成像人员行为数据 集总计 10 900 张 9 种行为类别以及双光人脸数据集总计 3 000 张 30 位人员。 针对行为检测方面,基于轻量化网络 PP-LCNet 改进 YOLOv5 骨干网络进行人员行为检测,大幅度减少模型参数并提高检测精度与推理速度。 针对人脸识别方面,引入 CycleGAN 算法改进 InsightFace 实现将红外人脸转化为可见光人脸进行身份识别,提高在黑暗环境下人脸识别准确率。 最后实 现红外人员行为检测网络与人脸识别网络的级联工作,在黑暗环境下可以实时行为检测与身份识别,具有很好的应用效果。 实 验结果表明,基于 PPLCNet 轻量化改进的 YOLOv5 相对于原网络模型参数减少 56. 4%,平均精度 mAP 由 89. 1%提高至 94. 7%, 推理速度由 68 提高至 101 fps;基于 CycleGAN 算法改进 InsightFace 相对于原网络黑暗环境下识别准确率由 84%提高至 99%。     

基于小波变换的燃机电厂高压蒸汽泄漏检测研究

<正>燃机发电厂蒸汽泄漏检测对于维系电厂人员安全、设备长期稳定运行至关重要。基于电厂管道和电力设备进行蒸汽泄漏的高效巡检,拟解决泄漏区域红外小目标智能检测问题,利用智能巡检边缘计算系统,对监测数据进行图像小波变换和系数阈值去噪等算法设计,进而实现燃机电厂蒸汽泄漏的前端监控和终端定位。通过红外热成像摄像机获取实时监测数据,在智能巡检平台模拟实验后,确定了算法在高压蒸汽泄漏上的可行性与准确性。     

基于Cascade R-CNN算法的输电线路小目标缺陷检测方法

输电线路无人机航拍图像缺陷识别是维护线路安全运行的重要巡检手段,但目前的识别算法对于销钉、螺母等小目标缺陷存在识别精确度低、易漏判等问题。将Cascade R-CNN算法应用于输电线路缺陷检测中,利用ResNet101网络进行特性提取,增强的网络的特征提取能力,并利用多层级联检测器对输电线路小目标进行判别和分类。基于无人机航拍图像数据集进行实验,实验结果表明,相比于Yolov3检测器和Lighthead R-CNN检测器,Cascade R-CNN算法提高了小目标缺陷检测中的召回率和精确度。     

轻量级注意力X射线矿石检测方法

针对缺乏矿石数据集和矿石分类识别模型等因素,自建以X射线照射成像的矿石图像为数据集,并以MobileNet V2为主网络,提出基于改进MobileNet V2轻量级矿石分类模型算法。首先,通过调整扩展因子和宽度因子大幅减少模型参数量,实现模型轻量化的目的;其次,通过在部分倒残差模块和原模型分类器中嵌入高效通道注意力机制,并将剩余倒残差模块替换为含深度空洞卷积的并行特征提取网络,以增强模型特征信息提取能力,提升模型识别准确率;最后,使用迁移学习的训练方式初始化权重,加速模型训练。经过改进,该算法矿石识别准确率提升至96.720%,对比VGG16、GoogleNet、Xception、ShuffleNet和MobileNet V2在准确率和矿石检测速度都获得了提升。综合而言,相比本文实验中其他算法而言,改进算法针对矿石的识别性能具有更佳表现。     

基于深度学习的配电网线路设备缺陷智能检测

无人机配电线路巡检已经广泛开展应用,线路设备缺陷人工识别过程复杂、工作量较大等问题仍然存在。为了提高作业效率,根据无人机发展现状,对现有数据进行深入挖掘,利用标记系统对数据进行处理,再利用深度学习算法实现配电网无人机自动巡检、缺陷自动研判。该算法是基于残差双尺度检测器的巡检目标智能检测,优势在于可识别两种规格尺寸的目标对象,相比于传统的双阶段目标检测方案,其运行速度更快,更适合在终端资源受限设备中运行。目前该算法已达到95%的准确率。     

变电站红外热成像测温在线监控系统的构建及应用

目前,变电设备的红外热成像检测和诊断基本上还停留在便携式红外人工巡检和后台计算机离线处理上,无法实现全天候实时热状态远程监控和分析。提出了运用红外热成像技术、红外测温技术、变电设备智能识别技术、网络传输技术等建立变电站红外测温在线监控系统的新思路。研究和应用结果表明,该系统很好地实现了红外测温的实时远程监控和智能分析诊断。     

电力设备红外图像缺陷检测

机器人在巡检过程中采集到的红外图像很难反映设备目标的纹理信息.人工方法或传统机器学习方法不能精准识别和分类电力设备缺陷,同时其他环境因素容易导致误判.采用CenterNet结合结构化定位的算法模型,通过对现场红外图像数据样本收集、训练及验证算法模型的计算,实现从复杂的红外图像中以较高的准确率将不同变电站设备及其部件识别...     

基于Efficientnet的红外目标检测算法

针对复杂场景下红外目标检测存在准确率低、召回率低的问题，为了提高红外图像中的小目标以及被遮挡目标的检测识别能力，提出基于Efficientnet的红外目标检测算法。首先，将高效轻量的Efficientnet作为模型的特征提取主干网，降低模型的参数量，提升训练速度。在Efficientnet主干网的最后一个输出层引入SPP模块，丰富特征图的表达能力，进行多尺度融合，扩大特征图的感受野；在模型特征融合部分，使用FPN特征金字塔网络，特征融合后增加CSPNet模块和ECA注意力机制，加强特征提取。检测部分使用YOLO Head，对目标进行分类和回归，并用CIoU Loss作为边界框回归损失函数，提高对被遮挡目标的识别能力。实验结果表明，基于Efficientnet的模型大小仅为YOLOv3的188%，并且在FLIR数据集上mAP达到8074%，相比于YOLOv3算法提高1012%，该模型在减少模型参数量的同时，提升了检测精度。该模型在FLIR数据集上具有良好的泛化能力，提高了对小目标和遮挡目标的检测能力。     

基于改进YOLOv4的输电线路目标检测算法

针对人工巡检及传统视频监测方式不能及时识别输电线路外破隐患的问题，本文提出基于YOLOv4改进的输电线路外破隐患识别算法。该算法通过改进K-means++算法对图片样本集目标的大小进行聚类分析，筛选出符合检测目标特征的锚框，之后利用CSPDarknet-53残差网络提取图片深层次网络特征数据，采用SPP算法对特征图进行处理增加感受野，并引用自注意力机制（CBAM），增强模型的特征提取能力。最后结合实际输电线路现场监控图，测试后表明该算法能够及时准确检测到外破隐患。     

基于改进YOLOv5的轻量化绝缘子缺陷检测算法

无人机巡检已经成为当下输电线路巡检的主流方式，绝缘子缺陷的检测是无人机巡检中的重要环节。因此，提出了一种基于改进YOLOv5的轻量化绝缘子缺陷检测算法。首先，使用轻量型的Ghost卷积代替普通卷积；然后，使用重复加权BiFPN（双向特征金字塔网络）替换原特征提取网络，提高网络对不同尺度的特征提取能力；最后，引入CA（坐标注意力机制）提高了主干特征提取效率。实验结果表明，绝缘子检测的平均精度值提升了1.7个百分点，模型大小减少了13.1%，改进后的算法模型在提升检测精度的同时更加轻量化，可实现绝缘子缺陷的快速检测。     

基于深度学习的高压隔离开关分合状态检测算法研究

高压隔离开关的正常工作是电力系统稳定运行的前提。为正确识别隔离开关的分合状态,提出一种轻量化改进型YOLOv5s目标检测算法。首先,针对隔离开关数据集,采用二次优化K-means++聚类算法重新获取锚框参数。然后,将模型中的损失函数由CIOU替换为具有更强收敛性能的EIOU,加快模型训练的收敛速度。最后,在模型主干特征提取网络的最后一层添加CBAM注意力模块,加强模型特征提取能力。在此基础上,采用通道稀疏化剪枝的方法对改进后的模型进行轻量化处理,减小模型体积和算力消耗。实验结果表明,改进后的模型识别平均精度均值到达97.4%,轻量化处理后的模型大小为3.92 MB,使得模型更加容易部署到移动端设备完成实时检测。     

基于ARM和FPGA的红外热像仪系统设计与研究

红外热成像技术是一种探测与识别目标温度的重要手段。由于目前红外热像仪均采用红外焦平面传感器作为成像核心部件,其成本极其高昂且工作独立性差。针对上述问题,采用阵列式红外传感器作为核心部件,以ARM作为计算协处理单元,以FPGA作为图像核心处理单元,通过设计基于温度值的灰度图像生成与增强算法,在保证实现系统功能的同时降低了系统的复杂度和成本。实验结果表明系统测温精度可达0.1℃,刷新帧率稳定在30Hz,验证了算法的有效性和系统设计的合理性。     

风速对钢心铝绞线红外测温图像质量影响研究

对钢心铝绞线进行红外热巡检时，红外热像图成像质量会因环境风速不同而变化。为研究钢心铝绞线红外测温时，不同载流量下热像图成像质量与风速的关系，本文利用传热学原理，分析了钢心铝绞线表面辐射及红外热像测温模型，提出应用于钢心铝绞线表面的红外对比度表达式及其影响因素。在实验室对LGJ-240/30型钢心铝绞线施加风速为0.5～5.0 m/s、电流为240～600 A,通过实验数据绘制三维散点图并拟合，得到对比度与风速、载流量的表达式，并提出利于肉眼观察的“临界对比度”。最后通过设计野外自然实验，验证实验室结果的准确性及可行性。结果表明，实验室得到的对比度表达式与临界值可以有效判断特定条件下，钢心铝绞线红外热像图质量优劣，对架空输电线路红外热巡检工程具有指导意义。     

基于组合式目标检测框架的低漏报率缺陷识别方法

针对输电线路机巡影像缺陷识别中低漏报率的需求,提出了一种基于组合式深度目标检测框架的输电线路低漏报率缺陷识别方法.该方法首先利用典型目标检测算法在输电线路巡检图像数据集上进行训练,得到输电线路设备缺陷的特征提取网络;随后引入位置随机分布函数改进目标预测的方式,并利用自适应非极大值抑制判别器,对2个网络的特征提取结果进行...     

基于方向自适应检测器的输电线路设备检测方法

如何利用现有可见光影像数据与设备,实现高效巡检,辅助一线作业人员开展工作,是目前电力自动化巡检研究中亟待解决的难题.基于可见光图像的电力巡检存在图像畸变、待检测物体和摄像机角度不同导致目标特征丢失等问题,常见的目标检测算法往往效果较差,无法满足电力巡检要求.针对上述问题,提出一种基于CenterNet的有向检测器Rot-CenterNet.具体方案:首先,为了检测有向目标框,加入用于回归角度的检测头,并引入IoU-L1计算目标检测头的损失函数.其次,Rot-CenterNet提出3个骨干网络以适应于不同算力的电力业务场景部署,分别为保持高分辨率表征的HRNet、参数量少且实现精度与速度极致性价比的EfficientNet和大多数边缘芯片均支持的经典算子ResNet.同时,该文设计了DCN-ASPP和D-SKN模块,实现感受野随目标设备的形状和角度方向自动调整.最后,针对现有输电线路可见光数据集较少且不规范的问题,以项目为依托,整理了一批包括架空输电和电缆隧道场景在内的有向设备数据集并命名为TransLine-2020.在测试集上,经过检测器和骨干网络的改进,所提出的模型在检测设备元件上,相比CenterNet模型平均精度值(average percision,AP)提高了5.95.为了进一步证明检测器具备多场景应用能力,Rot-CenterNet在公开DOTA数据集中也进行了实验,取得了同样不错的效果.     

架空输电线路巡检机器人系统设计

架空输电线路机器人可以代替人工执行电力巡检任务,解决人工巡检中效率低、劳动强度大、智能化程度不足等问题。提出了档间巡检的设计思路,开发了低成本架空输电线路巡检机器人系统,通过设计机械结构、优化识别算法等方式,实现了机器人的自主行走、无线充电、图像采集、数据处理、智能巡检等功能。在软件方面基于C#开发了专用程序及界面,并建立了基于架空输电线金具及缺陷数据集,在YOLOv4目标检测算法基础上,通过数据增强、边界框优化和模型结构改进,建立YOLOv4-M模型,优化了电力金具识别检测性能,提升了系统应用的环境适应性。通过机器人在线路上的运行和测试,识别算法在速度可以达到45fps,平均检测精度达到97.6%。