深度学习在输电线路无人机巡检中识别防振锤缺陷的应用

基于深度学习技术,对无人机巡检架空线路防振锤缺陷识别的应用开展了研究。针对巡检图像背景复杂,防振锤识别目标小、易出现漏检的特点,在更快的基于区域的卷积神经网络（faster region-based convolution neural network, Faster R-CNN）算法基础上,利用光学矫正和综合去噪对图像进行预处理,用深度残差网络（deep residual network, ResNet)提取特征图,增大、增多训练尺度对算法进行优化。通过Gabor滤波器和分析红绿蓝(red green blue, RGB)颜色通道特征分别对防振锤损坏和锈蚀缺陷进行识别。实验结果表明:该方法对防振锤缺陷有较好的识别效果,召回率达到92.56%,精确度达到98.24%,优于现有的其他目标检测方法。     

无人机在输电线路巡检中的应用

介绍了无人机巡检的现状,指出了存在的问题,阐述了无人机自主巡检技术和影像智能识别技术的实现方法,分析了无人机在输电线路巡检中的应用情况,包括日常巡检、故障巡检、特殊巡检、检测及辅助检修作业、线路勘察验收等.     

电力输电线路巡检中无人机技术的运用

为了保证整个电力输电线路的完整性,一个非常重要的前提就是电力设备的完好性,然后使用无人机的摄影问题排查技术,电力系统输电线路的相关工作人员可以快速、准确地获取高质量、高分辨率的周围地理环境的相关信息,无人机采集所获取的信息有着较高的直观性,有助于工作人员对线路环境形成清晰的认识。从而可以确保输电线路的完好性,进而可以提...     

110 kV输电线路巡检无人机电磁兼容分析

高压输电线路周围恶劣的电磁环境会直接影响巡检无人机运行的稳定性,进而影响地面操作人员对巡检结果的评估。为保障巡检无人机在恶劣电磁环境下巡检作业的可靠性,对无人机巡检作业的电磁环境进行仿真。根据干扰电磁波的耦合途径分别构造电场耦合模型与磁场耦合模型,对无人机内部电气结构与高压输电线路之间的耦合进行分析从而确定受扰对象,从干扰源的产生及电磁耦合途径出发,对无人机进行电磁兼容优化,利用电磁屏蔽削弱无人机内部电气结构及敏感元件所受到的电磁干扰,使无人机的电磁兼容性能得到提升,保障巡检无人机运行的稳定性。     

基于双视卷积神经网络的输电线路自动巡检

卷积神经网络算法被广泛应用于输电线路自动巡检领域,但传统卷积神经网络电力缺陷识别模型的泛化能力较差.为此,提出一种融合双角度图像信息的卷积神经网络检测算法(CVR-RCNN),其利用2个视角可见光图像识别输电线路的常见缺陷.经实验测试,CVR-RCNN模型具有良好的鲁棒性,受试者工作特性(ROC)曲线下面积(AUC)值高达0.927,缺陷检测准确度较传统算法有显著提高.因此,CVR-RCNN能明显改善电力缺陷检测效果,可为无人机自动巡检输电线路提高准确稳定的算法架构.     

匹配输电线路巡检需求的无人机选型研究

近年来,无人机在电力行业输电线路巡检方面得到广泛应用,输电线路无人机自动化巡检技术因其独特的优势受到国内外研究机构及相关部门的广泛关注。但随着巡检任务需求的快速增长,以及市面上所能选择的无人机平台及其载荷类型越来越多,导致快速完成无人机平台选型的难度增加,通常需要耗费大量人力完成筛选匹配工作。因此,根据任务需求,如何快速可靠地完成无人机平台选型是输电线路自动化巡检研究领域需要重点解决的问题之一。为了解决该问题,该文提出了3层结构的基于异构神经网络的快速匹配选型模型。在模型第1层,提出改进型的独热向量算法,完成了巡检任务相关因素的数值化,并输出任务需求矩阵;在模型第2层,提出基于时间递归神经网络（LSTM）神经网络结构的参数指标生成模型,根据任务需求矩阵生成所需的载荷相应参数;在模型第3层,提出了基于决策树网络的匹配模型,根据生成的参数指标确定最终的无人机平台参数和型号。最后,通过真实选型案例数据,验证了该模型算法的有效性。     

输电线路架设中对无人机的应用

当前,我国用电供求矛盾已经日益突出,电网改造计划被正式提出,以期能够进一步实现对我国各个区域的电力系统进行全面优化和升级,推动我国电力系统的发展走向自动化和智能化.在电力系统的正常运作中,电力工程是重要因素之一,通过有效的措施保障电力工程的施工水平与施工质量是电网改造的关键所在.而在电力工程的具体施工过程中,输电线路架...     

面向无人机巡检的农村输电线螺栓锈蚀检测

针对农村地区输电线路螺栓锈蚀情况严重且不易检测的问题,提出一种利用深度学习目标检测网络的螺栓锈蚀检测方法,首先自制无人机图像数据集,然后利用二阶微分锐化和暗通道去雾对螺栓图像进行锐化和去雾处理,最后使用YOLOv5网络模型进行数据集的训练与测试,相比其他网络模型检测精度更高,其平均精度均值达93.6％.结果 表明,所提方法能够有效实现无人机巡检图像中螺栓部件的识别与锈蚀检测.     

浅析架空输电线路智能机器人全自助巡检技术

在我国市场经济不断发展的过程中,社会中各个行业也在不断的进步,电力行业的健康发展与我国经济的成长具有重要的关系.居民、厂商的日常用电都离不开电网的建设和电力的供应.智能机器人全自助巡检技术在线路运维工作中主要表现在线路故障检测、设备故障检测等方面,以此能够使维修人员能够对故障进行及时的发展.基于此,本文针对输电线路机器人巡检实用化的问题,对架空输电线智能机器人全自助巡检技术进行了研究.     

基于背景差分法的电网巡检运动目标检测技术

针对无人机对电网巡检过程中移动镜头下的目标检测问题,采用背景补偿与背景差分法实现了动态场景下的目标检测.建立了全局运动矢量模型,并利用SIFT特征点提取和匹配技术,完成了视频图像的特征点匹配,实现了移动镜头下的背景补偿.通过降维和局部匹配方式对SIFT特征点提取和匹配技术进行优化.结果表明,优化后的特征向量生成时间是原来的30%～40%,与经典SIFT算法相比,提取特征点的总时间是原来的30%～50%,该方法能准确检测运动目标并排除干扰.     

面向无人机航拍图像小目标检测方法

针对航拍图像目标检测中小目标特征模糊问题,提出一种改进YOLO＿v5x的目标检测算法。通过在YOLO＿v5x的主干和颈部网络中添加空间到深度(space-to-depth,SPD)模块来减少细粒度信息丢失;在检测输出端添加1个小目标预测头,提高算法学习低分辨率特征的效率;引入协调注意力(coordinate attention,CA)机制,将横向和纵向的位置信息编码到通道注意中,增强网络对不同维度特征的提取能力;在完整交并比(complete-intersection over union,CIOU)损失函数的基础上引入Alpha交并比(α-IOU)损失函数,获得更准确的边界框回归,实现图像中目标更精确的定位。通过在Visdrone数据集上对改进YOLO＿v5x算法进行训练和对比实验,结果表明：相比于原YOLO＿v5x,改进目标检测算法的平均检测精度提升了7.8%,小目标检测的平均精度达23.9%,能够有效识别无人机航拍图中的小目标;相比于RetinaNet、YOLOX-S、Grid-RCNN等目标检测算法,改进目标检测算法的小目标检测平均精度最高,在当前主流检测小目标算法中达到先进水...     

基于改进YOLOv3模型的交通视频目标检测算法研究

针对现有的基于YOLOv3的目标检测算法在多尺度目标检测上存在速度与精度难以平衡的问题,在已有算法的基础上改进形成新的YOLOv3多尺度目标检测算法. 该算法首先通过k-means++聚类为各个尺度选择候选锚框的数量和长宽比维数,有效降低原始算法在初始聚类点所造成的聚类偏差; 其次将YOLOv3的检测尺度从3扩展到4,以提高对不同尺度下目标检测的精度; 最后为避免梯度衰落,将检测层前的6个卷积层转换为2个残差单元. 在UA-DETRAC数据集上的实验结果表明,该方法比原始YOLOv3的准确率和召回率分别提高了7.91%和4.57%,同时此算法的处理速度可实现对交通视频的实时处理.     

基于YOLOv7的直升机航巡电塔目标检测算法研究

为了提升直升机航巡的智能化水平,解决人工作业效率低下的问题,提出了一种基于YOLOv7的直升机航巡电塔目标检测算法。首先,建立直升机航巡电塔数据集,将其分为训练集和测试集。然后,构建YOLOv7目标检测网络模型,并利用训练样本库进行聚类分析,获取目标候选区域的先验尺寸,使用随机梯度下降迭代地修改网络参数,最终实现直升机航巡电塔目标检测。实验结果表明,该方法精度较高、时效性较好,准确度达到94.9%,召回率达到90.5%,算法时间消耗仅39.5 ms,满足直升机航巡电塔目标检测的需求。     

无人机影像单目标跟踪综述

随着无人机产业的发展,航拍影像数据急剧增多,航拍影像的智能化分析与处理已成为新的研究热点.目标跟踪作为其中的核心技术之一,可为后续影像内容解译及各种实际应用提供基础性的支撑.受到应用场景复杂、目标尺度复杂多变、姿态变化剧烈、相似目标干扰等各种复杂因素的影响,无人机影像目标跟踪面临着诸多的技术挑战.因此,总结了近年来无人机影像单目标跟踪技术的研究进展,包括基于相关滤波的目标跟踪方法、基于深度学习的目标跟踪方法、基于相关滤波与深度学习结合的目标跟踪方法等,介绍了无人机影像公开数据集,以及跟踪性能的评价指标,并对典型的单目标跟踪方法进行了性能评测与分析.最后,对未来无人机影像目标跟踪技术的发展态势进行了总结与展望.     

基于锚框变换的单阶段旋转目标检测方法

为解决现有目标检测方法在检测无人机航拍图像中的交通目标时存在的水平包围框与目标真实轮廓贴合度较差、目标的水平包围框重叠度高导致相互抑制、目标发生旋转时,常规卷积操作的采样点落于目标之外等问题,在单阶段目标检测网络YOLOv3的基础上,提出了一种基于锚框变换的单阶段旋转目标检测网络(ATB-YOLO).特征提取网络部分,...     

视觉感知的无人机端到端目标跟踪控制技术

针对无人机机动目标跟踪的自主运动控制问题,提出连续型动作输出的无人机端到端主动目标跟踪控制方法. 设计基于视觉感知和深度强化学习策略的端到端决策控制模型,将无人机观察的连续帧视觉图像作为输入状态,输出无人机飞行动作的连续型控制量. 为了提高控制模型的泛化能力,改进基于任务分解和预训练的高效迁移学习策略. 仿真结果表明,该方法能够在多种机动目标跟踪任务中实现无人机姿态的自适应调整,使得无人机在空中能够稳定跟踪移动目标,显著提高了无人机跟踪控制器在未知环境下的泛化能力和训练效率.     

基于深度学习的小目标检测算法研究进展

基于深度学习的小目标检测算法可以有效提高小目标检测性能和检测速率,在图像处理领域得到了广泛应用。首先概述了小目标检测的难点,分别对基于锚框优化、基于网络结构优化、基于特征增强的小目标检测算法进行了分析,总结了各算法的优缺点;然后介绍了用于小目标检测的公共数据集和小目标检测算法的评价指标,对检测算法的性能指标进行了分析;最后对小目标检测算法已经解决的难点进行了总结,并对有待后续研究方向进行了展望。深度学习在小目标检测领域仍有较大的发展空间,在模型通用性、耗时与精度和特定场景的小目标检测等方面有待深入研究。     

知识辅助的无人机目标恒虚警率检测方法

无人机作为典型的“低小慢”目标,具有飞行速度慢、高度低、雷达反射面积小等特点,使得无人机目标很难被检测和识别。针对无人机在复杂环境下存在信噪比低、检测困难等问题,提出了一种知识辅助的无人机目标恒虚警率(CFAR)检测方法。首先分析3种常见的地杂波分布模型和均值类CFAR检测器,然后分别对这3种杂波分布下的回波信号采取CFAR检测方法,将检测性能最优的方法作为该杂波分布下最优的CFAR检测方法存入知识库,从而建立CFAR知识库;通过对需要检测目标的回波信号的杂波分布进行估计,判断杂波分布的模型,并以此分布从雷达知识库中选择所对应的CFAR算法,从而完成回波信号的检测。利用雷达采集的实测数据进行了验证,仿真和实验结果验证了该方法的可行性和有效性。