基于深度学习的改进型YOLOv4输电线路鸟巢检测与识别

针对输电线路无人机巡视图像经典鸟巢检测算法权重参数范围大、识别效率低、识别精度低的缺点,提出了一种改进型YOLOv4输电线路鸟巢检测与识别方法。首先,选取Mosaic图像增强技术对图片集进行多种变换,变相增加图片集中的小目标数量。其次,在骨干特征提取网络中,通过引入深度可分离卷积来提高检测网络的速度;在YOLO头中,基于K-means++算法改进锚框的大小和比例,基于最小凸集建立回归损失函数。最后,在PANet和YOLO头之间增加2个SPP模块,进一步增强特征融合能力,提高小目标检测能力。利用某供电局无人机巡检图像制作数据集,将提出的算法与其他目标检测算法进行对比实验研究。实验结果表明,改进后的算法有更高的鸟巢检测准确度和更低的运算开销。     

基于深度学习的绝缘子缺失检测方法研究

绝缘子缺陷严重影响输电线路安全,航拍图像绝缘子缺失的有效识别是无人机线路巡检。提出一种轻量级网络的绝缘子缺失检测模型,使用轻量级网络MobileNetV3替换YOLOv4模型的CSPDarknet53网络。以分割性能和计算速度为判据,综合分析比较了YOLOv4模型和使用轻量型网络对其主干网络替换后的模型在绝缘子缺失检测上的性能,实验结果表明：筛选的YOLOv4-MobileNetV3轻量级网络绝缘子缺失检测模型能够准确定位图像中单、多目标绝缘子;改进后YOLOv4-MobileNetV3检测模型比原模型的体积减少了78%,FPS提升了4.85 f/s,而mAP仅降低0.6%。提出的绝缘子缺失检测方法能够满足无人机电力线路巡检的需求。     

基于多特征信息融合的绝缘子状态检测与诊断技术研究

电力线路绝缘子的优劣影响输电线路供电安全,分析检测方法现状,并对多特征信息融合的绝缘子状态检测与诊断技术进行研究,实现无人机巡检输电线路航拍图像中绝缘子状态的识别和精确检测,以及可靠性的分析告警。     

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。     

基于无人机航拍摄影的变电站运行环境智能巡检方法

由于变电站面积大且运行环境复杂,导致传统巡检方法的效率较低,无法保证变电站运行安全,提出基于无人机航拍摄影的变电站运行环境智能巡检方法。规划一条可以巡检所有目标点的最优无人机巡检路径,控制无人机按照规划路径自动采集变电站运行环境的航拍影像,识别影像中缺陷进行变电站电力故障的检测,实现变电站运行环境的智能巡检。实验结果表明,设计方法追踪巡检输电线路时,每条线路的平均巡检时间为29.14s,有效克服了变电站巡检速度过慢的问题。     

基于深度学习的输电线路巡检图像绝缘子识别

绝缘子是输电线路无人机巡检的重要目标。为了快速准确识别巡检图像中的绝缘子,通过采集巡检图像,构造绝缘子数据集,提出了一种基于深度学习单阶图像识别框架（YOLOV3-SPP）的绝缘子在线识别模型。该网络模型在YOLOV3的模型上加入了SPP模块。通过在Pytorch环境下的训练和测试,结果表明：加入SPP模块后提高了检测的精确度,并可以快速有效地完成绝缘子识别定位。     

基于Faster R-CNN的非侵入式负荷识别方法

针对非侵入式负荷辨识终端对特征相似电器、小样本数据辨识困难等问题,提出一种利用改进的Faster R-卷积神经网络(convolutional neural networks, CNN)对小样本负荷数据进行高精度辨识的方法。在传统的Faster R-CNN目标检测算法的基础上,增大了模型输入图像尺寸,保留更多负荷图像曲线的细节,提高了对小目标图像细节的识别效果;替换模型特征提取网络VGG16为Inception V2网络,拓宽了网络宽度,减小了差异较大的图像曲线变化尺寸对模型识别造成的干扰,以满足对不同尺度的负荷特征图像曲线的特征提取。在数据集上测试Faster R-CNN对非入侵式负荷设备识别的可行性与准确性,结果表明该方法显著减小了数据处理与识别网络的计算量,使识别的准确率与召回率均有了较大提升。     

结合场景分析的输电线路通道可视化分级预警研究

针对输电线路横跨地域广,输电通道中隐患目标多的问题,提出了输电线路通道可视化分级预警模型。首先改进深度残差网络提取输入图像的多光谱信息,通过软阈值化来减少噪声影响,提高输电线路通道场景分析模型的准确度;然后利用YOLOv3目标检测算法构建输电线路通道隐患目标识别模型,针对隐患中的烟雾、施工车辆目标小的问题,采用难负样本挖掘策略,减少图片背景的影响,再根据输电线路通道的分级预警结构构建分级预警模型。研究结果表明,结合场景分析的输电线路通道可视化分级预警模型能够科学、准确地反映出输电线路通道的隐患预警状态,为输电线路运行维护工作提供指导。     

基于生成对抗数据增殖的输电设备可视缺陷检测技术研究

输电设备巡检影像的小样本特征愈发凸显,为输电线路智能巡检带来了新的挑战。样本分布不平衡导致大量输电图像样本资源无法充分利用,为此提出基于生成对抗数据增殖的输电设备可视缺陷检测技术。通过引入循环生成对抗网络对输电设备巡检影像样本进行增殖,而后利用扩增后的样本完成输电设备可视缺陷检测模型训练,实现可视缺陷检测效果的优化提升。通过仿真实验验证了循环生成对抗数据增殖对输电设备可视缺陷检测有效性与稳定性的提升效果,为输电设备可视缺陷检测提供了新的视角与思路。     

基于CSwin的航拍光伏组件红外图像热斑检测方法

针对航拍光伏组件红外图像低对比度、背景复杂和热斑小目标难检测的问题，提出一种融合Swin transformer的跨阶段局部网络（CSwin），降低参数量的同时可捕获图像全局位置和空间信息，并以CSwin为基础模块构建多尺度特征路径聚合网络（MPC）加强多尺度特征的信息交互以进一步提高小目标检测能力。对航拍光伏红外图像数据集进行定性和定量实验，证明该方法在航拍光伏红外图像热斑检测任务上的有效性。