基于EfficientDet的输电线路破损防振锤检测

随着人工智能尤其是深度学习技术的快速发展,无人机巡检与图像识别技术在电网输电线路破损防振锤检测中发挥着重要作用。文中构建了一种基于改进EfficientDet深度神经网络模型的破损防振锤检测模型。采用先目标检测后分类判别的方法实现输电线路中的破损防振锤识别,基于目标各要素之间的相互关系判别技术,优化了背景干扰所产生的误识别问题。使用细节特征提取来判断拍摄倾角并去除倾斜角度过大的目标。实验结果表明,文中所提改进EfficientDet目标检测模型的mAP为51.16%,准确率与召回率分别为93.3%、91.8%,均优于其他目标检测模型。同时,破损防振锤的分类准确率与召回率分别达到85.4%、81.7%,由此验证了所提方法的准确性与实用性。     

基于深度学习的输电线路耐张线夹倾斜缺陷定量检测

针对输电线路中耐张线夹的倾斜缺陷，未能准确地去模糊处理所获取输电线路图像的问题，提出了基于深度学习的输电线路耐张线夹倾斜缺陷定量检测方法.结合冲击波滤波器与双边滤波器对获取的输电线路图像去噪处理，通过正则化方法估计模糊核.同时利用引导滤波器分解去模糊后的输电线路图像来获得细节层与基本层，分别进行伽马变换.将预处理后的输电线路图像输入至深度学习网络中，提取耐张线夹的倾斜缺陷特征，完成对缺陷的定量检测.实验结果表明，所提方法的准确率可保持在90%以上，且召回率、AP值及F₁指标均较高，具有良好的检测性能.