基于深度学习的输电线路外破图像识别技术

在电力系统中,识别并排除输电线路外破风险隐患对保障电力系统的安全运行方面具有非常重要的作用.图像识别技术是识别外破风险的一个有效方法.针对外破隐患识别问题,本文提出了一种通过卷积神经网络训练获取深度模型的检测算法,该算法根据防外破风险隐患图像特点对现有深度网络结构进行了改进优化,增加ROI池化层并修改了损失函数;采用大量样本训练得到鲁棒模型,测试时对待测图片首先产生候选区域,然后针对各候选区域进行检测识别,达到在复杂背景中检测出外破风险隐患的目的.实验结果说明了本文方法可以有效地识别出输电线路外破隐患.     

基于改进YoloX的输电通道工程车辆检测识别

针对输电通道下环境复杂,各类工程车辆频繁损坏输电线路中所需解决的对工程车辆的检测识别问题,在单阶段目标检测算法YoloX的基础上,对YoloX算法中的损失函数进行修改,平衡正负样本和难易样本,在网络中添加CBAM注意力机制,将内部通道信息和位置信息结合,提高特征的提取能力,并通过修改强特征提取部分Neck中的CspLayer结构,在保证检测速度的前提下,提高模型的检测性能。通过筛选亮度低的图片,引入改进的MSR算法对图片进行亮度提升,优化数据集。实验结果表明,提出的算法提高了检测的准确率,与传统的YoloX算法相比,mAP提高了4.64%,识别效果明显提升,证明了新算法的有效性。     

基于BP神经网络的输电线路隐患预放电识别研究

针对输电线路在长期运维过程中出现的异常主要依靠人工定期巡线来排查,无法高效、准确的对隐患进行预判的局限,本文提出了基于BP神经网络方法对输电线路典型隐患预放电识别。首先在南方电网防冰减灾重点实验室梅花山基地搭建起输电线路放电试验平台,得到了输电线路在树障和污秽绝缘子两种典型隐患的预放电脉冲电流波形数据。继而绘制得到放电信号中放电量,放电次数,相位参数的三个二维统计图,在此基础上提取并构建得到放电特征参量数据库,再将特征量带入反向传播神经网络分类器中对线路隐患模型进行训练。最后对模型测试的结果表明,采用BP神经网络算法能够有效识别输电线路中典型的隐患,且识别准确率达到92%以上,进而为输电线路隐患识别提供了参考。     

基于SURF算法的输电线全景图像的特征提取

高压输电线跨距远、线路复杂,在充分分析电力线图像的特殊线性特性的基础上,文章提出了一种采用SURF算法完成输电线全景拼接并利用相位一致性提取线路特征的方法。首先采用SURF算法对部分电力线图片进行配准,并用RANSAC算法剔除错误的特征点对,然后拼接得到输电线全景图,对全景图采用相位一致性方法进行特征检测,最后提取经过标记的完整的单根电力线。对现场拍摄的部分输电线路图像进行了实验,结果提取出了完整、精确的单根电力线,说明该方法能提高输电线路弧垂计算的精度。     

基于图像切片的移动端输电线路鸟类检测算法研究

输电线路作为电网的基础组件,其故障是影响电网稳定运行的主因,其中鸟类是输电线路的主要安全隐患.为了实现低耗能、高精度的驱鸟,论文提出一种基于图像切片的移动端鸟类检测算法,同时为减少图片传输的网络时延及避免因网络中断造成的数据丢失,鸟类检测在移动终端实现.但是移动终端的计算性能和存储性能较低,无法直接运行基于深度学习的目标检测算法,因此论文将图像进行切片把目标检测问题转换为图像分类问题,采用ResNet18对切片进行鸟类识别.此外,为进一步减少无鸟图像的识别时间,在对每一个切片进行识别之前,先计算实时采集图像和不包含鸟的模板图像的差值,只有差值较大时才进行识别.实验证明,论文提出的模型在精度和速度上都可以在移动端上满足输电线路鸟类检测任务的要求,具有推广意义.     

图像处理在输电线路防外力破坏监控中的应用

针对工程机械在输电线路走廊内施工时可能会对输电线路造成外力破坏的问题,提出了一套基于电子稳相、连通域检测、形状特征提取的运动图像处理算法。该算法以多高斯建模方法提取的运动目标为基础,对输电线路走廊内出现的工程机械施工场景进行检测、识别和判断。试验证明,该图像处理算法能准确、可靠地提取正在运动的工程机械吊臂。     

基于相邻帧差法的输电线路异物目标检测研究

针对输电线路异物目标检测时存在因目标区域阈值设定不准确导致准确率低的问题，提出一种基于相邻帧差法的输电线路异物目标检测方法。首先，针对输电线路异物提取问题进行分析。然后，以相邻帧差法为基础，采用仿射聚类算法进行优化聚类，从而实现实际目标像素的精确提取。最后，利用试验证明所提方法的先进性。试验结果表明，所提检测方法可使像素提取的准确率提升30%左右、异物识别的准确率提升23.48%。所提检测方法将相邻帧差法与仿射聚类法相结合，对输电线路电线周围异物目标特征提取过程进行创新，完成了异物目标的识别及检测。该研究提升了输电线路在线监测的有效性，为后续输电线路异物检测、异物预警提供了参考。     

面向输电线路的异常目标检测方法

输电线路异常目标检测是电力系统监控的重要环节。现有的检测方法并未针对输电线路场景进行有效设计,存在深度网络所提取的特征不够充分,在目标环境多变、尺度变化等影响下缺乏鲁棒性等问题。本文提出一种面向输电线路的异常目标检测方法,该方法采用HRNet作为主干网络提取高分辨率特征,结合HRFPN优化目标特征表示的质量与在RPN阶段均衡产生的正负锚点数量比例,并使用级联的目标检测器进行分类和边界框回归。在输电线路场景的检测结果表明,本文提出的方法具有更高的检测性能,优于Faster R-CNN、Cascade R-CNN。     

基于YOLO V3算法的输电线路鸟类检测

为了精准检测输电线路周围的鸟类数目,及时驱鸟以确保线路的正常运行,对YOLO V3算法提出两点改进:将原网络中52×52尺度的特征图进行2倍上采样后与第二个残差块拼接,建立特征融合的检测层,提高算法对小目标的检测精确率;通过计算检测框对应的比例因子更新检测框的置信分数,对非极大值抑制算法NMS进行优化,提升模型对遮挡鸟类的检测能力.实验结果表明该模型精确率可达88.36％,可以有效地检测输电线路周围的鸟类数目.     

基于卷积注意力的输电线路防震锤检测识别

为提高单目标多分类(Single Shot MultiBox Detector,SSD)网络模型对输电线防震锤的识别准确率,提出一种融合卷积注意力机制和SSD模型相结合的新方法。该算法采用残差网络ResNet作为骨干网络,引入卷积注意力机制将通道和空间注意力结合,通过压缩提取中间特征和利用权重系数更好地分辨出前景与背景,提高对输电线路中防震锤检测的精度和速度。训练时引入迁移学习策略,克服了模型训练困难问题。实验结果表明,提出的算法不仅提高了检测准确率,计算效率亦得到了提升。与经典SSD算法相比,输电线路的防震锤检测准确率提升了2.5%,检测速度达到了12fps识别效果明显提升,证明了新算法的有效性。     

基于图像识别技术的输电线路智能监控系统应用

针对持续多发的输电线路外力破坏事件,人工巡视以及传统监控设备并不能及时有效发现事故隐患,因此提出基于图像识别技术的输电线路智能监控系统.该系统应用卷积神经网络的深度学习算法训练模型,可以智能识别出输电线路现场的安全隐患.建立起前端采集图像,数据无线传输,后台识别分析,隐患定向推送的智能监控新模式.在佛山地区应用实践中,该系统实现了对输电线路现场的24小时实时监控预警,提高了对外力破坏隐患的监管能力,有效预防了大型施工机械所致的线路跳闸事故.     

基于改进YOLOv4-tiny的输电线路目标识别算法

对输电线路周围的典型目标进行检测对于防止输电线路外部破坏有着重要意义。传统目标检测方法没有针对输电线路周围目标尺度变化大、小目标多等进行有效设计,存在识别速度慢、容易误报漏报等问题。基于YOLOv4-tiny目标检测模型的基本框架,提出了一种改进的YOLOv4-tiny目标检测模型来检测输电线路周围的典型目标。在原先YOLOv4-tiny网络的骨干网上额外引出了一层特征层以提取更多的特征;在原特征金字塔网络结构的基础上引入空洞空间卷积池化金字塔模块,使得模型能在3种不同尺度的特征图上提取更多的特征;同时为解决检测过程中正负样本数量不均衡问题,使用Focal损失函数代替二分交叉熵损失函数。实验结果表明,在牺牲较少检测速度的情形下,模型精度提升了9.92%。     

基于时序特征数据高效索引技术的物联网感知设备安全自动监测技术

物联网设备已经被广泛应用于各个领域,为保证物联网的安全,排除内部隐患,基于时序特征数据高效索引技术设计物联网感知设备安全自动监测方法。结合时序特征数据高效索引技术提取物联网信息特征,在报文传输过程的基础上,区分不同流量数据之间的差异、恶意攻击软件与感知设备的系统特征,计算样本数据的表征值,得到物联网感知设备的原始信息特征。对数据特征进行分类,计算其数据内的缺失值和错误值,得到特征向量的筛选优化结果,计算训练损失函数,调整实际操作的阈值,保证数据特征分类的准确性。搭建物联网感知设备监测模型,训练判别器,进行物联网的自动监测。分别对数据包、字节以及数据流量进行识别,该监测技术可以准确地区分良性数据与攻击数据,从而保证物联网感知设备的安全。     

基于MobileVit轻量化网络的车辆检测方法

针对车辆检测模型参数量大,以及对小目标和遮挡目标漏检问题,提出了一种基于MobileVit轻量化网络的车辆检测算法。首先,在数据预处理阶段使用GridMask图像增强方法,提升模型对遮挡车辆目标的检测性能;其次,使用基于MobileVit网络作为模型的主干特征提取网络,充分提取特征信息且使得模型轻量化;最后,在预测层网络中,使用基于PANet实现多尺度的车辆检测,提升模型对小目标车辆的检测能力。实验结果表明,该模型的平均检测精度达98.24%,检测速度达每张图片0.058 s,模型大小为136 MB,与对比算法相比综合性能更好。     

多尺度特征图分类再提取的目标检测算法

为提高SSD算法检测目标的能力,提出了一种对多尺度特征图进行分类再提取的目标检测算法.该算法将SSD特征金字塔中多个不同尺度的特征图分为低层和高层两类特征图.针对低层特征图所处位置网络深度不够导致的特征表示能力不足,设计了SFE(Shallow Feature Enhancement)模块提取特征从而增加网络深度,最终提高对小目标的检测能力;高层特征图采用两段反卷积的方式,将更深层提取的语义信息融入特征图,从而提高对中等目标和大目标的检测能力.同时提出了减弱反卷积棋盘格效应的回流式反卷积的方法.在Pascal VOC 2007测试集上进行验证后的结果表明,本文算法的mAP值达到了79.6%,相比SSD算法提高了2.4%.     

基于改进视觉词袋模型的水声目标识别

水声目标识别的任务是通过采集到水声目标的信号来对目标进行分类,在海洋勘探,监听技术等领域有着非常重要和广泛的应用.由于海洋环境的复杂性,以及船只目标发动机的多样性以及噪声的存在,水声目标识别是一个困难的任务.传统的特征提取方法无法提取到足够有效的特征表示,充分地表示目标.为了解决这个问题,本文提出了一种基于改进的视觉化词袋模型的水声识别算法,通过使用视觉化词袋模型对频谱图进行高维的特征提取,然后使用了自然语言处理领域中常见的词频-逆文件频率(TF-IDF)算法来对得到的特征向量进行权重调整,然后输入到多层感知机中,对水声目标进行分类识别.实验结果表明,本文提出的识别算法取得了92.53％的正确率,相比于当前效果最好的深度玻尔兹曼机(DBM)算法有了明显的提升.     

基于改进Yolov5s的输电线路防外力破坏行为检测识别

电力系统的安全对于整个能源传输过程至关重要。针对输电线路下超大工程车辆和烟火为主要的外力破坏行为,对单阶段目标检测算法YOLOv5s进行改进,首先针对输电线路多雨雾烟尘等工作环境,引入限制对比度自适应直方图均衡算法CLAHE对图片进行去雾处理,提升图片对比度;针对检测目标距离较远的问题,在YOLOv5s网络的基础上添加CA注意力机制,提升了模型对目标的定位能力;将原网络中的最邻近差值采样方式替换为轻量级通用上采样算子CARAFE,更好地捕捉特征图的同时引入较小的参数量;最后在网络的特征融合层,使用具有通道混洗思想的GSConv卷积模块代替标准卷积模块,减小模型参数量,再利用slim_neck特征融合结构,强化目标关注度,达到减小模型参数量同时提升检测精度的效果。实验结果表明：改进后的YOLOv5s网络,mAP提升了4.4%,参数量减小了3.4%,权重模型内存减小了2.7%,证明了算法的有效性。     

Detection of closed sharp edges in point clouds using normal estimation and graph theory

The reconstruction of a surface model from a point cloud is an important task in the reverse engineering of industrial parts. We aim at constructing a curve network on the point cloud that will define the border of the various surface patches. In this paper, we present an algorithm to extract closed sharp feature lines, which is necessary to create such a closed curve network. We use a first order segmentation to extract candidate feature points and process them as a graph to recover the sharp feature lines. To this end, a minimum spanning tree is constructed and afterwards a reconnection procedure closes the lines. The algorithm is fast and gives good results for real-world point sets from industrial applications.