基于改进YOLOv7的输电线路绝缘子设备及其缺陷检测算法

针对输电线路无人机巡检中绝缘子设备及缺陷图像检测过程中存在的绝缘子目标尺寸变化大、缺陷目标尺寸小、背景复杂干扰多和难易样本不平衡等问题,提出一种基于改进YOLOv7的绝缘子设备及缺陷检测算法：1）针对绝缘子缺陷目标尺寸小问题,在YOLOv7特征提取网络浅层引入卷积注意力机制,聚焦缺陷;2）针对绝缘子目标尺度变化大问题,在YOLOv7特征提取网络底部引入感受野增强模块,提取不同尺度目标特征;3）针对背景干扰问题,改进YOLOv7特征融合网络,在顶部引入显示视觉中心模块,同时关注全局信息与局部信息;4）针对难易样本不平衡问题,使用Focal-EIoU损失替换YOLOv7坐标回归损失。在合并的绝缘子及其缺陷无人机图像公开数据集上,该算法的多类目标检测精度均值达到了97.36%。     

基于动态焦点损失函数和样本平衡方法的绝缘子缺陷检测方法

在航拍输电线路图像的绝缘子缺陷检测任务中,针对不同类型缺陷之间存在的样本数量不平衡、困难样本低效学习等问题,提出一种动态焦点损失函数和一种基于二阶矩的样本平衡方法。首先在前向传播过程中根据困难样本、简单样本分布变化动态求解焦点损失函数的衰减因子,然后利用样本损失离散值定位出困难样本、简单样本的边界,从而获得困难样本集合,最后在反向传播过程中根据不同样本损失的二阶矩对学习样本的贡献率分布进行平衡。实验结果表明所提多类绝缘子缺陷检测方法能够有效地学习到不同样本的深度特征,性能较其他方法有显著的提升。     

融合迁移学习的绝缘子缺陷分级检测方法

针对Faster R-CNN算法对复杂环境下的小样本绝缘子缺陷检测精度不高的问题，本文提出了一种融合迁移学习和主体局部的绝缘子缺陷分级检测方法。整个方法使用融合残差模块和特征金字塔结构的卷积神经网络作为骨干网络进行特征提取，用于适应不同尺度的缺陷目标，保留更多有效信息。首先使用迁移学习的方法改善对缺陷所在绝缘子主体的检测效果；然后对检测出的绝缘子主体进行自动裁剪来改善复杂背景对缺陷区域检测的影响，使得模型能够更有效地挖掘出缺陷特征；最后将裁剪后的缺陷绝缘子局部图像送入第二阶段进行训练，进一步提高模型准确率。通过对无人机航拍采集的绝缘子缺陷图像进行检测实验。结果表明，本文方法相较于Faster R-CNN基线模型平均精度提高了37.5%，达到了89.6%。在对自爆和破损检测上，精度分别提高了34.9%和60.2%。     

基于改进区域候选网络的航拍图像中绝缘子目标识别方法

对航拍图像进行自动判别是无人机巡线后期的主要工作。为此提出一种改进的RPN(区域候选网络),以提高航拍图像中绝缘子目标的检测准确率。在绝缘子样本不完备的情况下,通过截取、旋转、镜像以及人工合成等方法对绝缘子训练样本进行扩充和完善;对人工标注的绝缘子样本的标注框进行聚类统计,获得标注框的宽高比分布情况,用于锚点框尺寸的初始化;对特征提取网络VGG16进行逐层分析,融合其中第二、三、五层的特征图,用于绝缘子目标识别;更改损失函数,实现动态调整正负样本的比例,从而解决训练过程中正负样本不均衡的问题。实验结果表明,改进后的RPN能够更有效地检测出航拍图像中的绝缘子目标,显著提高了检测的准确性。     

基于电磁超声的小样本铝板表面缺陷检测方法

使用基于电磁超声技术的智能缺陷检测算法可以实现对重要零件质量状态的监测,保证设备安全可靠运行。在实际检测过程中,一方面采集的信号往往会被噪声污染进而对检测结果造成干扰,另一方面重要零件缺陷信号往往数据量较少不能满足神经网络训练的需求。因此本文提出了一种基于变分模态分解的降噪算法对检测信号进行降噪预处理以提升信号质量,提出了一种改进型的虚拟样本生成技术用来扩充样本集,并使用迁移学习技术减少神经网络训练的参数量以解决样本数量不足的问题。在铝板表面缺陷的深度检测样例中该方法达到了97.2%的平均预测准确率,因此该方法对非铁磁性材料表面缺陷检测有一定的借鉴意义。     

基于改进 Cascade R-CNN 的输电线路多目标检测

针对无人机巡检图像中小目标难以检测、障碍物遮挡目标、正负样本不平衡等问题,提出基于改进Cascade R-CNN的输电线路多目标检测方法.改进了Cascade R-CNN的特征提取网络,基于ResNet101基础网络结构,设计6层新型特征金字塔网络(FPN)与之融合,提高了对小目标、重叠目标的检测能力;引入了高斯形式的软非极大值抑制(Soft-NMS)方法,降低了受遮挡影响的目标的漏检率;利用Focal损失改进损失函数,缓解了正负样本不平衡对检测精度的影响.训练过程中,基于添加噪声、亮度变换、尺度放缩等数据增强方法扩充数据集,提升了训练模型的泛化性能.实验结果表明,改进的模型在复杂背景下能够对3种瓷质绝缘子、瓷质绝缘子缺陷、相间棒、防震锤以及鸟窝同时检测,平均精度均值(mAP)达到94.1％,为输电线路的智能巡检提供了一种新思路.     

基于感受野模块的绝缘子实时识别定位方法

针对使用无人机进行绝缘子识别实时性的要求,以感受野模块(RFB)网络为基础,提出了一种基于RFB模型改进的轻量型架构。使用MobileNetV3网络作为特征提取主干,设计了新的感受野模块RFB-X,并使用Focal-loss损失函数解决正负样本不平衡问题。实验结果表明,该模型提高了绝缘子的检测速度和准确率。     

基于改进FasterRCNN的绝缘子异常检测

绝缘子在保证电力传输安全性方面起着重要作用,为提高绝缘子异常检测效率,提出了一种基于改进的FasterRCNN目标检测模型并将其应用于绝缘子检测中。首先,通过无人机采集航拍的图像样本,利用水平翻转、旋转变换、色域变换等通用图像增强方法扩增样本数量,采用LabelImg标注工具对各图像样本进行标注,完成绝缘子数据集的搭建。通过K-means聚类计算得到绝缘子数据集的最优先验锚框。针对破碎绝缘子占比小的问题,提出一种拷贝数据增强的方法,解决绝缘子不均衡问题。最后,通过实验对比分析了主干网络、拷贝数据增强和FocalLoss对网络性能的影响,得出结论:所提出的改进FasterRCNN模型提升了绝缘子检测的准确率,通过ResneSt101主干网络、拷贝数据增强以及FocalLoss,最终绝缘子数据集的mAP(平均精度均值)达到了68.3%,高于FasterRCNN基线6.8%。     

改进YOLOv3模型在无人机巡检输电线路部件缺陷检测中的应用研究

针对传统输电线路无人机巡检图像检测方法存在的精度低、计算时间长和训练样本少等问题,提出了一种用于输电线路部件绝缘子缺陷识别的改进YOLOv3模型。引入K-means++算法解决小目标不敏感问题,引入Focalloss函数解决样本不均衡问题,引入Mish激活函数提高模型精度,引入注意力机制Senet提高特征提取性能。通过对改进前后模型性能的比较分析,验证了该方法的优越性。结果表明,与传统的检测方法相比,所提方法在检测速度上能够满足实时检测的需要,且检测精度最优,检测时间为0.079 s,检测平均准确度均值为94.40%。该研究能够满足输电线路无人机巡检图像缺陷自动检测的需要。     

改进 RetinaNet 的绝缘子精确定位研究

接触网图像中绝缘子部件的自动精确定位是绝缘子故障检测的基础,绝缘子在接触网图像中存在倾角,采用水平框进 行检测难以精确契合目标。 针对此问题,提出一种改进 RetinaNet 的绝缘子精确定位方法。 首先利用高效 Ghost 模块代替原特 征提取网络中的卷积操作获得多尺度特征图,减少模型计算量;其次将注意力机制嵌入网络中,抑制次要特征对目标检测的影 响;然后引入旋转框作为模型的预测框实现绝缘子精确定位,降低冗余背景噪声的干扰;最后重新定义训练过程中的正负样本, 解决了添加旋转框导致学习错误样本的问题。 实验结果表明,该方法可以精确地定位绝缘子,抑制冗余背景信息,与原算法相 比检测精度提高 2. 8%,检测速度为 25. 6 FPS,参数量减少 42. 8%,具有良好的检测性能。     

基于改进 YOLOv４算法的绝缘子故障检测研究

为解决目前人工处理分析无人机巡检图像效率低、检测结果受人为因素影响较大的问题,提出了一种用于 检测绝缘子缺陷的改进 YOLOv４故障检测模型.通过改进普通卷积算法以提升检测速度,使用数据增强方法提高 YOLOv４对绝缘子缺陷检测性能,解决实际检测环境中缺陷图像数量少且识别精度低的问题.试验结果表明,所提方 法的缺陷检测精度和召回率分别为0.91和0.96,能够满足电力线路绝缘子缺陷检测的鲁棒性和准确性要求。     

基于改进生成对抗网络的无人机电力杆塔巡检图像异常检测

无人机电力线路巡检拍摄的杆塔图像背景复杂且正负样本极不均衡,严重影响了电力杆塔异常检测的准确性。该文提出一种基于压缩激活改进的快速异常检测生成对抗网络（SE-fAnoGAN）,可提高复杂背景下无人机电力杆塔巡检图像异常检测的精度。首先,在f-AnoGAN编码器中引入压缩激活网络（SENet）,提取图像中的显著性信息。然后,将生成对抗网络的无监督学习和二分类器的有监督学习有机结合,实现前者特征提取优势和后者判别优势的互补。在此基础上,借助基于迁移学习的优化训练策略进一步有效提升模型在大规模数据集上的泛化性能。实验结果显示,总体样本的检测准确率为95.74%,正负样本的召回率分别达到96.05%和95.36%,证明了SE-f-AnoGAN在异常检测中的有效性。     

基于EfficientDet和双目摄像头的绝缘子缺陷检测

绝缘子是输电线路重要的组成部件,带有缺陷的绝缘子会对线路造成隐患,通过图像检测技术可以提高绝缘子缺陷检测的效率,大大减小维护成本。但现有的绝缘子缺陷检测技术有精度不高和检测时间过长等缺点,针对这一问题,提出了基于EfficientDet和双目摄像头的绝缘子缺陷检测方法,首先通过双目摄像头设计了一种数据集采集的方法,解决了目前开源数据集不充分的问题;其次通过前置一个带标签的分类先行算法解决了EfficientDet占用资源过多的问题;最后将提出的算法与3种传统绝缘子缺陷检测算法进行比较,发现提出算法的mAP（平均精度均值）为50.04,优于其他3种算法,绝缘子识别定位准确率达95%以上,缺陷识别定位准确率达90%以上,具有较好的效率与实用性。     

融合深度迁移学习和改进ThunderNet的 瓷砖表面缺陷检测

瓷砖生产过程中由于环境的复杂性和随机性导致缺陷特性各异,实际中要构建大规模、高质量的瓷砖表面缺陷数据样本非常困难,而小样本条件下的可分特征信息不足对瓷砖表面缺陷检测的精度有较大影响。针对这一问题,探索了一种融合深度迁移学习和改进两阶段ThunderNet网络的瓷砖表面缺陷检测方法。首先,提出了一种基于改进ThunderNet网络的瓷砖表面缺陷检测模型,阐述了模型的结构与功能特点;其次,构造了瓷砖表面缺陷深度特征空间参数迁移决策机制,以有效提升样本特征表征能力;第三,基于可切换空洞卷积（switchable atrous convolution, SAC）优化ShuffleNet骨干网络,增强模型对缺陷形状变化的学习能力;第四,提出了基于多尺度映射和通道注意力（squeeze and excitation, SE）的特征融合算法,实现有限特征层次中瓷砖表面缺陷特征信息多层次差异化表征;最后,给出了融合深度迁移学习和改进ThunderNet网络的瓷砖表面缺陷检测算法。实验数据表明,在相同的瓷砖表面缺陷测试集上,本文方法对于小样本条件下瓷砖表面缺陷检测具有优越的性能,模型平均精度、平均召回率和平均检测速度分别达到87.22%、93.69%、61.6 ms/img,与传统ThunderNet模型相比,平均精度和平均召回率分别提高了9.30%、4.16%,其中,基于SAC最优空洞率组合{1,2},模型精度提高了5.51%,基于SE的最优压缩率24,模型精度提高了6.16%,基于本文迁移机制,模型精度提高了3.86%,同时加速了网络收敛。本文方法相比于传统ThunderNet网络和其他主流检测模型,通过迁移机制知识共享提高小样本对象特征表达能力,通过引入SAC和SE在控制模型规模的前提下实现对象特征的层次化表征,有效提升了模型的实时性和可靠性。     

基于改进YOLOX网络的雾天绝缘子缺陷检测

绝缘子作为输电线路中重要的元器件,对绝缘子缺陷的识别和定位在电网巡检方面有重要意义。为了对雾天情况下绝缘子状态进行准确定位识别,改进了YOLOX目标检测网络。首先,为了加快网络的训练速度,改进了激活函数;其次,为了解决小目标样本相较于整体样本较少和样本不均衡的问题,改进了图像增强方法和损失函数;最后,将改进的YOLOX网络在数据集上与4种目标检测网络进行比较。实验结果表明,在雾天数据集上,改进后YOLOX的准确度、平均准确率和每秒处理图片张数都有一定提升,符合无人机巡检的要求。     

基于无人机图像与迁移学习的线路绝缘子状态评价方法

针对目前绝缘子运维过程存在着规程过于繁杂,过于依赖运维人员的人工识别等问题,文中提出了一种绝缘子状态评价方法,该方法采用历史绝缘子缺陷图像作为训练样本,通过迁移学习在小样本数据处理的优异性能实现基于深度卷积神经网络绝缘子的缺陷识别模型训练,并借助卷积神经网络的特征提取能力实现绝缘子缺陷量化评分,结合历史样本与专家经验实现考虑运行年限、外界环境等因素实现绝缘子综合状态评价。通过实例分析表明文中迁移学习模型训练后绝缘子缺陷识别准确率可达到90%以上,而采用全新学习在同样的样本条件下识别准确率仅为70%,且文中建立的评价模型在日常运维中能够更为灵敏地体现绝缘子的缺陷状态,说明文中评价方法具有相当可靠性,可为运维人员的日常维护安排提供经验。     

基于多尺度特征融合的绝缘子缺陷检测

绝缘子缺陷检测对于保障电网安全稳定运行具有重要意义。由于绝缘子缺陷区域的像素信息少、形状尺寸不一,造成识别效果不佳问题。为解决此问题,提出了一种基于多尺度特征融合的绝缘子缺陷检测网络（MSD2Net）。在该网络中,采用残差注意力网络用于获取不同分辨率的绝缘子缺陷特征,设计了基于反卷积和多分支检测的多尺度特征融合网络将深层特征图与浅层特征图逐步融合,生成更加丰富的图像语义信息,用于实现目标的分类与位置回归,并结合Focal损失和高斯非极大抑制方法进一步提升检测效果。在变电站绝缘子缺陷数据集和输电线路CPLID公开数据集上进行测试,结果表明所提方法具有较好的检测性能与泛化能力。     

复杂环境背景下绝缘子缺陷图像检测方法研究

针对处于复杂的环境背景下的电力绝缘子以及绝缘子缺陷的检测存在检测精度低、检测速度不高的实际问题,提出了一种改进YOLOv4(you only look once v4)算法的电力绝缘子图像以及存在缺陷的绝缘子检测的方法。通过制作电力绝缘子以及绝缘子存在缺陷的数据集,使用K-均值聚类(K-means)算法对电力绝缘子图像样本进行聚类,获得不同大小的先验框参数;然后通过改进平衡交叉熵(balanced cross entropy, BCE)引入一个权重系数,来增加损失函数的贡献程度;最后,通过增加空间金字塔池化结构(spatial pyramid pooling, SPP)前后的卷积层来加深网络的深度。实验结果表明,改进模型的单张检测时间为3.27 s,对于绝缘子缺陷平均检测精度比原始的YOLOv4算法提升了24.36%。同时通过改进后的YOLOv4算法在测试集上的平均精度均值(mean average precision, mAP)的值为84.05%,比原始的YOLOv4算法提升了17.83%,充分说明了能够很好的定位和识别电力绝缘子图像存在的缺陷。     

移动端卷积神经网络开关柜局部放电样本生成与检测

局部放电是造成高压电气设备最终发生绝缘击穿的重要原因,也是绝缘劣化的重要标征,针对目前开关柜局部放电常规检测手段存在检测信息量少,时效性性差,诊断准确率低等问题,本文提出了一种可集成在移动端设备的卷积神经网络检测方法,并针对实际情况中存在放电类别样本不均匀的问题,提出了一种故障样本生成方法。将采集到的超声波信号经过去噪和预处理后通过短时傅里叶变换转化为二维时频谱图,输入卷积神经网络中进行局部放电模式识别,针对实际场景中出现故障样本不均匀问题,使用AE-DCGAN生成对抗网络生成故障样本。实例实验表明,本文所提出方法在移动端t710算力条件下,其准确率达到97%以上,算力达到0.27秒,生成数据样本MSE误差均低于0.067。     

基于生成对抗网络的自爆绝缘子检测模型设计

随着输电线路的持续建设,无人机逐步代替人工成为巡线工作的主要工作方式。绝缘子在输电线路中具有重要作用,然而,因自爆绝缘子导致的事故尤为频繁,从大量的航拍图像中识别自爆绝缘子,是一个亟待解决的任务。在航拍图像中,大部分绝缘子数据均是无损绝缘子,自爆绝缘子数量较少,因而无法满足识别算法的训练要求。针对现有输电线路无人机巡检中自爆绝缘子数据量稀缺的问题,该文提出了一种基于生成对抗网络的自爆绝缘子检测模型。通过生成器和鉴别器的对抗训练,该模型仅使用无损绝缘子数据训练即能完成对自爆绝缘子的检测。在此基础上,该文优化了生成对抗网络的训练过程。通过引入指导网络,解决了生成对抗网络的模式崩塌问题,提高了对自爆绝缘子检测的召回率;通过对鉴别器的输入添加扰动,解决了生成对抗网络中的样本不均衡问题,提高了对自爆绝缘子检测的精确度。通过与其他异常检测算法的对比实验,证明了该文方法的可靠性。并通过对模型各部分的消融实验,证明了该文方法各部分的可靠性。实验结果证明,该生成对抗网络模型有效避免了传统生成对抗网络中的缺陷,完成了对自爆绝缘子的高效自动检测。