基于改进GrabCut的绝缘子缺陷检测

为有效检测复杂环境下绝缘子的掉串故障,提出一种基于改进GrabCut的绝缘子缺陷检测方法.将图像的位置信息与显著性信息融入GrabCut模型,通过位置信息初始化GrabCut模型实现图像自动分割,显著性信息参与约束的混合高斯模型,改善图像的分割效果,采用形态学处理法进行故障定位,提升复杂环境下对故障的辨识能力.实验结果表明,该方法在复杂背景下具有良好的分割效果,能有效检测故障绝缘子,具有较强的鲁棒性.     

基于多算法融合的破损陶瓷绝缘子图像识别与检测方法

为了提高输电线路安全稳定运行,在传统检测绝缘子缺陷的基础上,提出一种多算法融合的破损陶瓷绝缘子检测方法。基于FASTER-RCNN算法,将拍摄到的绝缘子图像进行训练,得到绝缘子串具体位置,并改进SBGFRLS（线性自适应滤波）算法,实现对瓷绝缘子破损的精确识别。首先利用FASTER-RCNN算法,选择Faster R-CNN网格作为检测器,识别出利用无人机拍摄得到的图像中的绝缘子串所在位置;然后,利用SVM（支持向量机)算法对绝缘子图像进行粗分割,得到粗分割后的绝缘子缺陷识别图,再在粗分割的基础上,运用改进的SBGFRLS算法对图像中的绝缘子进行精确识别,得到破损绝缘子定位图。实验结果表明,得到的绝缘子破损识别图可以验证该改进算法的可行性和有效性。     

融合PHOG和BOW-SURF特征的接触网绝缘子缺陷检测方法

绝缘子图像中存在的噪声对提取绝缘子细节纹理特征具有较大影响,单个特征描述子不能描述绝缘子的更多细节纹理特征,而提取到绝缘子细节纹理特征的多少直接影响了绝缘子缺陷检测的精度和速度.针对以上问题,提出改进快速导向滤波算法和融合PHOG与BOW-SURF特征来实现绝缘子缺陷的精确检测.首先,采用改进的快速导向滤波算法对接触网绝缘子原始图像进行滤波;然后,提取绝缘子滤波后图像的PHOG和BOW-SURF特征;最后,将两者融合后送入SVM分类器进行训练,实现绝缘子缺陷的检测.实验结果表明,该方法检测绝缘子缺陷的精度为100%,平均每张图像的处理时间为0.039s,为接触网悬挂状态检测监测装置对图像分析及缺陷检测奠定了必要的基础.     

基于3D塔架配准的绝缘子自爆缺陷检测

在航拍图像的绝缘子检测中,图像的拍摄条件会导致背景的复杂程度不同,如何保持在多样背景下的绝缘子检测效果成为急需解决的一个重要问题。提出一种自适应的绝缘子自爆缺陷检测方法,该方法利用3D模型定位,并将绝缘子自身的绝缘子片作为模板检测缺陷。首先利用每种塔架的3D模型图与其对应的标准图进行SIFT点匹配,再利用随机抽样一致性方法找到标准图到待检测图的转换矩阵,从而找到塔架上每个绝缘子的位置;然后将图像转为HSV模型后,利用小波变换处理H通道,再进行二值化;最后通过Radon变换确定二值化图像中绝缘子中轴的大致方向并转正,去掉噪声点,取第一片绝缘子片作为模板在中轴滑动,记录每片绝缘子位置的像素分布直方图,利用地球移动距离EMD方法判断分布是否存在异常,最后再显示出自爆绝缘子片的位置。测试结果表明,该方法的自爆缺陷检测效果良好,具有较高的正确率和鲁棒性。     

复杂背景下多个绝缘子串红外图像分割方法

绝缘子保证了地面与载流体绝缘,在电力巡检中具有重要意义。通过红外热像仪可以快速准确地确定绝缘子的运行状态。针对复杂背景下,多个绝缘子串红外图像的分割问题,提出了一种新的方法。首先,使用通道阈值完成图像的初步分割;然后,通过霍夫变换的直线检测定位横向塔架,结合定向腐蚀法和全局形态学方法去除电线和横向塔架;最后,使用SNIC超像素分割算法结果与形态学处理结果进行匹配和定位,实现红外图像内多个绝缘子串的分割。实验结果表明,本方法处理后结果与参考图像的相似度达到88%,相比其他聚类分割算法可以有效地去除复杂背景,实现绝缘子串的精准分割。     

基于双模型的输电线绝缘子自爆检测算法

针对输电线路无人机巡检图像中绝缘子自爆缺陷目标小而难以精准检测的问题,提出一种基于Faster R-CNN和改进的YOLO v3级联双模型的绝缘子自爆缺陷检测算法。首先,利用无人机巡检图像构建绝缘子串缺陷数据集,并对训练图像样本进行翻转预处理,增加样本数量,提高模型泛化能力,避免过拟合;然后,利用Faster R-CNN检测图像中的绝缘子串,再将检测到的绝缘子串图像送入改进的YOLO v3网络进行自爆缺陷的定位。改进的YOLO v3网络是在YOLO v3基础上借鉴FPN的思想,增加特征提取层并进行特征融合,充分利用深层特征和浅层特征;同时采用CIoU Loss函数作为损失函数,以解决边界框宽高比尺度信息。实验结果表明,本文算法在所构建的绝缘子缺陷数据集上的检测准确率达到91.2%,相比Faster R-CNN或YOLO v3等单模型检测算法提升了3.31个百分点以上,能有效实现无人机巡检中绝缘子自爆缺陷的检测,为输电线路智能化巡检故障诊断提供方法支持。     

轻量级YOLOV3的绝缘子缺陷检测方法

绝缘子是输电线路的重要组成部分,其能否正常工作直接影响电网的稳定运行。为此,研究了智能绝缘子缺陷检测方法。通过无人机的航拍图像制作数据集,利用K-means++算法确定先验框,基于YOLOV3检测架构构建一种改进的轻量级网络。实验结果表明,该方法提升了高清绝缘子的图像检测速度,且能够完成绝缘子定位及缺陷检测。     

基于Mask RCNN的绝缘子自爆缺陷检测

针对绝缘子自爆缺陷位置检测问题,提出了一种基于Mask RCNN的绝缘子自爆缺陷检测的方法。通过构造基于Mask RCNN的绝缘子串分割模型,在获取的掩模图像中引入最小外接矩形提取绝缘子串图像,从而搭建基于Mask RCNN的自爆缺陷检测模型,检测绝缘子串中的自爆位置。结合两个模型,将绝缘子串位置及其自爆缺陷位置映射到...     

基于改进的U-Net和YOLOv5的绝缘子掩模获取与缺陷检测

输电线路的绝缘子定期巡检是必不可少的一项任务,而传统的人工巡检存在着效率低、工作强度大等问题。因此,本文设计了一种改进的U-Net模型实现对绝缘子的分割,并使用改进的YOLOv5实现在复杂背景下对爆破绝缘子的定位。本文基于U-Net图像语义分割模型,提出一种改进的网络结构SERes-Unet。模型引入残差结构减少卷积过程中存在的梯度消失、结构信息损耗的影响,引入注意力机制对特征权重进行校正,从而提升网络性能。为实现对高分辨率图像的爆破绝缘子检测,提出将图片进行切割再进行检测,再通过非极大值抑制（Non-maximum suppression,NMS）进行筛选,获取图像全部爆破绝缘子的位置。本文设计的多组实验验证了模型的有效性和高效性。本文方法绝缘子分割精度达到0.96,爆破绝缘子检测精确率达到0.97,召回率达到0.99。     

基于机器视觉的光伏电站绝缘子机械故障检测研究

为解决现有光伏电站绝缘子的机械故障检测模型准确率低和泛化性差的问题，提出了一种基于机器视觉的光伏电站绝缘子机械故障检测方法。该方法首先计算绝缘子图像亮度修正系数并进行亮度修正，然后使用改进的FCN(Full Convolutional Network,全卷积网络)对光伏电站绝缘子进行分割和轮廓凸包检测，并进行连通域标记和质心坐标计算，最后建立绝缘子机械故障定位模型，根据等距质心定位绝缘子故障位置。实验结果表明光伏电站绝缘子故障平均定位误差为18像素，大雾天气和光照不均情况下检测成功率分别为82.5%和96%,算法时间复杂度为0.066～0.076 s。     

基于先验知识的航拍绝缘子检测方法

在架空输电线路中对带电状态的绝缘子进行检测和故障定位,对保证电网可靠运行具有重大意义。基于无人机平台提出一种复杂背景条件下的绝缘子检测算法。在检测算法的特征提取层引入注意力机制模块以获取更多的绝缘子特征信息,同时利用航拍图像中绝缘子的先验知识,结合K均值聚类算法改进目标候选框的生成模式。在此基础上,通过将中心损失引入绝缘子检测目标函数以增强训练过程中绝缘子类内特征的内聚性。实验结果表明,相对Faster R-CNN检测算法,在绝缘子检测数据集上Faster R-CNN改进算法检测精度提高4%以上。     

基于LSD检测的无人机视觉着陆定位算法

针对复杂电磁干扰和拒止环境下固定翼无人机自主着陆的应用场景,提出了一种基于LSD的无人机视觉着陆定位算法,通过检测跑道的左右边线以及起始线对无人机进行定位;根据机场跑道的形态学特征,构建机场跑道数据模型,并对实验所用相机进行标定,采用灰度化和高斯滤波对采集到的图像进行预处理,采用LSD直线检测算法以提取跑道的直线特征,设计几何滤波策略从直线特征中提取出跑道的三条边线,采用蒙版技术以提高检测算法的抗干扰能力;根据相机成像原理推导出基于线检测的PNP定位算法,通过检测得到的机场跑道线在像素坐标系下的位置信息求出无人机相对于跑道的三维位置;分别在视景仿真环境和真实机场环境进行检测和定位解算,结果满足无人机着陆定位实时性和准确性的要求,从而验证了视觉着陆定位算法的有效性。     

基于特征残差的色织物瑕疵检测

为解决自动织物瑕疵检测算法中,未知花色织物瑕疵检测困难的问题,提出了一种基于特征残差的色织物瑕疵检测方法.首先使用瑕疵织物图像与模板织物图像的瑕疵残差和正常无标注织物图像进行融合,生成新花色瑕疵织物样本;然后改进特征提取网络采用共享权值方法,对瑕疵织物和模板织物提取特征后计算得到特征残差;最后使用ROIAlign方法将全局上下文信息缩放到和感兴趣区域统一大小后进行特征融合,对融合特征进行瑕疵分类和位置回归.实验针对不包含未知花色和包含未知花色的不同测试集分别进行算法测试实验,结果表明改进后的算法能够较好地消除织物花色对检测结果的影响,在不包含未知花色的测试集中精度得到了较大的提升,在包含未知花色的测试集中,瑕疵检测效果依旧保持不错的精度,相较于改进前的通用算法,最终score分别提升了15.4％和16.2％.     

基于改进部分卷积的瑕疵布匹图像生成算法

针对工业生产中布匹瑕疵自动化检测模型训练时缺少带瑕疵位置信息的瑕疵布匹图像数据集的问题, 本文提出了一种以改进的部分卷积网络作为基本框架的带瑕疵位置信息的瑕疵布匹图像生成模型EC-PConv. 该模型引入小尺寸瑕疵特征提取网络, 将提取出的瑕疵纹理特征与空白mask拼接起来形成带有位置信息和瑕疵纹理特征的mask, 然后以修复方式生成带有瑕疵位置信息的瑕疵布匹图像, 另外, 本文提出一种结合MSE损失的混合损失函数以生成更加清晰的瑕疵纹理. 实验结果表明, 与最新的GAN生成模型相比, 本文提出的生成模型的FID值降低了0.51; 生成的瑕疵布匹图像在布匹瑕疵检测模型中查准率P和MAP值分别提高了0.118和0.106. 实验结果表明, 该方法在瑕疵布匹图像生成上比其他算法更稳定, 能够生成更高质量的带瑕疵位置信息的瑕疵布匹图像, 可较好地解决布匹瑕疵自动化检测模型缺少训练数据集的问题.     

基于ButterWorth滤波和EM算法的电子布疵点检测

为了精确定位和分割电子布生产过程中产生的疵点,提出一种基于ButterWorth滤波和EM算法的电子布疵点检测方法。因电子布的背景纹理对疵点检测存在影响,首先采用ButterWorth滤波弱化图像背景纹理信息;再应用高斯混合模型对预处理后的图像进行表征,通过EM算法迭代模型的最优解,对像素进行标记;最后,根据标记结果分离背景与疵点区域,定位并分割疵点。实验结果表明,该方法既能准确定位疵点位置,又能有效保留疵点的细节信息,并且能够检测多种类型的疵点,在疵点检测方面具有一定的参考价值。     

改进YOLOv3在航拍目标检测中的应用

近年来,基于深度学习的航拍目标检测在无人驾驶、军事侦察、灾害检测等领域有着广泛的应用,更精确、高效的算法是目前航拍目标检测研究的热点与难点。提出一种基于改进YOLOv3算法的航拍目标检测方法,对航拍数据集进行目标先验框维度聚类、优化锚点参数,提高了网络对航拍目标的检测有效性。同时对原网络进行改进,减少部分卷积操作并引入跳跃连接机制降低特征冗余,提高了检测准确率,并降低了小目标的误检率与漏检率。实验结果表明,改进YOLOv3算法相较于原始YOLOv3算法的效果有明显提升,对于较高分辨率的航拍图像,加快了网络的收敛速度,并在保证实时性的前提下,将检测平均准确率（mean Average Precision,mAP）提高了12.7%。     

基于神经网络与模糊算法图像边缘检测方法*

针对传统图像边缘检测方法中出现毛边、噪边、边缘定位不精确等缺点,提出一种神经网络与模糊算法相结合的检测方法。根据图像特征,将图像分为高频和低频部分分别处理,高频部分适宜用双层网络结构,可以很好地减弱噪声;对于图像低频部分,将模糊理论引入到边缘检测中,能够检测出弱边。最后对检测出的两个图像边缘进行融合,实验结果证明得出的检测效果较好,比传统边缘检测算子所获结果有很大改善。