基于改进YOLOv4模型的输电线路杆塔图像缺陷检测方法研究

针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNetV2网络替换CSPDarkNet53网络,提高特征提取速度,在SPP模块中采用平均池化替换最大池化,提高算法对小目标的检测精度,引入注意力机制CBAM增强特征表达。通过试验验证了所提方法的可行性和优越性。结果表明,所提方法与常规检测方法相比,在输电线路杆塔图像缺陷检测中具有更优的检测精度和速度,检测精度达到94.40%,检测速度为60 FPS。所提研究为输电线杆塔缺陷检测方法的发展提供了一定的参考。     

基于无人机采集图像的输电线路异常检测方法研究

针对现有无人机航拍输电线路图像异常检测方法效率低、精度差等问题,在无人机航拍输电线路图像预处理的基础上,提出改进的相位编组算法用于导线提取和滑动像素块模型用于输电线路的异常检测。根据输电线路的最佳相位划分方式和伪导线判断基准优化相位编组算法,通过改变滑动像素块的旋转梯度角,确定传输线异常的准确位置,并完成导线断股和悬挂异物检测。通过实验对所提方法的可行性进行验证。结果表明,与常规方法相比,所提导线提取方法具有更高的精度、防误检和运行效率,在导线断股和悬挂异物检测中具有更高的准确度和运行效率,所提出的研究可以大幅提高巡检的安全性和效率。