基于航拍图像的绝缘子表面状态检测

绝缘子是输电线路上的重要设备,其运行状况直接影响到电网的安全运行,对绝缘子表面状态的监测是十分重要且必要的。本文提出一种基于航拍可见光图像的绝缘子表面状态检测方法,通过建立模糊综合评判数学模型,确定绝缘子的污秽程度和表面是否有裂纹,将来可以应用于对航拍图像的分析。     

基于深度学习的航拍图像绝缘子缺失检测方法研究

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,提出了一种图像识别的绝缘子缺失识别方法.首先,对无人机拍摄的图像样本进行了处理,扩充样本集.其次,搭建了绝缘子的检测模型,完成各层网络结构的选择和设计,使用CNN算法实现对绝缘子缺失的检测.随后,构建了绝缘子检测网络,并对各层检测网络参数进行...     

基于R-FCN的航拍巡检图像目标检测方法

航拍巡检是输电线路巡检的主要方式之一,目前的航拍巡检方式效率较低,受巡检员主观因素影响大,亟需一种智能检测算法自动定位并识别输电线路巡检图片中的故障。基于深度学习的航拍巡检图像目标检测技术作为一种可能的解决方案,得到了广泛关注。提出了一种利用基于区域的全卷积网络(R-FCN)的航拍巡检图像目标检测方法,并利用在线困难样本挖掘(OHEM)、样本优化、软性非极大值抑制(Soft-NMS)等改进方法进行优化。实验证明,所提方法具有目标定位准确、平均准确率高、单模型可同时检测目标种类多等特点。     

复合绝缘子接触角的图像处理检测

提出了利用数字图像处理技术和曲线拟合理论自动检测复合绝缘子表面接触角的方法.针对绝缘子表面水珠图像的特点,首先利用中值滤波、灰度拉伸等算法预处理图像,去除高频噪声,并从背景中突出水珠轮廓;然后利用Robert算子边缘检测、迭代最优阈值区域分割等算法将水珠与背景分离;再采用骨架提取迭代和八邻域轮廓跟踪等算法提取水珠的边界曲线;最后以正交多项式为基函数拟合水珠边界曲线,继而求导得到接触角.该方法能够现场检测运行中的绝缘子,测量过程不需人工干预,客观精确.多次测量同一复合绝缘子的接触角,均方误差在2%之内.     

基于深度学习的输电线路绝缘子故障检测方法研究

近年来,电网的稳定运行以及安全防范显得尤为重要,越来越受到国家的重视。其中,绝缘子的稳定、安全运行,是输电线路正常工作运行的必要条件。针对人工进行输电线路绝缘子故障巡检时存在的成本高、效率低等问题,采用基于深度学习的方法来更有效地进行绝缘子故障的检测,以YOLOv3作为基础网络,对绝缘子故障检测进行研究。为解决YOLOv3网络结构参数量多和在嵌入式平台上的运行速度较慢等问题,以轻量化的EfficientNet网络代替YOLOv3算法的主干特征提取网络(Darknet-53),从而构建了EfficientNet-YOLOv3网络模型。实验结果表明,EfficientNet-YOLOv3算法的AP值为96.01%,仅比YOLOv3算法少了0.61%,但是其运行速度得到了较大的提高,FPS达到了19f/s,比YOLOv3算法提高了7f/s,在保证精度损失不大的情况下较大地提高了模型的检测速率,从而可以在保持较高精度的条件下更好地满足输电线路绝缘子故障巡检的实时性需求。     

基于YOLOv4和改进分水岭算法的绝缘子爆裂检测定位研究

近年来,航拍巡检代替人工成为了输电线路电力巡检的主要方式,而输电线路上绝缘子的完整性直接影响其供电可靠性。在复杂背景的干扰下,传统的图片处理方法往往对主体识别能力低下。针对这一问题,该文提出了一种基于YOLOv4的深度学习并结合改进的分水岭算法,对航拍绝缘子图像精确识别及缺陷检测的问题进行了研究。首先利用YOLOv4对绝缘子进行精准的识别与定位,有效弥补了传统方法在复杂背景下识别能力低下的不足;再结合改进分水岭算法对绝缘子自爆位置进行识别,该方法可以快速地识别出绝缘子主体和缺陷位置。     

基于ConvNeXt和注意力机制的绝缘子自爆故障检测方法

为了更加准确地识别和定位架空线路绝缘子的自爆故障,保障电力系统安全稳定运行,提出一种基于ConvNeXt和注意力机制的目标检测算法,可用于无人机、巡检机器人等设备拍摄的可见光图像中绝缘子自爆故障检测。首先,使用一种新型卷积神经网络ConvNeXt作为主干网络,使用1∶1∶1∶3的阶段模块数量比例,增强网络对抽象语义特征的提取能力;其次,使用跨阶段局部连接结构,减少网络参数量和计算复杂度,丰富网络梯度连接;最后,引入卷积注意力机制,增强网络对复杂背景中目标区域的感知能力。实验结果表明,改进后的绝缘子自爆故障检测模型的平均精度均值达到97.4%,相比基线YOLOv7提升了1.4%,能够有效实现绝缘子自爆缺陷的检测。     

基于协同深度学习的二阶段绝缘子故障检测方法

针对现有绝缘子故障检测模型受航拍图像中复杂背景干扰导致准确率低的问题,提出一种基于协同深度学习的二阶段绝缘子故障检测方法.该方法将全卷积网络(FCN)与YOLOv3目标检测算法相协同,第一阶段,利用FCN算法对航拍图像预处理,设计跳跃结构融合浅层图像特征与深层语义特征,构建8倍上采样的绝缘子分割模型,结合图像像素逻辑运...     

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。     

基于深度学习的绝缘子故障检测研究

绝缘子是架空线路中重要组成部分之一,当出现故障时,影响电网安全运行。为实现绝缘子故障快速、精准的识别,提出了一种基于改进YOLOv3-Tiny的绝缘子故障检测方法。首先,为了增强小目标检测能力,对浅层特征图与第二检测层之前特征图进行同维拼接构建第三预测层。随后,该网络采用Ghost模块替换主干网络中的卷积层,降低模型的参数量。然后,设计了一个新的注意力模块MECA,不仅能够多尺度信息融合,还能使网络专注绝缘子的显著特征。最后,提出了新的交并比EIoU作为边框回归损失函数,更好的定位目标位置。实验结果表明,改进的YOLOv3-Tiny在绝缘子故障检测中平均准确率（MAP）高达96.1%,较原始YOLOv3-Tiny算法MAP提高了17%。     

航拍图像中绝缘子目标检测的研究

使用YOLOv3深度网络模型,针对航拍图像中绝缘子检测的准确性问题进行研究,提出了一种分解聚合算法。为解决目标的错检、漏检等问题,将目标分解成多个存在交集的可变型部件,并对其进行检测。在保证子目标检测精度与速度的前提下,利用各部件之间相交区域的特征及含义,对其进行聚合并重新定义,使检测到的目标区域更准确。由于群体性目标中包含的可变因素过多,原算法无法准确定义,提出的改进方法则可根据必需部件对其进行检测,同时为单独的子目标找出它所隶属的整体,通过多级标签对其进行更深刻意义上的描述。以COCO数据集为例,对比算法改进前后的检测效果。实验结果表明,该方法显著提高了目标检测的准确性,解决了漏检、错检等问题。     

基于邻域信息交互的任意角度航拍绝缘子检测

航拍绝缘子图像存在背景复杂、绝缘子空间方向多变且其自身具有大长宽比的特点,采用传统水平矩形框目标检测算法对航拍绝缘子进行检测,会引入大量的背景信息,导致定位绝缘子缺陷等后续操作变得更为困难。为此,本文提出了一种基于邻域交互注意力的任意角度航拍绝缘子检测方法。本文方法在现有的绝缘子检测框架中加入了目标边界框的角度预测分支。角度预测分支的引入,使得该方法对网络特征表达能力提出了更高的要求,为此,本文提出了一种邻域信息交互注意力机制,并通过该机制来建模绝缘子空间信息关系,从而实现对航拍绝缘子的精准检测。试验结果表明,本文提出的方法能够精准检测复杂环境中的绝缘子,检测精度达到了93.5%,有效避免了大量背景信息对绝缘子缺陷检测的干扰。     

基于红外图像分割与SSA-SVM的复合绝缘子缺陷检测方法

为了准确快速地识别出交直流复合绝缘子的缺陷类型,本文提出一种基于红外图像分割和麻雀搜索算法(SSA)优化支持向量机(SVM)的交直流复合绝缘子缺陷检测方法.首先,制作复合绝缘子短样,并设置四种不同类型的模拟缺陷,分别施加交流电压和直流电压,采用红外热像仪测量得到正常和缺陷复合绝缘子的红外图像样本;然后,利用最大类间方差法对图像进行阈值分割得到绝缘子区域,由此计算红外特征量,并使用Fisher准则进行特征选择;最后,采用SSA优化的SVM模型实现对绝缘子缺陷类型的识别.结果表明,实验室条件下该方法对交直流复合绝缘子的缺陷类型识别正确率达87％以上,且对现场交流复合绝缘子缺陷的初步识别效果良好.     

棒形复合绝缘子爬电距离图像测量方法研究

棒形复合绝缘子的爬电距离是其质量管控中的重要关注点。 针对现有测量方法依赖人工,效率较低且误差大,提出了 一种基于机器视觉的复合棒形绝缘子爬电距离测量方法。 首先,设计了棒形复合绝缘子图像采集平台,获得了其轴向连续图 像。 采用 SIFT 算法对获取到的连续图像进行拼接,通过 Canny 边缘检测算法构建识别模型,实现了棒形悬式复合绝缘子的爬 电距离的自动测量。 试验表明,图像测量方法的重复测量标准差约为传统方法的 5% ~ 12%,且其测量效率较传统方法提高 6 倍以上,实现了棒形复合绝缘子爬电距离准确高效的测量。     

基于珍珠数字图像的颜色特征提取及检测方法研究

为了优化珍珠颜色特征提取,提高珍珠颜色检测准确率,提出结合K-means聚类和局部梯度的阴影检测算法,结果表明该算法可以精确检测珍珠数字图像中珍珠的阴影,消除了阴影对提取颜色特征的干扰。在Lab颜色空间,提出基于珍珠回音廊效应区域的颜色特征提取,使用GA-SVM作为珍珠颜色识别方法,提出使用二次颜色检测策略,通过两次颜色检测确定珍珠颜色类别。通过对比实验结果表明,珍珠体色色系检测准确率达到100%,珍珠颜色检测准确率达到98.7878%。     

基于改进KNN边缘滤波算法的陶瓷绝缘子表面检测研究

高压线上陶瓷绝缘子全表面检测是保证其质量的重要一环,由于其表面复杂,目前主流是人工检测,漏检、错检无法避免。用带有机器视觉的自动化装置来检测陶瓷绝缘子是近年来的趋势,本文针对绝缘子的气泡、裂纹等主要缺陷进行识别,提出最优滤波器方法加大气泡缺陷对比度,对气泡ROI进行定位和提取,通过改进KNN边缘滤波来预处理图片,对裂纹进行定位识别,最后通过特征进行筛选。该方法能够快速、准确地识别陶瓷表面缺陷特征,识别效率在200 ms以内,识别率达到了98.2%,满足高压线陶瓷行业的精度需求。     

高分辨率的航拍输电线路绝缘子检测

绝缘子是输电线路上的重要部件之一,利用无人机巡检准确的检测出绝缘子及其缺陷是保障电力安全输送的重要手段。针对目前主流目标检测网络处理高分辨率图像时直接缩放原图带来目标的细节信息丢失或者将原图切块再检测导致目标丢失整体信息的问题,在残差网络(ResNet 50)的基础上设计了一个双分支结构的主干网络(RC Net)同时兼顾绝缘子的位置信息和细节信息,能减少目标上下文信息和局部信息的丢失。同时引入可变形卷积替换部分常规卷积来改变采样点,使采样点能更贴合目标本身的几何形状,提高网络的特征表达能力,并根据绝缘子本身的大小和形状重新设计锚框的参数,使锚框更适合目标本身的尺度,边框回归更精确。在扩增的中国输电线路绝缘子数据集(CPLID)进行实验,结果表明,本文提出的算法的平均精度达到88.3%,相比于目前主流的检测算法在高分辨率图像背景下具有更好的检测效果。     

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。     

基于深度学习的红外图像中劣化绝缘子片的分割方法

红外成像作技术为绝缘子在线检测的重要手段已日趋成熟,而当前对于电气设备红外图像的分析仍依靠大多依赖人工经验,缺乏智能化。传统的红外图像中劣化绝缘子的分割方法需要复杂的图像预处理和人工提取目标特征,因而存在着泛化能力差、复杂背景下识别精度低等缺陷。基于以上问题,文中提出一种基于深度学习的红外图像中劣化绝缘子的分割方法。首先搭建实验平台,获得绝缘子串在复杂背景(有其他设备和发热源干扰)下的红外图像。为了保证红外图像的多样性,拍摄在多种污秽等级下进行,选取了多种阻值的劣化绝缘子片放置在了多种位置,并不断改变了拍摄的角度。然后构建多尺度的方法实现全卷积神经网络(FCN)的3种子模型架构：FCN-32s、FCN-16s和FCN-8s,使用随机梯度下降的训练方法对模型进行端到端的训练,最终实现了红外图像中的劣化绝缘子片的自主分割提取。通过对三种子模型训练测试对比后,得出以下结果：FCN-8s模型为劣化绝缘子片分割提取最佳模型,对于验证测试数据集像素分类准确率为89.23%。结果表明文中所描述的智能化红外劣化绝缘子片分割方法,为绝缘子和其他高压电气设备的红外在线监测诊断打下了坚实基础。