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。     

基于密集连接网络的航拍绝缘子旋转目标精准定位方法

为了实现架空线路巡检时绝缘子的精准定位和检测,提出了一种基于Dense-Block密集连接块与旋转框改进YOLOv5的绝缘子检测模型。该模型针对绝缘子长宽比较大和方向多变的特点,提出利用长边定义法为检测框增加角度信息,实现目标旋转框检测,有效提升绝缘子检测和定位的效果。同时为了增强特征的重新利用和传播,利用Dense-Block对模型中的残差模块进行改进,构建YOLOv5-dense检测模型。最后为了使YOLOv5-dense模型能够更加关注有效的特征信息,在主干网络尾部加入SimAM注意力模块对模型进行改进。实验之前,利用Retinex算法对输入绝缘子图像进行增强。实验结果表明,相较于原始YOLOv5算法,所提算法在平均准确率和每秒处理帧数方面都有提高。除此之外,与水平框检测算法相比,所提算法去除了检测结果中大量冗余的背景信息,实现了绝缘子区域更加精准的定位。     

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...     

基于航拍图像的杆塔编号目标提取

针对输电线路航拍图像中杆塔编号的采集图像,采用了基于灰度特征的方法对杆塔编号图像进行目标提取。首先,对原始图像进行图像增强,突出目标点信息;其次,对增强后的图像进行分割,采用膨胀和腐蚀形态学运算对分割后的图像进行去噪处理;再次,通过改进的Canny边缘检测算子对去噪后的图像进行边缘检测;最后,对图像中的边缘点数量进行区域统计,对统计区域内的目标进行目标提取。结果表明,该方法可有效地对杆塔编号进行目标提取,对输电线路的故障定位提供了技术支撑。     

基于红蓝色差和改进K-means算法的航拍绝缘子分类识别方法

绝缘子作为输电线路中最重要的基础设施之一,对其准确识别是实现输电线路运行状态的自行监测与故障诊断的重要前提。为了能够对无人机航拍巡检中的绝缘子进行准确识别,提出基于红蓝色差和改进K-means算法的航拍绝缘子分类识别方法。首先,结合红蓝色差灰度化和加权灰度化,采用改进K-means算法对灰度图像进行聚类分割;其次,通过形态学滤波弥补分割缺陷;最后,根据绝缘子目标区域的红蓝色差均值,将绝缘子的分类问题简化为一维数据分类问题,从而实现分类识别。实验结果表明,该方法对复杂背景及不同拍摄角度下的绝缘子均能快速进行准确的分类识别,总识别率可达94.4%,为无人机巡检中输电线路绝缘子的分类识别提供了新的思路。     

基于多标签RBF神经网络的电能质量复合扰动分类方法

在径向基(RBF)神经网络和C-均值聚类算法的基础上,提出一种适用于电能质量复合扰动分类的多标签排位分类算法—多标签径向基函数法(ML-RBF)。首先,对常见的电能质量扰动及其组合而成的复合扰动进行离散小波分解,提取各层分解系数的规范能量熵作为特征向量;然后采用C-均值聚类算法将所得的特征向量映射为RBF神经网络的输入;最后通过RBF神经网络对该电能质量复合扰动类型进行预测。仿真实验结果表明,在不同的噪声条件下,ML-RBF可以有效分类识别电能质量复合扰动。     

基于多标签随机森林的电能质量复合扰动分类方法

提出一种多标签随机森林(Multi-label Random Forest, ML-RF)分类算法,并将其应用于电能质量复合扰动分类。ML-RF是基于多标签决策树(Multi-label Decision Tree, ML-DT)的集成学习算法,利用子决策树的组合来增强分类器的整体性能。首先对电能质量扰动信号进行平稳小波变换,计算各层分解系数的小波能量熵作为分类特征向量。然后使用Bootstrap自助法和子空间采样构造不同的训练集训练子决策树。最后组合子决策树得到ML-RF分类器,并对复合电能质量扰动进行分类。仿真结果表明,在不同噪声情况下,该方法均能有效进行复合扰动的分类,具有较好的噪声鲁棒性,是复合电能质量扰动分类的一种可行方法。     

基于深度学习算法的航拍绝缘子检测*

针对无人机航拍图像中绝缘子等设备因背景复杂、过度遮挡而产生的检测准确性差的问题,提出了一种基于CornerNet-Lite网络模型的改进算法.该算法应用LeakyReLU函数设计了更为合理的损失函数,在coco数据集和自建绝缘子数据集上进行试验.对比原网络模型检测结果可知,该方法将绝缘子检测准确率提升至93％,有效解决了绝缘子目标被塔架等间断性遮挡及多目标聚集时模型出现漏检现象的问题,尤其是在目标被过度遮挡时更能体现优势.     

基于改进YOLOv4的无人机航拍目标检测算法

针对无人机航拍目标检测对检测速度的高要求以及航拍图像小目标较多时易出现漏检、误检的问题,提出一种基于改进YOLOv4的无人机航拍目标检测算法。首先,引入轻量级网络MobileNetv3替换YOLOv4的主干特征提取网络,并采用深度可分离卷积替换网络其余部分的3×3标准卷积,降低了模型复杂度,提升了检测速度;其次,增加了针对小目标的104×104的浅层检测层,将原特征提取网络的3种检测尺度扩展为4种,对应加深特征融合网络层数,提升了算法对小目标的检测精度;最后,采用K-means++聚类算法重新设计了初始锚框,加快了网络的收敛速度。在无人机航拍数据集上进行了对比实验,结果表明所提算法与原算法相比,在保证平均检测精度的同时,提升了小目标检测精度,且模型参数量减少了60%,检测速度提升了15.2%,在实时性和准确性方面均有较好性能。     

基于LSTM网络的谐波多标签分类

针对电力电子设备的广泛接入，谐波污染更加复杂、影响更大等问题，引入了长短期记忆网络（long short-term memory，LSTM），提出LSTM与多标签分类算法融合的复合谐波扰动分类模型。该模型首先通过LSTM提取特征值，再通过全连接层进行特征降维处理，最后通过分类层进行多标签分类识别。使用该模型克服了人工进行特征选择的缺陷，以及传统神经网络训练时收敛速度慢、容易陷入局部最优的缺点。实验结果表明，在不同的噪声条件下该算法模型可有效分类识别复合谐波扰动。     

电力营销客户标签体系分类方法研究

通过对等级列举式分类法、分面组配式分类法和自由分类法3种主流网络信息资源分类方法进行系统梳理和比对分析,结合电力营销客户标签的创建和应用特点,提出了一种基于电力营销业务的客户标签分类组织方法,为电力营销客户标签库系统管理提供参考。     

基于位置感知和跨层特征融合的航拍小目标检测算法

针对航拍图像目标尺度小、背景复杂、漏检和误检严重,提出了一种基于位置感知和跨层特征融合的航拍小目标检测算法DC-YOLOv8s。DC-YOLOv8s新增小目标检测层,增强对小目标尺度的敏感性,提高检测精度。为了减少特征信息的丢失,设计了跨层特征融合模块,充分融合小目标浅层语义信息和深层语义信息,丰富特征表示。改进C2f结构,结合可变性卷积设计了基于位置感知融入残差的感受野注意力模块,适应航拍小目标形状的变化,快速提取感受野特征,降低漏检和误检率。最后使用基于注意力机制的动态检测头在尺度感知、空间感知、任务感知方面提高复杂场景下小目标的定位性能。实验表明,在VisDrone2019数据集上,DC-YOLOv8s在P、R、mAP上相较于YOLOv8s分别提高了7.2%、7.5%、9.1%,显著提高了小目标检测的性能,FPS为71帧,满足实时性要求。在VOC2007+2012上进行模型泛化性实验验证,效果优于其他经典算法。     

基于深度学习的航拍光伏板红外图像热斑检测方法研究

针对光伏电站光伏板热斑故障难以检测的问题,结合无人机巡检技术,提出一种基于深度卷积神经网络的光伏板热斑快速检测方法。首先设计了光伏板识别模型,将Yolov4主干特征提取网络替换成轻量级网络MobileNetV2,并将PAnet网络中标准3×3卷积替换为深度可分离卷积,实现了将光伏板快速从红外图像中识别出来。为快速识别热斑并解决光伏板反光噪声问题,将MobileNetV2网络引入DeeplabV3+模型中,改进由于下采样造成的目标缺失,并将交叉熵损失函数修改为Dice损失函数来进一步提高分割精度。试验结果表明,该方法能够准确识别光伏板热斑,光伏板识别准确率为99. 56%,检测速度为22. 1帧/秒。光伏板识别后的热斑分割准确度达到95. 99%,交并比mIou达到85. 58,检测速度为24. 5帧/秒,该方法能够满足光伏板故障检测的需要。     

基于深度学习的旋转目标检测方法研究进展

在遥感和场景文本图像中,目标具有方向多样性和尺度变化较大等特点,使得常见目标检测方法在这两场景中检测效果不佳,针对此问题,诞生了许多专门设计的检测方法。将朝向角度信息融入候选区域生成网络或设计专门的方向角度预测网络,是目前有朝向目标检测研究的主流方法,其对遥感和场景文本图像检测具有重要意义。本文综述了旋转目标检测在遥感和场景文本两场景中的研究现状,根据有无锚框将当前基于深度学习的旋转目标检测方法分为基于锚框的一阶段方法、基于锚框的二阶段方法和无锚框方法三类方法进行归纳分析,并从优缺点、骨干网络和适用场景等方面进行了对比。最后,对旋转目标检测方法的发展前景和研究方向进行了展望。     

基于特征集重构与多标签分类模型的谐波源定位方法

传统基于谐波状态估计的谐波源定位方法需要专门的同步相量量测装置,工程应用受到限制。为此,基于电能质量监测装置所采集的非同步量测数据,提出了基于特征集重构与多标签分类模型的谐波源定位方法。利用监测数据的充分统计量来挖掘量测时段的谐波信息,同时利用标签特定特征学习算法重构特征集,从而消除冗余特征以及无关特征对于谐波源定位精度的影响;提出基于邻接矩阵以及灵敏度分析的测点配置方法,结合电路网络拓扑信息实现测点的优化配置;提出基于改进极限学习机的谐波源定位方法,该方法以重构特征集为输入,建立多标签分类模型,实现谐波源定位。通过仿真与算例分析,验证了所提方法的可行性及有效性。     

基于深度字典学习的输电线路故障分类方法

针对当前输电线路故障分类识别方法存在的阈值整定复杂、人工智能算法可解释性不足等问题,提出了一种基于深度字典学习的输电线路故障分类方法。该方法利用稀疏性约束驱动字典自动提取样本中的故障特征,同时深度字典结构使得所提取的故障特征具有较好的层次性和物理含义,符合人对故障的直观认识,一定程度上解决了数据驱动型方法可解释性不足的问题。最后,通过PSCAD/EMTDC仿真验证了所提方法的有效性。     

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。     

基于迁移学习的电能质量扰动分类方法研究

正电能质量问题是目前配电网研究的热点。针对电能质量扰动识别困难的问题,提出一种基于迁移学习的电能质量扰动分类方法。试验结果表明,迁移学习方法对电能质量扰动具有良好的分类准确性和抗噪性。