基于尺度不变特征金字塔的输电线路缺陷检测

针对现有目标检测算法在高压电力复杂巡检场景下电力部件与巡检缺陷检测精度较低的问题,提出一种基于尺度不变特征金字塔的输电线路缺陷检测方法.将主流目标检测方法用于该场景,对比得出RepPoints v2网络模型的检测精度最高.针对RepPoints v2中FPN结构不能有效提取跨层次间语义信息及角点验证过程中忽略尺度归一化...     

基于动态超分辨率的输电线路部件检测方法

在无人机输电线路巡检过程中,由于部分输电线路部件较小,而且无人机搭载的相机像素有一定限制,同时必须与输电线路保持一定的安全距离,导致拍摄的图像的分辨率较低、目标较小.针对这一问题,提出了一种基于动态超分辨率的输电线路部件检测方法,将超分网络引入到输电线路巡检过程中.实验结果表明,该方法对输电线路低分辨率输入图像和小目标...     

基于深度学习的红外光热成像无人机巡检技术应用

本文在人工智能的基础上利用深度学习结合红外光热成像技术对无人机巡检技术进行研究和优化.首先对红外光热成像技术在电力系统中的应用和无人机巡检技术进行了介绍;然后提出了基于卷积神经网络的目标检测算法,对卷积神经网络的计算原理以及目标检测算法进行说明,并设计了基于深度视觉系统的MobileNetV1-YOLOv3网络预测模型...     

基于深度学习的无人机巡检图像销钉故障检测

随着经济和社会的发展,发电量和用电量逐年上升。安全的电力保障关系到国计民生,在常年的使用过程中,由于电力传输的输电线路受到外界环境的影响,使得输电线路部件容易出现不同程度的破损,其中销钉是固定螺母的关键零件,销钉的脱落会导致各部件之间连接的不稳定,这给输电网络的安全运行带来了极大的隐患。随着深度学习技术在计算机视觉领域中的应用,使得机器自动识别销钉这一输电线路系统中的微小部件成为现实。采用Faster R-CNN算法对无人机巡检图像中的销钉脱落故障进行识别,并讨论了不同分类器对识别结果的影响,然后对ACF+Adaboost、Hough+LSD和Faster R-CNN检测方法进行比较。实验结果表明,基于Faster R-CNN的目标检测方法对于输电线路中销钉脱落故障的识别率可达到96%,同时对正常销钉的识别率最高可达98%。     

基于无人机图像的输电线断股与异物缺陷检测方法

为提高无人机(UAV)巡检输电线路的效率,提出一种基于线结构感知的输电线断股与异物缺陷的检测方法。由于无人机巡检的图像受背景纹理及光线影响较大,采用能检测线宽度的水平与垂直方向的梯度算子提取巡检图像上的线对象,进而研究感知定律中的共线性、近似性、连续性的计算,将断续线段连接成长的线段,通过长线段的平行性计算,识别出输电线路结构中显著的平行导线组。为识别导线上安装的防振锤与间隔棒连接部件,提出一种基于局部轮廓特征的形状部件识别方法。在识别出这些连接部件的基础上,对导线进行分段分析,计算分段导线的宽度变化、灰度相似度来检测导线上的断股与异物缺陷。通过对无人机巡检采集的输电线路图像的测试,验证了这种方法在复杂的背景条件下能有效地检测导线上断股与附着异物缺陷。     

基于主元梯度直方图的输电线路障碍物检测

基于视觉导航的输电线路巡检机器人在智能电网和输电线路巡检中有广泛的应用。提出一种基于主元方向梯度直方图特征的快速分类检测方法用于在线障碍物检测与识别。与传统基于几何结构基元的方法相比,该方法能在不提升计算复杂度的情况下显著提升识别精度,明显改善了识别算法在野外大范围复杂背景与光照影响下的性能。实验结果表明,该方法能达到精度和速度的性能平衡。     

基于改进SSD的输电线路防振锤缺陷检测

随着人工智能的发展，图像识别技术逐渐应用于智能电网无人机巡检的防振锤缺陷检测中。但是由于防振锤体积很小，像素信息少，目前的检测效果还不够理想。为了解决该问题，提出构建一种改进的SSD(Single Shot MultiBox Detector)深度学习神经网络模型去进行防振锤缺陷检测。在特征提取阶段，加入超大卷积核去大大提升网络的感受野；在预测回归阶段，引入SIOU目标框损失函数去提高网络的收敛性。实验结果表明，改进模块能提高SSD网络的检测精度，改进SSD模型的mAP为96.9%,优于现阶段其他主流目标检测模型，由此验证了所提方法的准确性和实用性。     

基于Cascade R-CNN的输电线路关键部件识别

针对无人机在输电线路关键部件巡检图像中目标多，且尺度相差较大，导致识别率低的问题，提出使用深度学习目标检测算法Cascade R-CNN进行识别。由于输电线路关键部件无公开数据集，采集输电线路关键部件图片，并将图片数据的分辨率进行统一，使用LabelImg软件进行标注，制作一个符合训练要求的数据集。基于Paddle框架进行模型搭建，使用PaddleDetection训练工具进行全流程训练调优，进行测试。实验结果表明，基于Cascade R-CNN算法的模型在进行目标尺寸相差较大的多目标检测时，在测试集上的精度(mAP)可以达到91.39%,检测效果较好。     

无人机航拍图像中电力线检测方法研究进展

随着各大电力公司对无人机（unmanned aerial vehicle,UAV）巡检的大力推广,“机巡为主,人巡为辅”已成为我国电力巡检的主要运维模式。电力线检测作为电力巡检的关键技术,在无人机自主导航、低空避障飞行以及输电线路安全稳定运行等方面发挥着重要作用。众多研究者将输电线路的无人机航拍图像用于线路设备识别与故障诊断,利用机器视觉的方法在电力线检测技术研究中占据主导地位,也是未来的主要发展方向。本文综述了近10年来无人机航拍图像中电力线检测方法的研究进展。首先简述了电力线特征,阐明了电力线检测的传统处理方法的一般流程及所面临的挑战;然后重点阐述了使用传统图像处理方法及深度学习方法的电力线检测原理,前者包括基于Hough变换的方法、基于Radon变换的方法、基于LSD （line segment detector）的方法、基于扫描标记的方法及其他检测方法,后者根据深度卷积神经网络（deep convolutional neural network,DCNN）的结构不同分为基于DCNN的分类方法及基于DCNN的语义分割方法,评述各类方法的优缺点并进行分析与比较,与传统图像处理方法相比,深度学习方法能更有效地实现航拍图像中的电力线检测,并指出基于DCNN的语义分割方法在电力线目标智能识别与分析中发挥着重要作用;随后介绍了电力线检测的常用数据集及性能评价指标;最后针对电力线检测方法目前存在的问题,对下一步的研究方向进行展望。     

无人机自主巡检系统的关键技术研究

无人机（UAV）将成为未来电力巡检的主要工具,目前其飞行路径主要根据GPS进行设计。GPS定位精度低,部分区域GPS信号弱,是阻碍无人机电力巡检广泛应用的主要瓶颈。针对复杂环境下的输电线路态势感知,提出一种基于单目视觉的无人机自主巡检系统,实现脱离GPS的自主导航。该系统采用基于深度学习的目标识别检测算法,利用单目视觉的投影变换对尺度已知的待检测目标进行三维定位,然后通过基于大疆SDK开发的飞控程序调整无人机的飞行姿态并自主导航,实现无人机实时巡检。实验结果表明,距离目标物10?m时,该系统在世界坐标系[X、][Y、][Z]三个方向的定位误差分别为0.31 m、0.06 m、0.24 m,处理速度0.76 frame/s,准确性和可行性得到了验证。     

自监督E-Swin的输电线路金具检测

目的 输电线路金具种类繁多、用处多样，与导线和杆塔安全密切相关。评估金具运行状态并实现故障诊断，需对输电线路金具目标进行精确定位和识别，然而随着无人机巡检采集的数据逐渐增多，将全部数据进行人工标注愈发困难。针对无标注数据无法有效利用的问题，提出一种基于自监督E-Swin Transformer （efficient shifted windows Transformer）的输电线路金具检测模型，充分利用无标注数据提高检测精度。方法 首先，为了减少自注意力的计算量、提高模型计算效率，对Swin Transformer自注意力计算进行优化，提出一种高效的主干网络E-Swin。然后，为了利用无标注金具数据加强特征提取效果，针对E-Swin设计轻量化的自监督方法，并进行预训练。最后，为了提高检测定位精度，采用一种添加额外分支的检测头，并结合预训练之后的主干网络构建检测模型，利用少量有标注的数据进行微调训练，得到最终检测结果。结果 实验结果表明，在输电线路金具数据集上，本文模型的各目标平均检测精确度（AP⁵⁰）为88.6%，相比传统检测模型提高了10%左右。结论 本文改进主干网络的自注意力计算，并采用自监督学习，使模型高效提取特征，实现无标注数据的有效利用，构建的金具检测模型为解决输电线路金具检测的数据利用问题提供了新思路。     

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。     

基于Faster R-CNN的输电线路缺陷识别模型研究

随着多旋翼无人机引入输电线路巡检作业后,对巡线人员通过图像判断线路上设备是否有缺陷提出了新的挑战。为了帮助巡线人员做出准确决策,提高发现缺陷的能力,基于深度卷积神经网络,搭建了适用于无人机图像识别的输电线路缺陷识别网络模型。首先详细描述了输电线路缺陷识别图像数据库的建立过程,然后通过分析对比三个预训练前端网络的性能及多个参数对网络模型识别准确率的影响,得到基于Faster R-CNN的输电线路缺陷最优识别网络模型。经过测试集验证,提出的缺陷识别网络模型的识别准确率达到了90%以上,单张图片耗时达到了毫秒级,在识别准确率和耗时上均明显优于其他识别网络模型,为实际巡线工作中的输电线路缺陷判别提供智能有效的决策依据,是机器学习在智能电网中应用的有益探索。     

基于YOLO框架的无锚框输电线多种缺陷检测

检测并及时修复输电线路的缺陷是电能安全输送的重要保障。针对现有检测方法存在效率低、对多尺度目标检测精度低、泛化能力差等不足,提出了一种基于无人机影像的无锚框输电线缺陷检测方法。该方法基于YOLO系列目标检测框架构建了一种无锚框的检测网络,设计了相匹配的正负样本分配方式,融入了多种优化策略,有效改善了现有方法的不足。实验结果表明,提出的方法能够同时对输电线的断股、散股、断线、烧伤和异物5种缺陷进行有效检测。相比于传统输电线缺陷识别方法和基于深度学习的缺陷检测方法SSD、Faster R-CNN、YOLOv4、YOLOv5,该方法的平均精度均值(mAP)达到78.31%,每秒传输帧数(FPS)为103.5 f/s,同时兼备检测的快速性和高精度,在5类输电线缺陷检测任务中均具有良好的性能。     

改进CenterNet的高压输电线路巡检故障实时检测方法

针对通用深度学习目标检测技术难以在高压输变电线路巡检时实现实时高效的故障检测,提出一种改进CenterNet的高压输变电线路巡检故障实时检测方法,对绝缘子自爆、防震锤脱落、鸟巢三类常见巡检故障进行检测。该方法基于深层特征融合网络（DLAnet,Deep Layer Aggregation）、挤压-激励SE（Squeeze-and-Excitation）模块、可形变卷积进行高效深层特征提取网络DLA-SE的设计。在CenterNet架构下通过DLA-SE特征提取网络获取对象的中心点热力图,回归对象的宽高、偏移信息,得到对象边界框。实验结果表明,在Nvidia GTX 1080测试条件下该方法的mAP达到0.917,推理速度达到27.03?frame/s,与CenterNet、SSD与YOLOv3方法相比在检测精度上取得大幅度提升,证明了该方法的有效性。     

基于YOLOv3-spp的缺陷检测优化模型

目前基于传统的机器视觉分析方法筛选后的PCB焊接缺陷图像还需要进行人工的复检流程,工作量大导致视觉疲劳后容易出错.为了改善这种现状,本文设计应用YOLOv3-spp的目标检测算法来构建焊接缺陷检测模型.为提升检测速度,采用模型剪枝、模型蒸馏、模型量化等技术对检测模型进行压缩优化,采用深度学习加速组件OpenVINO来加...     

基于深度对比网络的印刷缺陷检测方法

基于传统图像处理技术的印刷缺陷检测方法鲁棒性差,而基于深度学习的目标检测方法则不完全适用于印刷缺陷检测任务的问题。为解决上述问题,将模板匹配方法中的对比思想与深度学习中的语义特征结合,提出用于印刷缺陷检测任务的深度对比网络（CoNet）。首先,提出基于孪生结构的深度对比模块（DCM）在语义空间提取并融合检测图像与参考图像的特征图,挖掘二者间的语义关系;然后,提出基于非对称双通路特征金字塔结构的多尺度变化检测模块（MsCDM）,定位并识别印刷缺陷。在公开的印刷电路板缺陷数据集DeepPCB与立金缺陷数据集上,CoNet的平均精度均值（mAP）分别为99.1%和69.8%,与同样采用变化检测思路的最大分组金字塔池化（MP-GPP）和变化检测单次检测器（CD-SSD）相比,分别提升了0.4、3.5个百分点和0.7、2.4个百分点,CoNet的检测精度更高。此外,当输入图像分辨率为640×640时,CoNet的平均耗时为35.7 ms,可见其完全可以满足工业检测任务的实时性要求。