基于动态监督知识蒸馏的输电线路螺栓缺陷图像分类

螺栓是输电线路中广泛存在的紧固件,其缺陷图像具有类内差异性小、类间差异性大的特性。针对复杂度高且性能优秀的大模型在分析螺栓缺陷图像消耗大量计算资源的问题,将知识蒸馏技术引入到输电线路螺栓缺陷图像分类中,提出了一种基于动态监督知识蒸馏的输电线路螺栓缺陷图像分类方法:在网络输出层采用自适应加权方法,提高小模型学习螺栓缺陷标签的准确性;在网络隐藏层进行注意力转移,提高小模型螺栓特征的表达能力;将网络输出层的自适应加权方法与网络隐藏层的注意力转移机制相结合,以充分提高小模型的螺栓缺陷分类能力。最后通过自建螺栓缺陷图像分类数据集验证了大模型利用所提蒸馏方法指导小模型训练的有效性,实验结果表明:小模型的分类准确率提高了2.17%,小模型与大模型的分类准确率只差0.63%,且小模型的参数量仅为大模型参数量的7.8%。研究实现了螺栓缺陷的高效分类,达到了精度与资源消耗的平衡。     

基于DenseNet的红外图像热斑状态分类研究

光伏热斑故障对光伏组件的运行会产生严重影响,为从图像数据中进行有效的热斑检测,提出一种基于密集连接网络(DenseNet)的深度学习方法。利用数据增强、改进模型结构和迁移学习的方法,在红外光伏故障图形数据集上训练优化,并针对构建的样本数据集具有分布不平衡性的特点,选择采用Focal损失函数缓解样本的非均衡。实验结果表明,该模型网络训练构建的光伏组件红外图像热斑状态数据集,能够实现较高准确度的图像识别,与原始DenseNet模型相比,能够提升准确率。     

基于深度学习和无人机图像的架空线路缺陷巡检综述

架空输电线路巡检是电网运维工作的一项重要内容,运维人员利用无人机进行线路巡视检测已成为电力巡检工作中的重要手段。本研究首先概述了无人机巡检任务中人机协同作业系统以及无人机智能自主作业系统的架构;其次,分析了当前架空输电线路缺陷巡检领域数据集状况以及数据扩增技术;然后,综述了基于深度学习的无人机图像缺陷检测典型方法以及评价指标,并对比总结了各种方法的优缺点;随后,讨论了无人机图像视觉检测方法中图像采集规范、数据集形式、缺陷检测算法专业化应用等对架空线路缺陷检测效果,指出了图像检测指标和类别定义在电力巡检专业化领域中的不足;最后,探讨了基于深度学习的无人机图像缺陷巡检任务的未来发展方向。     

基于深度学习的输电线路视觉检测方法研究进展

输电线路巡检是电网持续稳定供电的保障,其目的是对电力线、绝缘子、电力杆塔、防振锤等线路设备进行状态检测和故障诊断,同时观测电力线周围潜在隐患。深度学习的发展为输电线路巡检提供了有效手段,与传统目标检测方法相比,深度学习方法能更有效地实现航拍图像中电力设备的识别及缺陷检测。该文综述近十年来基于深度学习的输电线路视觉检测方法的研究进展。首先,概述适用于输电线路巡检的深度卷积神经网络,包括分类网络、检测网络、语义分割网络,考虑到开发的深度学习网络模型便于在移动设备上应用,另外阐述轻量化网络;然后,重点阐述基于深度卷积神经网络的输电线路巡检图像数据目标检测;随后介绍7个电力设备数据集以及性能评价指标;最后,指出基于深度学习的输电线路巡检图像数据视觉检测方法目前存在的问题,并对进一步的工作进行展望。     

基于图像增广与迁移学习的输电线路金具 多目标实时检测方法

架空输电线路金具的状态评估工作对于线路的可靠运行至关重要,金具的检测是评估工作的重要一环。针对金具识别检测中数据集人工标注的工作量大,以及难以兼顾高精度和快速性问题,提出一种基于YOLOX网络改进的输电线路金具检测方法。将无人机拍摄的金具图像进行增广预处理丰富数据集,骨干网络采用在线Mosaic、Mixup增强方式,引入基于特征提取的迁移学习并采用余弦退火学习率进行两阶段模型训练。实验结果表明,改进后的方法对各类金具检测的平均精度均值提高了18.32%,与Faster R-CNN等5种主流检测模型相比,所提方法平均检测精度均值最高,且检测速度仅次于YOLOv3,能够更加快速、精准地识别各类金具,并在一定程度上减少人工标注的工作量。     

应用深度迁移学习的电子级玻璃纤维布分类

针对现有的玻璃纤维电子布表面缺陷分类效率低、错误率高等问题,提出了一种基于深度迁移学习的分类方法。首先,对所有的图像数据进行压缩、旋转和添加噪声等预处理操作;其次,引入ResNet网络,将特征提取层得到的特征进行迁移,并加入了批规范化层、激活层和全连接层等几层网络组成分类器层,进而构建一个新的深度迁移学习网络;最终训练得到电子布缺陷分类模型。利用电子布缺陷图像样本数据集进行验证,实验结果表明,应用该方法的缺陷分类正确率达到了99.1%,且实时性良好,能满足实际工业需求。     

基于深度迁移学习的输电线路涉鸟故障危害鸟种图像识别

为了实现输电线路涉鸟故障的差异化防治,提出一种基于深度迁移学习的危害鸟种图像识别方法.根据历史涉鸟故障的鸟种信息及输电走廊周边鸟种调查结果,建立88种相关鸟类图像数据集,采用类激活映射进行图像预处理,滤除复杂背景噪声.基于迁移学习的思想,首先利用AlexNet、VGG16、ResNet50、Inception V3这4种深度卷积网络架构建立学习模型,采用ImageNet图像数据集对其进行预训练,通过对微调预训练后的网络结构进行模型迁移,使其匹配鸟种图像识别任务.然后,利用鸟种图像样本集对迁移学习模型进行训练与测试,对比4种网络模型的识别准确率.最后,借鉴Delphi法的思想,建立一种融合多卷积神经网络的涉鸟故障危害鸟种识别模型.算例验证结果表明,该模型对88种危害鸟种的识别准确率可达91.21％,能够有效实现架空输电线路巡检图像中的鸟种识别,进而为涉鸟故障防治提供参考.     

基于随机森林算法的架空输电线路状态评价方法

对电网中架空输电线路进行准确的状态评价可以有效降低故障率,提高系统的供电性能。该文提出一种基于随机森林算法的架空输电线路状态评价方法。首先,通过对架空输电线路状态的影响因素分析,以线路8个单元选取的状态量和特殊情况状态量构建了包含79个状态量的架空输电线路状态量体系。其次,基于随机森林算法,构建了架空输电线路状态评价的多棵子决策树组合分类模型。然后,通过优化决策树数目和随机特征变量,提高随机森林算法分类性能和计算效率。最后,以某市110 kV电压等级架空输电线路实际数据进行实例分析。结果表明,采用该方法可实现架空输电线路状态的准确评价,从而为区域电网的运行调控提供决策支持。     

无人机巡检远距离架空线路缺陷识别技术

为提高无人机巡检远距离架空线路缺陷识别的精度,提出了无人机巡检远距离架空线路缺陷识别技术。以远距离架空线路螺母销钉缺陷为识别对象,利用卷积神经网络对其进行训练后,将Inception-v3模型作为训练模型,提取架空线路螺母销钉缺陷训练数据特征;建立Softmax层和损失函数,形成新的架空线路螺母销钉缺陷分类输出层,从而达到无人机巡检远距离架空线路缺陷识别的目的。实验结果表明,所提技术既能保证高精度的识别效果,又降低了识别时间和漏报率。     

基于门控图神经网络的栓母对知识图谱构建与应用

由于电网规模增长,直升机、无人机巡线的大量应用,产生的航拍图像数量剧增,其中螺栓的缺陷因数量众多和体积较小,故由输电线路螺栓缺陷引发的事故频频发生。另外,现有输电线路螺栓缺陷分类方法仅限于表面特征提取而忽略目标间关联和受复杂环境的影响大等问题。针对以上情况,该文提出利用螺栓螺母之间的关联组成栓母对,然后使用卷积神经网络提取栓母对特征初始化图网络节点和结合栓母对的先验知识表示栓母对缺陷与栓母对语义对象的关联,并以此来建立栓母对知识图谱指导栓母对缺陷分类。在此基础上,将输电线路上与螺栓相关的缺陷划分为栓母对缺陷,并建立粗级缺陷数据集和细级缺陷数据集。通过使用栓母对知识图谱来指导栓母对的缺陷分类实验,并以此来验证栓母对知识图谱的有效性和可行性。实验结果表明,该栓母对知识图谱实现了栓母对先验知识的有效运用,完成了栓母对粗级缺陷和细级缺陷的高效分类。     

基于深度学习的输电线路螺栓检测技术

输电线路螺栓缺陷检测对电力系统安全可靠运行具有重要意义,但螺栓在巡检图像中具有特征不明显、尺寸小的特点,这给螺栓检测研究带来了一定挑战。随着直升机、无人机巡检技术和边缘计算的发展,传统巡检图像处理方法已满足不了实时检测的需求。针对上述问题,提出一种基于深度学习的输电线路螺栓检测系统。采用分级检测原则,首先利用SSD(single shot mutibox detector)算法定位存在缺陷螺栓的连接部位并切割出连接部位,增大螺栓在巡检图像中的占比,其次利用数据增强扩充数据集,最后利用YOLOv3算法检测缺陷螺栓。最终将边缘计算装置搭载在直升机、无人机上,实现输电线路螺栓缺陷实时检测。为验证该系统的鲁棒性,对不同光照强度下的巡检图像进行仿真。实验结果表明,该方法能够有效、精确地实现巡检图像中螺栓缺陷的实时检测。     

基于SVM-BP混合网络的输电线路安全评价模型研究

为了能够科学、客观地评价输电线路安全状态，提出了基于SVM-BP混合网络的输电线路安全分析模型。首先，对天气数据、输电线路标准文件和缺陷数据等进行处理和分析，利用关联规则和主成分分析法对输电线路缺陷数据进行整合，建立输电线路安全状态评价体系；然后，提出了SVM-BP混合网络模型挖掘各因素与缺陷状态间的关联，评价输电线路的安全状态；最后，以某地区输电线路为数据集进行验证，该评价模型的准确率达到97.4%，可以快速准确地评价输电的安全状态，并在灾害性天气下提前做好应对措施，保证输电线路的稳定运行。     

基于YOLOv5的电力巡检图像缺陷识别研究

针对输电线路巡检中可能出现的裂化、老化、腐蚀、破损等诸多缺陷的情况,为保证输电线路运行的安全和稳定,文中开展了基于YOLOv5的电力巡检图像缺陷识别研究。在YOLOv5算法的基础上,结合电力巡检图像特点,采用CIOU_Loss作为Bounding box的损失函数,使其具有更快、更好的收敛效果;选用DIOU_NMS用于NMS处理,提高对遮挡重叠目标的识别精度;同时,在对数据集进行分类处理后,采用"分别训练、统一推断"的方法,冻结部分网络层权重来训练网络模型。实验结果显示,基于YOLOv5算法模型可以有效地识别电力巡检图像缺陷情况。     

CNN 集成机器学习的金属缺陷少样本分类方法

针对金属缺陷分类,以深度学习为代表的分类方法主要是基于大规模数据的统计学习方法,一方面需要大量优质的标注样本,另一方面对数据中未能涵盖的样本泛化性能差。提出了一种利用集成学习思想,将人类分类知识嵌入到深度学习的少样本分类方法。首先搭建了一个卷积神经网络作为分类模型的骨干网络,并设计了一个利用机器学习的类人学习模块,利用人类分类所用特征进行分类。此外,为了提高模型的泛化性、鲁棒性和更好的融合效果,设计了一种以对数函数为核心的数学集成模型,模块中的数学集成模型利用集成学习思想将骨干网络和类人学习模块的输出进行耦合。实验结果表明,对于小训练集大测试集的金属缺陷数据在分类性能和训练参数量方面优于深度学习方法。此外,类人学习模块和数学集成模型嵌入到不同的骨干网络上均取得了很好的性能,表明所提出的方法适用于多种深度卷积神经网络。     

Vague集相似度量分析在架空输电线路运行状态评估中的应用

本文针对模糊集的推广形式——Vague集,阐述了Vague集理论与架空输电线路运行状态评估的新方法,建立了线路运行状态评估的Vague集模型。在状态评估中,Vague集之间的相似度量是评价待检测线路的运行状态与评估模型之间的测度,线路与评估模型的某个运行状态之间相似度量值越大,线路就越接近这个运行状态。通过对实际线路进行计算分析阐明了Vague集之间的相似度量分析在架空输电线路运行状态评估中的应用是可行的。     

一种改进型YOLOv4输电线路防外破检测方法

输电线路场景图像易受野外多种环境干扰,当前主流的深度学习网络模型难于满足输电线路防外破检测模型的边缘部署实时性和精度要求。该文提出了一种融合残差学习的YOLOv4输电线路防外破检测方法。首先采用数据增强技术对所采集的输电线路图像数据集增强,建立了输电线路防外力破坏的图像数据集。其次,考虑到输电线路网络模型便于实际边缘部署配置的需要,对YOLOv4网络结构进行了改进,基于ResNet50构建特征提取主干网络。最后引入标签平滑技术对YOLOv4的分类损失函数进行了优化以减缓过拟合问题,提高了网络模型的检测精度。用实际采集的输电线路图像构成的数据集进行了测试,实验结果表明该文所提出的方法在运算速度和检测准确度上均优于其他方法。     

基于深度神经网络的弱监督信息细粒度图像识别

强监督识别算法需要大量的人工标注信息,消耗较多的人力物力资源。为了解决上述问题,满足实际需求,提出了两种基于弱监督信息图像识别方法用于细粒度图像分类(FGVC)。一种是联合残差网络和Inception网络,通过优化卷积神经网络的网络结构提高捕捉细粒度特征的能力。另一种是对双线性CNN模型进行改进,特征提取器选取Google提出的Inception-v3模组和Inception-v4模组,最后把不同的局部特征汇集起来进行分类。通过在CUB200-2011鸟类公开数据集和Stanford Cars汽车类型数据集上进行测试,实验结果表明,提出的方法在两种数据集上的分类精度分别到达了88.3%和94.2%的分类精度,实现了较好的分类性能。     

基于改进YOLOv4及SR-GAN的绝缘子缺陷辨识研究

为了精准地识别无人机巡检图形中的小目标绝缘子及缺陷,本文提出了一种基于改进的深度学习目标检测网络(YOLOv4)的输电线路绝缘子缺陷检测方法.首先,通过无人机航拍及数据增强获得足够的绝缘子图像,构造绝缘子数据集.其次,利用绝缘子图像数据集训练YOLOv4网络,在训练过程中采用多阶段迁移学习策略和余弦退火学习率衰减法提高网络的训练速度和整体性能.最后,在测试过程中,对存在小目标的图像采用超分辨率生成网络,生成高质量的图像后再进行测试,以提高识别小目标的能力.实验结果表明,与Faster R-CNN和YOLOv3相比,所提算法在平均分类精度和每帧检测速率方面均有较大提升,性能表现优异.     

基于图像特征分析的电力网络线路破损识别

在对电力网络线路破损进行识别的过程中,容易出现线路破损种类多的问题,导致传统的基于小波神经网络算法的电力网络线路识别方法,由于分析的线路破损类别有限,无法有效完成电力网络线路破损识别。提出一种基于图像特征分析的电力网络线路破损识别方法,通过轮廓特征对电力网络线路破损图像进行初步处理。通过矩和轮廓描述对电力网络线路破损特征进行进一步的描述。针对数字电力网络线路图像,用双求和的形式替代积分,对图像灰度值进行统计分析,将其作为图像的统计特征。依据已知类别训练样本完成学习后,对全部测试样本进行学习分类,获取不同位置子图像的正确分类率,对每个子图像进行匹配时所占的权重进行计算。对全部待匹配静脉图像的全部子图像的分类结果进行融合,判断该图像是否和电力网络线路破损特征吻合,从而实现电力网络线路破损识别。仿真实验结果表明,所提方法具有很高的识别正确率。     

基于GFPN-YOLOv5的配网架空线路线夹护套检测方法

配网架空线路未安装线夹护套是典型的施工缺陷。针对配网架空线路线夹护套存在多尺度变化与小目标检测困难的问题,在YOLOv5的基础框架上,提出了一种基于注意力机制与图特征金字塔网络(Graph Feature Pyramid Networks, GFPN)相结合的线夹护套目标检测方法。为了提高线夹护套图像中各部件边界信息的检测能力,通过超像素分层构建了GFPN结构,并设计了三种图神经网络(Graph Neural Network, GNN)。采用通道注意力与空间注意力机制进行消息传播,设计了GNN与特征金字塔网络(Feature Pyramid Networks, FPN)的特征映射规则。建立了螺栓型耐张线夹护套数据集,实验结果表明GFPN-YOLOv5模型对线夹护套的检测准确度提高了5.6%,同时在线夹护套样本多尺度变化和小目标场景下具有较好的泛化能力。