基于U-net和YOLOv4的绝缘子图像分割与缺陷检测

输电线路上绝缘子的完整性直接影响了输电的安全与可靠性.采用深度学习方法，对绝缘子图像识别提取和缺陷检测问题进行了研究.首先基于优化的U-net模型获取绝缘子区域掩模图像，实现对绝缘子串语义分割；然后基于YOLOv4模型获取缺陷绝缘子的位置，实现对自爆绝缘子目标的检测.为充分利用高分辨率图像的像素信息，提出“切分-识别-合成”的检测思路，精确分割出绝缘子以及判断并获取缺陷区域；最后设计了多组实验并进行对比，验证了模型的有效性.采用优化的U-net模型分割绝缘子的Dice系数达0.92；采用YOLOv4模型检测自爆绝缘子的识别精度达0.96，平均重叠度IOU达0.88.研究结果对实现电力系统运维的智能化具有较高的应用价值.     

多模型融合的输电线路绝缘子自爆故障检测

针对输电线路巡检图像中绝缘子自爆区域小、背景复杂与故障绝缘子类型复杂多样的特点,提出一种多模型融合计算的绝缘子自爆故障检测方法.通过分析现有绝缘子自爆故障检测算法差异性,选取检测性能差异较为明显的三个目标检测算法(Mask rcnn、 Retinanet、 Yolov3),计算得到巡检图像中绝缘子自爆区域坐标及置信度.再利用多模型融合计算,融合各模型检测结果.最后实现架空输电线路无人机巡检图像中绝缘子自爆故障检测,得到绝缘子自爆故障检测综合评价值为94.81%.所提方法在平均准确率、召回率、准确率方面均高于单一模型检测结果.实验结果表明,本方法能有效实现架空输电线路无人机巡检图像中绝缘子自爆故障检测,对输电线路智能化巡检故障诊断具有一定参考价值.     

基于注意力机制和多尺度特征融合的绝缘子缺陷检测方法

随着深度学习的快速发展,利用目标检测算法对航拍绝缘子图像进行缺陷检测成为绝缘子巡检的主要方式.针对传统目标检测算法对小目标的检测精度较低、特征图的表征能力较弱和提取的关键信息较少的问题,提出以YOLOv5l为基础网络的改进的基于注意力机制和多尺度特征融合的绝缘子缺陷检测方法 AMF-YOLOv5l(Attention Mechanism and Multi-Scale Feature Fusion Based on YOLOv5l).首先,通过增加一个小目标检测头,提高模型对小目标的检测性能;然后,构造DSPP(Dilated Spatial Pyramid Pooling)模块,充分融合多尺度特征,增强特征图的表征能力;最后,引入CA(Coordinate Attention)注意力机制,使网络更加专注于关键信息.在航拍绝缘子数据集APID(Aerial Photographic Insulator Dataset)以及两个公共数据集PASCAL VOC和MS COCO上分别验证该方法的可行性.实验结果表明,在APID数据集中该方法的AP(Average Precision)比YOL...     

双重对抗无监督域自适应绝缘子检测算法

绝缘子检测在输电线路智能巡检中具有重要的应用价值.基于深度学习的绝缘子检测是一类常用的方法.然而,在某些情况下仅能获取某一类型绝缘子数据,用其训练得到的模型直接应用到跨域绝缘子检测,性能会急剧下降.为此,提出一种双重对抗的无监督域自适应绝缘子检测算法.具体地,为缓解绝缘子图像背景复杂对检测性能带来的影响,设计了一种混淆判别机制.在该机制中,输入两种不同类型的绝缘子图像到两个不同的判别器中进行分类,再通过对抗训练将两种绝缘子进行交叉分类以学习到域不变特征.此外,通过最大最小化目标域的两个分类结果分别优化判别器和特征提取器,减轻不同类型绝缘子外观差异较大的问题.大量的实验证明了提出方法的有效性.     

基于集成卷积小波极限学习的绝缘子故障检测

针对绝缘子因分布位置较远、背景复杂而导致传统方法无法精准并高效识别其故障的问题,提出一种基于集成卷积小波极限学习神经网络(ECWELNN:Ensemble Convolution Wavelet Extreme Learning Neural Network)的绝缘子故障检测方法.首先通过安装在无人机上的工业级摄像机采集现场的绝缘子图像数据并进行预处理;其次将卷积神经网络、自动编码器、极限学习机和小波函数的优势结合,构造集成卷积小波极限学习神经网络,并逐层堆叠建立多个深层神经网络;最后将绝缘子图像样本输入多个深层神经网络进行自动特征学习,将预测结果进行集成并输出最终的故障检测结果.通过实验对比验证了小波函数作为极限学习机网络模型中的激活函数在绝缘子识别领域中的优势.实验结果表明,该方法的平均故障检测准确率达到了98.49％,标准差仅0.20,相比其他方法在图像特征提取和故障检测准确率方面更具优势,适用于绝缘子故障的自动识别.     

基于深度学习算法的航拍巡检图像的绝缘子识别

针对绝缘子检测目标在航拍图像中尺寸变化剧烈的问题,提出一种改进Faster R-CNN的绝缘子检测算法.首先将FPN特征金字塔结构网络与Faster R-CNN算法进行结合,将不同尺度下的特征进行融合;然后,改进最大池化层,提升检测框的坐标精度;针对遮挡现象,采用Soft-NMS算法规避不同目标检测框因重叠而被误删的情况.经过对绝缘子航拍数据集的检测验证,对比原Faster R-CNN网络,本改进网络结构提高了平均准确率(MAP),且可以更有效地识别图像中更小比例的绝缘子目标.     

基于域知识迁移的绝缘子缺陷检测方法

绝缘子缺陷检测模型在应用过程中,需要对多种目标域图像进行检测。然而,由于不同目标域图像的分布不同,会导致在源域训练得到的缺陷检测模型难以在不同目标域中实现较好的检测效果。针对缺陷检测模型泛化性较低的问题,提出了基于域知识迁移的绝缘子缺陷检测方法。首先,采用一种新的特征融合方法提高对缺陷目标的特征提取能力;然后通过对抗性训练实现基于图像和实例级别的域分类器,在图像和目标层级上实现了域迁移;最后在区域建议网络中引入区域级别的域分类器,进一步实现了源域和目标域在区域级别上的对齐。实验结果表明,模型能够缓解不同域图像分布不平衡导致检测效果差的问题,并且与其他多种目标检测方法相比,实现了更好的缺陷检测效果。     

基于稀疏表示分类算法的复合绝缘子憎水性检测方法

复合绝缘子表面憎水性的检测是判断其防污闪性能的主要手段之一.本文引入稀疏表示分类算法实现了对复合绝缘子憎水性图像的检测分类.运用最小一范数方法计算稀疏表示系数,通过计算最小残差图像来搜索与测试图像最匹配的训练样本图像,从而准确识别出检测试样的憎水性HC等级.该算法避开了一般模式识别算法中较复杂的特征提取环节,为复合绝缘子憎水性图像识别检测提供了新的思路.实验结果表明,该方法能有效地应用于复合绝缘子憎水性图像的分级.     

基于红外图像的绝缘子串自动提取和状态识别

为解决目前绝缘子低零值检测方法漏判率高、操作繁琐的问题,提出了一种新的绝缘子串红外图像中绝缘子盘面和铁帽区域自动提取方法和状态识别模型.首先将现场拍摄的绝缘子红外图像进行灰度化处理、去噪、二值化;然后从二值图像中提取反映绝缘子的特征点集合;通过特征点对二值图进行角度校正;最后通过区域提取中的特定算法提取出绝缘子的盘面和铁帽区域.通过提取该区域内的绝对温度、纹理和相对温差率作为绝缘子状态识别的特征集.将用电压分布法测得的绝缘子状态信息作为输出向量,通过训练得到优化的识别模型,用于绝缘子状态识别.该方法经过了220kV试验验证,证实了模型的有效性和实用性.     

航拍图像中绝缘子串的轮廓提取和故障检测

针对绝缘子爆裂和缺失将导致整个输电线路绝缘能力下降的常见故障,提出一种通过计算绝缘子数目实现故障检测的算法.输电线路绝缘子串中绝缘子数目相对固定,通过计算绝缘子的数目,进而达到故障检测的目的,可应用于航拍直升机智能巡检系统中.利用Otsu算法与形态学滤波对图像进行预处理;提出免疫遗传Snake算法优化绝缘子串凹陷区域边界,得到较为完整的绝缘子串轮廓;用椭圆拟合和连通区域方法计算出绝缘子的数目.该算法能够有效地提取绝缘子轮廓并计算出绝缘子数目,为进一步实现精准、稳定检测绝缘子缺失和爆裂等故障奠定了良好的预研基础.
     

电力巡检图像中防振锤的区域全卷积网络识别方法

针对目前电力巡检图像中传统的防振锤检测方法仍存在效率低、精度差、计算成本高等问题，提出了一种基于区域全卷积网络（region-based fully convolutional networks，R-FCN）的电力巡检图像防振锤智能识别方法。该方法通过特征提取网络自动提取防振锤特征，省却了传统检测方法特征提取的过程，提高了效率。此外，在R-FCN网络当中采用位置敏感池化来引入平移变换，抵消全卷积网络造成的平移不变性问题，在检测精度和效率上均有较大提高。实验结果表明，该方法能准确检测出复杂背景下不同形态的防振锤，且平均准确率高达88%，具有较强的鲁棒性     

基于特征检测的航拍图像电力线提取方法

在分析输电线路无人机巡检系统航拍图像中电力线特征的基础上,针对单一Ratio算子和Hough变换提取电力线效率低、效果差的不足,提出一种基于特征检测的电力线提取算法.首先,运用Ratio算子检测直线像素点并运用Hough变换的方法提取图像中的直线信息;然后,运用特征检测算法对电力线进行提取;最后,通过实验验证了所提算法能够从复杂的自然背景中完整提取电力线,同时能有效避免漏检、误检等情况,并有较好的噪声抑制能力.该研究为电力线典型故障的检测识别提供了有力支撑,具有较好的工程应用价值.     

基于改进RCF和无人机影像的电力线检测研究

在电力线无人机自动巡检中,电力线边缘检测对提高输电线路检测精度有重要作用。目前,常用的RCF（Richer Convolutional Features for edge detection）算法在复杂背景下检测电力线时存在边缘模糊、在较低阶段产生的特征图包含太多噪声并在融合特征图时丢失多尺度信息等问题。对此,本文对RCF算法进行改进：1）使用具有平移不变性的下采样技术增强模型的鲁棒性;2）在RCF主干网络中引入CBAM（Convolutional Block Attention Module）机制,提高模型对电力线特征的表达能力;3）在RCF的侧输出网络中加入级联网络,借助基于通道注意力机制的多尺度特征融合模块对特征图进行融合,从而获得更优异的细节保持效果。实验结果表明：改进模型的最优数据集规模（Optimal Dataset Scale）、最佳图像比例（Optimal Image Scale）和平均精度（Average Precision）分别提高了0.7%、1.3%和1.7%,改进模型的检测结果噪声数量少、电力线更加清晰准确。     

一种基于注意力机制的绝缘子状态反馈认知方法

针对已有绝缘子状态识别模型,以及细节识别深层网络开环认知模式和损失函数泛化能力不足的缺陷,模仿人工巡检模式,即实时评估认知结果可信度自寻优调节多尺度图像知识空间决策,提出一种基于注意力机制的绝缘子状态反馈认知方法。首先,针对预处理后的绝缘子图像,设计自适应尺度堆叠的卷积神经网络架构,使得网络输入由整体图像缩放至细节局部区域,每个尺度的网络共享相同的架构具有不同的参数,确保不同分辨率输入的可区分能力并为下一尺度生成一个细节注意区域。其次,随机配置网络面向多个尺度特征,建立具有强泛化能力的绝缘子状态分类准则。再次,构建类间分类和类内尺度间排序损失函数优化注意力网络,较前次预测生成更高置信度得分排名。最后,借鉴闭环控制思想,定义广义误差熵性能指标实时评测绝缘子不确定状态认知结果可信度,动态调节网络尺度等级,实现不确定认知结果约束下的特征空间自优化调节和分类准则重构,反馈再认知绝缘子状态。实验结果表明了本文方法与其他网络架构相比,增强了模型的泛化能力,提升了模型的认知精度。     

多尺度残差注意网络的真实图像复原方法

为了提高基于深度学习网络方法在真实图像上的复原效果,提出了一种基于多尺度残差注意网络的复原方法。将退化图像输入到该模型中,利用浅层特征网络提取原始低质量图像的浅层特征;利用残差注意网络模块提取深层特征信息和通道相关性,使用局部连接和短跳跃连接进行残差学习;将浅层特征、通道相关性以及上下文深层特征信息输入到重构网络,利用具有不同感受野的特征进行图像复原。实验结果表明,相较于其他对比方法,该方法在图像去噪、图像增强和超分辨率等多个任务中获得最优的结果,能够在不引入伪影的情况下生成纹理细节丰富的清晰图像。     

基于卷积神经网络的毫米波图像目标检测

在公共安全检查领域中,研究毫米波图像目标检测的快速性和精准性的方法具有非常重要的实际应用价值。提出了基于Faster R-CNN深度学习的方法检测隐藏在人体上的危险物品。该方法将区域建议网络(region proposal network,RPN)和VGG16训练卷积神经网络模型相结合,接着通过在线难例挖掘(online hard example mining,OHEM)技术优化训练所提出的网络模型,从而构建了面向毫米波图像目标检测的深度卷积神经网络。实验结果证明所提的方法能高效地检测毫米波图像中的危险物品,并且目标检测的平均精度高达约94.66%,检测速度约为6帧/s,同时对毫米波安检系统的智能化发展有着极其重要的参考价值。     

复杂干扰下配电线路无人机巡视目标检测方法研究

配电线路所处环境复杂,传统配电线路无人机巡视目标检测方法无法有效去除外界环境干扰,导致检测结果不可靠。为此,提出一种新的基于视觉感知的配电线路无人机巡视目标检测方法。通过可见光相机与紫外相机对无人机巡线图像进行采集,分析了紫外相机采集原理。通过直方图均衡化处理对采集图像进行增强处理,选用高斯滤波器对采集的配电线路无人机巡视图像进行滤波处理。对配电线路密集度区域和偏心度区域进行提取,获取配电线路无人机巡视目标特征向量。依据得到的特征向量确定无人机巡视目标,求出目标质心坐标,从而实现配电线路无人机巡视目标检测。实验结果表明,所提方法能够在干扰环境下有效实现配电线路无人机巡视目标的检测,检测结果可靠性高。