基于SSIM-Sobel与多特征融合的绝缘子缺陷识别方法

有效检测绝缘子缺陷对于保障输电线路的安全稳定运行至关重要。提出了一种基于SSIM-Sobel与多特征融合的绝缘子缺陷分类识别方法。采用拉普拉斯锐化和伽马校正算法对输电线路绝缘子图像进行对比度增强处理,并通过SSIM-Sobel算法获取绝缘子边缘强化图像;然后提取边缘强化图像的HOG,LBP及GLCM特征,并将其融合后输入随机森林分类器进行训练,实现绝缘子破损、电弧灼伤缺陷的识别。算例结果表明,所提方法在绝缘子缺陷识别上的总体精度为92.67%,绝缘子破损缺陷识别精度为99%,可助力输电线路巡检人员开展绝缘子日常运维工作。

基于卷积神经网络与ECOC-SVM的输电线路异物检测

输电线路悬挂异物会引发输电线路单相接地、相间短路等停电事故,因此本文提出一种基于卷积神经网络与ECOC-SVM的输电线路异物检测方法。首先,本文构建气球、风筝、塑料和鸟巢4种输电线路异物图像数据集;然后采用Otsu自适应阈值分割、形态学处理等方法提取感兴趣区域;再利用DenseNet201提取感兴趣区域的特征;最后对ECOC-SVM模型进行训练、测试与结果分析。所用方法在4类异物上的平均识别准确率可达93.3%,有助于提高输电线路运维的效率。