基于深度学习的耐张线夹压接缺陷X射线影像智能识别

输电线路中耐张线夹压接质量影响着电网运行安全,目前对耐张线夹压接质量检测方法主要是拍摄X射线图像并进行人工识别。但由于耐张线夹X射线图像存在缺陷部位尺寸小且排列紧密等特点,人工方法显得耗时费力且准确率不高。针对上述问题,提出一种基于深度学习的耐张线夹压接缺陷X射线图像检测系统。采用分级检测原则,首先利用CenterNet算法定位存在缺陷的压接部位并切割出压接部位,增大压接缺陷在图像中的占比,其次利用数据增强扩充数据集,最后利用RetinaNet算法检测压接缺陷。经验证,该分级检测策略与采用传统检测算法相比,在准确率和检测速度上都有一定程度提升,可满足实际工程中应用要求。

基于OpenCV的耐张线夹压接缺陷的X射线图像识别方法

线路耐张线夹压接质量影响着电网运行安全,但目前对耐张线夹压接质量的检测方法存在一定局限性。对此提出了基于OpenCV的耐张线夹X射线图像检测方法。首先采集耐张线夹的X射线图像,并进行预处理。其次通过选取典型缺陷样本缺陷部分图像,使用Python中OpenCV-Python库部分语句实现快速识别检测其他X射线图片,并对其他图片的缺陷部分进行标注。最后根据所标注的缺陷部位区域的灰度值分布的累计值图像确定是否为缺陷。通过该研究,可实现耐张线夹压接部位的X射线图像快速识别,对耐张线夹压接质量检测的工程应用具有重要的参考价值。