基于改进胶囊网络的接触网吊弦故障识别与定位

针对接触网吊弦的接触面积小且易与电力线混淆,传统的故障识别算法存在如吊弦的误识别、识别效率低和不能实时检测等问题。相比传统卷积神经网络,胶囊网络(CapsNet)首次采用矢量作为输入,可以很好地保留目标的方向、角度等特征信息,更适合识别复杂背景下的吊弦。因此,该文提出一种基于改进胶囊网络和CV模型结合的吊弦故障识别算法,通过1×1归约层和3×3卷积核简化传统9×9胶囊网络的卷积层,并采用优化算法进行参数寻优,缩短训练权重时间;同时输出量保留了方向与角度,能更准确地对烧伤、载流环折断、脱落等故障的吊弦进行分类;通过对吊弦巡检图像应用该文方法,吊弦定位准确率提高到95%。与前馈神经网络(BPNN)和Alex Krizhevsky设计的AlexNet等方法进行对比,所提出的吊弦故障识别方法可以准确、迅速地从复杂背景识别出吊弦,并准确地找到吊弦故障的位置,大大提高了输电线路智能巡检的效率。

基于改进胶囊网络的绝缘子破损识别与定位

针对接触网绝缘子破损识别,传统的特征匹配和神经网络分类识别率较低,同时因其需要人工提取和训练等问题,识别速率也较慢。相比传统卷积神经网络(CNN),胶囊网络(CapsNet)首次采用矢量作为输入,可以很好的保留目标的方向,角度等特征信息,更适合于识别复杂背景下的绝缘子。因此提出一种基于改进胶囊网络和CV模型结合的绝缘子破损识别算法,通过1×1归约层和3×3卷积层简化传统9×9胶囊网络的卷积层,并采用优化算法进行参数寻优,缩短训练权重时间,同时输出量保留方向角度,能更准确对棒形、针式和蝶式绝缘子破损情况进行分类。最后与AlexNet、YOLO、局部特征分析等方法进行了对比。通过对绝缘子巡检图像应用本文方法可得,绝缘子识别率提高到95%,实时速率达到32帧/s,所提出的绝缘子破损识别方法可以准确、迅速的从复杂背景识别出绝缘子,并准确的找到绝缘子破损的位置,大大提高了输电线路智能巡检的效率。

基于改进CV模型的绝缘子精确定位研究

在进行绝缘子污秽处理研究时,对绝缘子进行匹配识别后不可避免的要对绝缘子进行精确定位分割,针对运用普通的Chan-Vese(CV)模型对绝缘子图像分割时存在无法完整分割目标,甚至错误分割的问题,提出应用改进的CV模型对绝缘子图像进行精确定位。首先为抑制图像过渡部分的突变,利用中值滤波增强原始图像的平滑性;其次通过分析目标图像RGB各分量特点对目标图像进行粗定位,得到绝缘子的位置点,同时运用Hough变换确定绝缘子倾斜角度;然后提出应用绝缘子的位置点与倾斜角度对绝缘子进行精确定位,并构造绝缘子的CV模型初始轮廓,最终完成绝缘子的分割处理。实验结果表明:通过改进CV模型对任意位置的绝缘子进行精确定位的方法可准确、快速地分割绝缘子图像,具有较强的自适应性。