基于深度学习的输电线路均压环倾斜识别

为解决输电线路均压环倾斜图像识别过程中存在的准确率低、倾斜角度计算差的问题,提出了一种基于深度学习的输电线路均压环倾斜识别方法。首先,采用改进的快速区域深度卷积神经网络(Faster-RCNN)检测均压环与绝缘子串的目标与位置信息。然后,采用级联金字塔网络(CPN)定位目标多特征关键点,并在此基础上使用文本检测(TB)算法,根据绝缘子与均压环位置信息定量计算出均压环的倾斜角度。最后,采用仿真环境对该方法进行了验证,得到其均压环倾斜识别准确率为87.2%。试验结果验证了所提方法可有效识别输电线路均压环倾斜,提高了输电线路运维水平。

输电线路金具巡检图像倾斜缺陷检测技术研究

针对当前输电线路无人机巡检图像中金具倾斜缺陷存在角度量化困难、判定主观性强的问题,提出融合多尺度残差网络的金具倾斜类缺陷检测技术。通过中心点坐标和旋转角结合的方式表示有向边界框,实现设备倾斜角度的有效量化;利用角度回归提高倾斜锚框检测灵敏度,实现输电线路倾斜类缺陷的识别和精确定位。经现场验证,线夹偏移类缺陷检测准确率由86.2%提升至95.02%,均压环倾斜类缺陷检测准确率由87.76%提升至98.11%,绝缘子倾斜类缺陷检测准确率由85.34%提升至96.12%,满足现场应用需求。