复杂背景无人机巡检图像输电线异物缺陷检测

无人机巡检输电线图像的背景较为复杂,因此在对输电线异物缺陷进行检测的过程中,误检的情况较为严重。本文提出基于支持向量机的复杂背景无人机巡检图像输电线异物缺陷检测方法,采用直方图均衡化的方法增强输电线无人机巡检图像的对比度,利用固定大小的网格将输电线图像划分为多个区域,使用区域内的像素点计算特征,并对其进行加权平均融合操作,提取背景特征。为支持向量机模型选择合适的核函数和参数后,对其进行交叉验证,将提取的背景特征作为输入函数。根据像素与输电线之间的关系,检测异物缺陷,测试结果表明,误检率仅为0.5%。

基于VDRCNN的电力巡检图像超分辨率重建算法

针对无人机巡检图像模糊、分辨率低等问题,利用深度残差卷积神经网络(VDRCNN:Very Deep Residual Convolutional Neural Network)理论,提出了一种无人机巡检图像的超分辨率重构方法。该算法模型由超分辨率加深网络(VDSR:Very Deep Network for Super-Resolution)和残差结构组成,同时结合批量组归一化和Adam优化器以获得更好的重建效果。在此基础上,构建电力部件检测数据集,通过恰当设置网络参数,实现针对模糊电力部件图像的高分辨率重构。实验结果表明,基于VDRCNN的超分辨率方法重建出的图像纹理更丰富、视觉效果更逼真,在峰值信噪比和结构相似度上分别有2.95 dB和3.79%的提升,明显优于传统检测方法。所提出的基于VDRCNN的电力巡检图像超分辨率重构方法对解决电力巡检实际问题具有一定的应用价值。

变电站无人机巡检图像边缘识别方法设计

针对传统方法在识别无人机巡检图像边缘信息时存在效果差、性能低的问题,设计了变电站无人机巡检图像边缘识别方法。在计算无人机巡检图像灰度值相似度并重构图像像素灰度值的基础上,首先通过分割图像非边缘点和弱边缘对图像边缘区域进行检测,然后利用卷积网络获得图像的边缘信息,在归一化处理的基础上识别边缘信息。实验结果表明,该方法识别边缘信息时的离散系数为15~20、优质系数始终大于17,表明该方法不仅可以通过提高离散系数值保证图像边缘识别效果,还可以通过提高优质系数值提高识别图像边缘的性能。

基于K-L变换的无人机巡检图像特征提取方法

为了提升特征提取效果,提出了基于K-L变换的无人机巡检图像特征提取方法。利用双边滤波算法去除无人机巡检图像噪声,通过Retinex算法增强去噪后图像亮度,提升图像清晰度。实验证明:该方法可有效去除图像内部噪声,增强图像亮度,提升图像清晰度;可有效提取图像特征,样本维数为3时,特征值与特征向量偏离度最低;特征提取时的真实接受率高至0.9以上。

输电线路无人机巡检图像自动命名关键技术研究

针对海量的输电线路无人机巡检图像,传统的人工命名耗费了大量的人力,且存在命名错误等一些问题,严重影响无人机发挥巡检效能,因此提出输电线路自动命名技术。该技术基于输电线路高精度激光点云,提取零部件关键位置坐标,基于无人机RTK定位技术,提取巡检图像坐标,运用以上两种坐标,完成了基于空间距离的图像自动命名方法研究,并基于python研发了自动命名软件,在没有人员干预的条件下,快速、准确、自动地完成输电线路无人机巡检图像命名。在佛山地区应用实践中,该软件每年完成22万张输电线路无人机巡检图像的自动命名,节约了大量的人力,提高了无人机巡检时效性。

基于深度学习的无人机巡检图像质量问题识别与实践

无人机在巡检时受到电噪声和振动噪声干扰,产生图像非线性畸变和振动偏移,造成巡检过程中电力仪表指针数值识别失败。为了解决上述问题,研究基于深度学习的无人机巡检图像质量问题识别与实践。引入深度学习训练提取噪声畸变点信息,利用最小二乘法计算噪声畸变点检测数据,分析检测距离,根据无人机自动读数机制的角度数据计算圆弧数值,解析仪表读数,完成深入分析。根据三维直方图像内部的灰度信息得到维轴距概率,按照深度学习模式提取相应的噪点影响参数,通过计算权值参数求得非局部均值。实践结果表明,所提方法能有效提高电力仪表指针图像识别的清晰度,有效滤除噪声,加强图像识别效果。

架空输电线路无人机巡检图像目标快速识别研究

通过传统架空输电线路巡检方式获取到的图像存在多种因素的干扰,导致巡检目标识别效率低。因此,提出架空输电线路无人机巡检图像目标快速识别方法。通过无人机技术获取架空输电线路的高清图像,图像存在光照、颜色等因素对目标识别的干扰,所以对图像进行归一化处理。计算图像中每个目标的形心,结合形心计算结果构建无人机巡检图像目标快速识别模型,利用该模型高效地识别输电线路中的各种目标。实验证明,所提方法的架空输电线路无人机巡检图像精度高且时间短,能够为架空输电线路的巡检提供有力支持。

电务轨旁设备外观巡检图像增强算法

提出一种变尺度Retinex(VSR)算法,实现对电务轨旁设备外观巡检图像的增强处理。首先对采集到的亮度不均的巡检图像进行全局自适应伽马校正;然后再对其进行基于Retinex算法的局部变尺度滤波,局部滤波器的高斯核函数尺度随之自适应改变,以最大限度地抑制Retinex算法带来的灰度溢出效应和光晕效应。采用该算法对高柱信号机、矮柱信号机、信号标志牌、信号箱盒和隧道漏缆等的巡检图像进行增强处理,并与具有类似功能的CLAHE,GF,IR,SSR,MSR,MSMCR算法的处理结果进行对比。结果表明:无论是图片的清晰度,还是局部对比度,VSR算法明显优于其他算法。VSR算法能有效校正巡检图像的亮度不均匀现象,并最大限度地抑制灰度溢出效应与光晕效应,使巡检图像中因局部亮度反差所掩饰的有用信息显示出来,从而提升巡检图像的显示质量,以利于巡检图像的浏览和后续智能分析。

一种基于可见光巡检图像的杂草智能识别方法

目前电力巡检主要是采用无人机巡检的方式,针对无人机巡检获取的图像识别过程中,电力设备旁的杂草可能会造成安全隐患,需要对图像中的杂草进行识别。针对电力巡检的场景,提出了一种基于可见光巡检图像的杂草智能识别方法,以可见光巡检图像中杂草的特征为基础,结合卷积神经网络方法,解决可见光巡检图像中电力设备附近的杂草识别问题。通过对图像进行样本数据增广和预处理,接着引入区域生成网络,再对图像提取固定个数候选框的图像特征,和改进的图像分类网络连接在一起,得到最终的卷积神经网络模型。实验表明其准确率可以达到97.98%,检测一幅600×600大小图像需要花费的平均时间约为0.256 s,在保证了准确率的同时达到了高效识别的要求。

无人机巡检图像电力小部件识别技术研究

随着无人机(UAV)在电巡线作业中的应用推广,对无人机巡检图像的目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法,如支持向量机(SVM)、随机森林或adaboost,结合梯度、颜色或纹理等浅层特征来对电力部件进行识别,难以达到较高的准确率。随着卷积神经网络(CNN)在目标识别中的兴起,基于区域的卷积神经网络(RCNN)通过使用CNN从图像中提取可能含有目标的区域来检测并识别目标。Fast R-CNN和Faster R-CNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进识别目标的分类器,使得目标的检测和识别几乎实时。本文详细描述了Faster R-CNN算法流程,并分析了几个关键参数,如dropout比例、nms、批处理尺寸对识别结果的影响,给出了一些针对Faster R-CNN算法的建设性调优建议。最后利用实际采集的电力小部件巡检数据构建的数据集对Faster R-CNN算法进行测试验证。实验结果表明,基于深度学习的识别方法实现电力小部件的识别是可行的,而且利用Faster R-CNN进行多种类别的电力小部件识别定位可以达到每张近80ms的识别速度和92.7%的准确率。这些结果也表明Faster R-CNN算法的优势。

基于偏微分中值滤波的巡检图像去噪研究

用无人机巡检电力通道线路拍摄的图像具有较多的椒盐噪声,针对传统的中值滤波和自适应中值滤波算法在滤除高浓度椒盐噪声和保留图像边缘细节中的不足,提出了一种基于偏微分中值滤波算法。该算法通过计算原像素点四个方向的导数值是否大于设定的阈值,分析原像素点是否为可疑噪声点。如果其中有一个导数值大于设定阈值就确定为可疑噪声点,把窗口移动到导数值小的窗口再次求导,如果还有导数值大于阈值就确定为噪声点,确定噪声点后,用已经设定好的掩膜和噪声点的领域窗口进行加权卷积求出新的像素值,用新的像素值代替原噪声点。最终结果表明,该算法比起自适应中值滤波算法有更高的峰值信噪,去噪效果比较好。

基于改进Faster R-CNN的变压器巡检图像数据挖掘研究

随着我国电网智能化、信息化的建设与发展,电网中的电力设备通过长期的运维、检修和试验,积累了大量的各种形式的电力数据。其中,相比于主要以数值形式存储的结构化数据而言,电力设备巡检图像等非结构化数据,具有更广泛的应用场景和更高的价值密度,但由于不能被计算机直接识别和处理,其挖掘过程也存在更多的难点。本文提出基于改进Faster R-CNN模型的电力设备图像目标检测方法。以主变压器的巡检图像为例,考虑了主变压器各个部件的尺寸差异较大以及部件位置之间存在关联性的特点,对Faster R-CNN模型的结构进行了改进,有效提高了主变压器多部件类别和位置识别的准确率,为识别不同部件的缺陷和故障现象奠定了基础。

无人机巡检图像采集融合系统分析

文章针对无人机巡检图像采集融合系统进行了系统分析,包括系统设计方案、图像采集融合流程和图像采集相关技术,希望能给相关人员提供参考。

基于无人机巡检系统的输电线路巡检图像修复方法

为了提升输电线路无人机智能巡检图像的修复效果,支撑输电专业无人机图像的规模化应用,减轻定期巡检输电线路的任务,文章针对输电线路的线性特征,提出了一种基于无人机巡检系统的输电线路巡检图像修复方法。传统数字图像修复方法的修复效果不能精准地复现原始的结构特征,造成了视觉效果差的问题,文章首先概述了无人机巡检系统的组成结构及运行原理,然后通过设置目标函数,查找并修复了输电线路巡检图像对应的结构信息,最后分区域对输电线路的巡检图像进行纹理填充,使输电线路巡检的图像修复问题得到合理解决,获得了理想的修复效果。实验结果表明,该方法的修复效果理想、修复精度明显改善。

电力巡检图像关键部件检测与缺陷识别技术综述

无人机巡检电网积累海量关键电力部件图像数据。随着深度学习的发展与研究,电网巡检图像数据智能目标检测与缺陷分析得到了广泛应用,为电力稳定运行、及时排查电网隐患发现缺陷提供了有力的保障。深度学习检测方法稳定性好,鲁棒性强,而且众多的目标检测框架已经应用到一线运维中。深度学习缺陷检测方法可以有效提升巡检工作效率和准确率,具有广阔的发展应用前景。针对电网图像数据背景多变、弱纹理、缺陷种类多等实际情况,文章介绍了适用于电网关键部件检测与缺陷识别的方法,能够有效降低巡检人力成本和工作强度,提高巡检过程的有效性,进而保障电网的安全可靠的运行。

多旋翼无人机巡检图像的部件识别应用

随着多旋翼无人机(UAV)在电力巡线作业中的应用推广,对多旋翼无人机巡检图像的信息挖掘或目标识别需求也越来越强烈。目前Fast-RCNN和Faster R-CNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进识别目标的分类器,使目标的检测和识别几乎实时。本文详细描述了Faster R-CNN算法流程,并在多旋翼无人机电力线巡检图像部件检测中使用,然后分别对DPM、sppnet和Faster R-CNN识别方法进行了对比分析,利用实际采集的电力小部件巡检数据构建的数据集对3种方法进行测试验证,并讨论了不同参数对识别结果的影响。实验结果表明,基于深度学习的识别方法实现电力小部件的识别是可行的,而且利用Faster RCNN进行多种类别的电力小部件识别定位可以达到每张近80 ms的识别速度和92.7%的准确率。

基于逐像素自适应对抗网络的电力巡检图像增强方法

针对电力智能巡检中图像细节丢失、边缘模糊,导致目标检测、识别错误的问题,提出一种基于逐像素自适应对抗网络(per-pixel self-paced adversarial network,PSPA)的超分辨率方法。该方法以生成对抗网络为基础,加入多重注意力机制,并通过逐像素比对的方式还原细节纹理。实验结果表明,该方法生成的超分图像不仅在人眼主观体验上优于现有算法,而且在电力设备巡检数据集测试中峰值信噪比和结构相似性指标对比其他最优结果分别提高了6.2和0.0993。对还原后的超分辨率图像使用Yolov3网络在无人机输电线路绝缘子数据集和电力施工安全帽佩戴数据集上进行目标检测,不仅能够降低漏检率,而且能够将检测置信度提高到接近原始高清图像的结果。

融合残差密集与生成对抗网络的红外巡检图像超分辨率重建

为了提升电力设备红外巡检图像质量,最大程度还原图像内容的有效性和准确性,提出了一种融合残差密集与生成对抗网络的红外图像超分辨率重建方法.将残差密集网络引入到WGAN(Wasserstein Generative Adversarial Networks)网络生成器,使其在训练过程中形成连续记忆机制,提高网络对图像特征的融合能力;进一步,使用谱归一化方法优化WGAN的对抗器网络参数,提升对抗训练的稳定性和效率;构造由对抗、像素、感知和纹理损失构成的综合损失函数,完成生成图像高频细节信息的重建.超分辨率实验结果表明,重建后的电力设备红外巡检超分辨率图像在峰值信噪比上提升至32.048 2 dB,在结构相似性上提升至0.921 4,且视觉效果良好,验证了所提方法能够有效提升图像质量并具备较好的工程应用价值.

基于RCNN的无人机巡检图像电力小部件识别研究

随着无人机(UAV)在电力巡线作业中的应用推广,对无人机巡检图像的信息挖掘或目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法,如支持向量机(SVM)、随机森林或adaboost,结合梯度、颜色或纹理等浅层特征来对电力部件进行识别,难以充分利用无人机巡检图像的信息,并且难以达到较高的准确率。卷积神经网络(CNN)在目标识别中表现优异,在很多目标识别场景之中成为首选算法。基于区域的卷积神经网络(RCNN)通过使用CNN从图像中提取可能含有目标的区域来检测并识别目标,但是计算复杂,难以满足识别海量电力巡检图片的需求。Fast R-CNN和Faster RCNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进识别目标的分类器,使目标的检测和识别几乎实时。本文详细描述了Faster R-CNN算法流程,并在无人机电力线巡检图像部件检测中使用,然后分别对DPM、SPPnet和Faster R-CNN识别方法进行了对比分析,利用实际采集的电力小部件巡检数据构建的数据集对3种方法进行测试验证,并讨论了不同参数对识别结果的影响。实验结果表明,基于深度学习的识别方法实现电力小部件的识别是可行的,而且利用Faster R-CNN进行多种类别的电力小部件识别定位可以达到每张近80 ms的识别速度和92.7%的准确率。

巡检图像的改进密度空间聚类分割算法

采用一种改进密度空间聚类算法进行巡检图像分割,算法采用简单线性迭代聚类(SLIC)进行预处理,有效降低了内存消耗并提高了运行效率,同时有效改善了图像中目标边界作为背景来处理的问题;算法采用斜交空间距离作为距离度量,充分考虑变量间的相关性,改善了高维聚类不准确的问题.改进算法与DBSCAN对比实验表明:改进算法的聚类结果能有效分离目标和背景,保持边缘完整和连续,运行效率与聚类准确性有很大的改善,可以对巡检图像进行更有效的分割.