基于图像增强与CNN的输电线路破损绝缘子识别

输电线路是电力系统中电能传输的关键,近年来无人机技术和机器视觉的快速发展为电力线路绝缘子识别提供了便捷。基于无人机拍摄的输电线路破损绝缘子自动识别能有效降低人工巡检的成本和安全隐患。无人机拍摄的绝缘子图像存在目标相对背景较小、目标特征不明显、绝缘子破损区域较小识别难度大等困难。为降低上述影响,基于图像灰度均衡化和SRCNN超分辨率图像增强技术,设计了一种基于CNN的输电线路破损绝缘子识别算法,并在权威数据集上验证了所提算法的有效性。

基于轻量化改进YOLOv8的绝缘子破损识别方法

针对电力线路绝缘子破损目标检测中图像背景复杂重叠、算法模型计算量大的问题,提出基于轻量化改进YOLOv8的绝缘子破损识别方法。在YOLOv8主干网络中引入高效多尺度注意力机制,采用轻量化卷积模块代替标准卷积模块,采用WIoU损失函数改进原有的损失函数。实验结果表明,基于轻量化改进的YOLOv8与原YOLOv8算法相比,绝缘子破损目标检测的平均精度提高4.35%,模型参数量下降了23.53%,表明该方法在算法精度和轻量化改进方面均有提高,为电力线路巡检在边缘端设备部署该算法提供了可能。

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。