基于改进GA-KSW熵法的无人机拍摄绝缘子故障识别

针对输电线路中绝缘子的故障问题,设计并实现一套绝缘子自爆故障识别算法。设计无人机整体构架,包括导航能力、避障能力以及高压线旁工作的抗干扰能力;对传统遗传算法进行改进,结合最佳熵阈值确定法对绝缘子图像进行分割;利用形态学得到纯净的绝缘子串;采用所设计的拟合算法推测绝缘子应有位置,分别从正视图和斜视图对绝缘子自爆故障进行识别。结果表明:所提算法在分割绝缘子图像时精确度高,速度比传统遗传算法提高了约75%;该算法适用于多角度拍摄的绝缘子故障识别,为无人机拍摄的绝缘子故障识别提供了保障。

基于深度学习的绝缘子故障检测研究

绝缘子是架空线路中重要组成部分之一,当出现故障时,影响电网安全运行。为实现绝缘子故障快速、精准的识别,提出了一种基于改进YOLOv3-Tiny的绝缘子故障检测方法。首先,为了增强小目标检测能力,对浅层特征图与第二检测层之前特征图进行同维拼接构建第三预测层。随后,该网络采用Ghost模块替换主干网络中的卷积层,降低模型的参数量。然后,设计了一个新的注意力模块MECA,不仅能够多尺度信息融合,还能使网络专注绝缘子的显著特征。最后,提出了新的交并比EIoU作为边框回归损失函数,更好的定位目标位置。实验结果表明,改进的YOLOv3-Tiny在绝缘子故障检测中平均准确率(MAP)高达96.1%,较原始YOLOv3-Tiny算法MAP提高了17%。