基于混沌时域反射技术的电力电缆绝缘缺陷检测方法

为提高电力电缆绝缘缺陷检测的精度,提出一种基于混沌时域反射技术的电力电缆绝缘缺陷检测方法。采用变分模态分解方法将噪声信号在不同的模态分量中分解,通过自适应小波包分解将电力电缆信号分解在高低频分量中,使用阈值法将不含有局部信号的分量过滤处理,完成信号去噪处理。信号经过去噪处理后,通过混沌时域反射技术将电力电缆信号划分为参考信号和探测信号,根据信号和电力电缆绝缘位置故障点的反射信号完成采样处理,在相关峰的时间延迟以及幅值信息中获取缺陷发生的位置,判断故障类型,进而实现电力电缆绝缘缺陷检测。经实验测试结果表明,所提方法可以全面提升检测结果的准确性。

基于机器视觉的网络变压器绕组绝缘缺陷检测系统

由于传统的变压器绕组绝缘缺陷检测方法的检测精度较低,影响了电力系统稳定运行,因此提出了基于机器视觉的网络变压器绕组绝缘缺陷检测系统。设计了NJG1144KA1低噪声增幅器与XC7Z100微处理器,初步提升了系统检测精准度。构建了网络变压器绕组绝缘缺陷检测系统软件框架,设计了软件整体结构;再利用机器视觉,设计了绕组绝缘缺陷检测算法,进一步提升检测精准度,进而实现了绕组绝缘缺陷的精准检测。采用系统测试的方式,验证了该系统的检测精准度更高,能保障电力系统的运行稳定性,极具推广价值。

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。

IDD-YOLOv7:一种用于输电线路绝缘子多缺陷的轻量化检测方法

YOLO目标检测算法是当前基于图像的输电线路绝缘子缺陷检测的主流方法,然而现有模型复杂度较大,亟需合理有效的参数压缩方法作为前提条件,来为解决无人机边缘设备部署的困境问题奠定基础;同时,无人机航拍的绝缘子缺陷图像背景复杂、缺陷尺寸较小,容易出现误检、漏检等问题。为此,提出了一种用于输电线路绝缘子多缺陷检测的Insulator Defect Detection-YOLOv7(IDD-YOLOv7)模型,以降低模型复杂度,提高模型鲁棒性。首先,在多尺度特征融合的过程中加入坐标注意力(Coordinate Attention)机制,抑制复杂背景的干扰,提升模型对小目标的全局感知能力;之后,设计C3GhostNetV2模块,用于捕获不同空间像素之间的远程依赖性,在增强模型表达能力的同时降低模型的参数量和浮点运算量;最后,提出Focal-CIoU损失函数,提高模型高质量anchor的贡献,加快模型的收敛速度。实验结果表明,本文方法与基线模型相比mAP^(50)提升了3.8%,查准率和召回率分别提升了1.7%和7.6%,参数量和浮点运算量分别下降了18.3%和14.0%,绝缘子自爆、破损、闪络缺陷的AP^(50)分别提升了0.8%、4.5%、6.3%。

基于自适应BM3D的绝缘子缺陷检测图像降噪方法

由于拍摄环境的影响,获取的图像中常常混有噪声,极易影响绝缘子缺陷检测的准确性。针对该问题,提出了一种自适应BM3D降噪方法。首先,引入基于噪声水平与图像块协方差矩阵特征值的统计关系的噪声估计算法,解决原始BM3D算法需要先验知识的问题;其次,以峰值信噪比为目标函数,通过量子遗传算法得到绝缘子图像在各个噪声强度下的参数最优值,包括基础估计中的硬阈值参数、距离阈值和最终估计中的距离阈值;最后,以噪声强度为自变量,采用多项式拟合的方式得到上述3个参数的拟合曲线,从而得到各个噪声强度下算法的最佳参数组合,实现BM3D算法在不同噪声水平下的参数快速自适应。对比实验的结果表明所提出的方法在直观视觉和客观评价指标上优于其他方法。当噪声标准差为25时,所提出的方法相较于原始BM3D算法在峰值信噪比、结构相似性和边缘保留指数指标上均有所提升,尤其是边缘保留指数提升近20%。在提升降噪效果的同时能够保留更多边缘细节,这有助于提高后续绝缘子识别及缺陷检测的效果。

基于改进YOLOv8算法的绝缘子缺陷检测模型

目前YOLO目标检测算法在绝缘子缺陷检测领域任然是最主流的方法,然而现有的YOLO模型框架参数量庞大导致户外部署难度加大,同时户外拍摄的绝缘子图像背景复杂,其缺陷更是微小导致难以被检测。针对上述问题,本文提出了一种基于YOLOv8n目标检测框架而改进得到的绝缘子缺陷检测模型YOLOv8-GCS,以降低模型的参数量并提高模型的检测精度。首先将模型中的C2f模块换成更加轻量级的Ghost卷积模块,以降低模型的计算量和参数量。然后在主干网络末尾和第二个检测头处加入CoordAtt注意力模块,抑制复杂背景对绝缘子缺陷部位的影响从而提高模型的检测精度。最后再引入一个SPD-Conv模块,让网络模型在二倍下采样的过程中无重要信息的损失同时增强网络模型对重要特征的学习率,进一步提高模型的检测性能。分析实验结果可知,本文算法与基线模型相比mAP50提高了4%,召回率和查全率分别提高了4.7%和1.3%,参数量降低了26.7%,保存结果的权重文件大小降低了1.5 MB,绝缘子破损和闪络缺陷的AP 50分别提高了4%和8.1%。

改进YOLOv8网络在绝缘子缺陷检测中的应用

绝缘子缺陷目标小、分布零散等问题一直影响检测精度的提升,针对已有绝缘子缺陷检测方法的不足,基于注意力机制与多尺度融合方法,将YOLOv8网络增加了小目标检测层,并添加注意力与卷积混合模块(ACmix)。提出了加权双向路径聚合网络(Bi-PANet)替代路径聚合网络(PANet),防止特征融合过程中原始特征的丢失,提高多尺度目标特征的融合度。使用Wise-IOU作为回归损失函数,减少低质量标注的影响,加快网络收敛速度。对航拍图像中电力线路上的正常绝缘子和掉串绝缘子进行检测,结果表明提出的检测方法平均精度达到93.2%,证明改进后的模型能够更好地识别绝缘子缺陷。

基于改进YOLOv5s的绝缘子缺陷检测算法研究

绝缘子缺陷检测是智能化电网发展中关键的一步,基于计算机视觉的绝缘子缺陷检测已经被大量应用于智能巡检中,选择YOLOv5s模型作为基础网络,在保证网络运行速度的前提下提升了检测精度。首先在主干特征提取网络中加入CBAM注意力模块,以增强模型的特征提取能力;其次在颈部结构采用BiFPN结构融合多尺度特征,减少特征丢失情况,以提升模型的特征融合能力;最后采用EIoU Loss作为网络回归损失的损失函数,解决了对航拍图像中各种尺度绝缘子敏感的问题,并提升网络的收敛速度。经过实验验证,在检测速度变化不大的情况下改进后的网络模型,平均精度均值(mAP)达到了94.13%,召回率(Recall)达到了84.94%,较YOLOv5s网络模型相比提升了5.71%和14.57%,同时模型的体积减小为13.5 MB,与其他改进模型相比,精度、召回率都有了明显提高,能够更好地满足实际应用的需求。

基于深度学习的架空输电线路绝缘子缺陷检测方法研究综述

绝缘子是架空输电线路中不可或缺的部件,对其进行定期检修能确保电力的安全传输和电网的安全运行。人工巡检、机器人巡检、载人直升机巡检、无人机巡检等是现有的输电线路巡检方式。目前,我国电力线路运维的主流模式是“无人机巡检为主,人工巡检为辅”。为了安全起见,操作无人机飞行检修高压输电线路时,必须与线路保持一定的安全距离。由于绝缘子在无人机拍摄的输电线路图像背景复杂多变且状态复杂,小目标种类占比较多。故本文针对架空输电线路绝缘子缺陷检测的场景,分析了目标检测算法的常见类型,并比较了不同算法策略的优缺点,结合实际应用对算法进行改进,最后展望绝缘子缺陷检测的研究趋势。

基于稀疏重构注意力机制的绝缘子缺陷检测方法

针对当前输电线路绝缘子缺陷样本数量少、缺陷目标背景复杂干扰导致检测过程中出现的特征冗余以及检测精度低等问题,提出基于稀疏重构注意力(sparse reconstruction dual attention,SRDA)机制的目标检测模型。首先,为了降低深层特征冗余对模型的影响,采用稀疏重构机制对模型的深层特征层进行筛选和过滤;其次,为了增强模型对不同背景下目标区域的表达能力,提出位置注意力机制来捕获浅层特征目标区域的上下文信息,并引入通道注意力机制在深层特征层上加强对特定类别语义的特征表示,增强缺陷目标的语义信息;最后,通过对无人机拍摄采集的输电线路绝缘子图像进行缺陷检测实验,证明该模型能够获取精确的缺陷特征,提高绝缘子缺陷检测精度,与其他模型相比,该模型具有一定的优越性。

基于RID-YOLOv7的雨天场景绝缘子缺陷检测模型

针对现有输电线路绝缘子缺陷检测模型在雨天复杂场景下识别效果差、推理速度慢等问题,在YOLOv7-tiny(you only look once version 7-tiny)的基础上提出了RID-YOLOv7(rain insulator detection-YOLOv7)轻量级雨天场景绝缘子缺陷检测模型。首先探索了坐标注意力机制(coordinate attention,CA)在主干特征提取网络中的最优嵌入位置,提升了模型对目标位置关键特征的提取能力;然后在颈部特征融合网络中引入了幻影混洗卷积(ghost shuffle convolution,GSConv)和幻影混洗跨级部分矢量化旋涡(vortex of vectorized ghost shuffle cross stage partial,VoV-GSCSP),大幅降低了推理时间;最后使用了明智交并比(wise intersection over union,WIoU)优化边界框定位损失函数,提高了模型收敛效率。结果表明,与原始YOLOv7-tiny相比,RID-YOLOv7模型的精确率、召回率和平均精确率均值分别提升了2.41%、5.44%和3.22%,推理速度为88.7帧/s,有效平衡了检测速度和精度。该模型适合对雨天场景下输电线路绝缘子缺陷进行实时检测。

基于SVM多特征融合的绝缘子缺陷检测算法研究

绝缘子是输电线路中常用部件,每年因绝缘子故障引起的事故超过电网故障的一半,这严重危害着线路的使用和运行寿命。因此,及时对绝缘子故障进行排查是十分重要的。我们提出了一种基于SVM多特征融合的绝缘子缺陷检测算法,该算法首先对原始图像进行预处理,得到暗通道特征层和灰度图像,然后在此基础上提取出HSI特征层、细节特征层、统计特征层和纹理特征层,将上述特征层叠加成一个三维的特征矩阵。接着选取正、负样本像素点及其所对应的特征信息作为训练特征,采用支持向量机算法对其进行训练,得到一个分类器模型。最后将原始图像的其他所有像素点的特征信息输入到该分类器中,得到绝缘子缺陷的坐标位置。实验结果表明,提出的算法能有效地检测出输入图像中的绝缘子缺陷,验证了该改进算法的可行性及有效性。

基于注意力机制改进的YOLOv5绝缘子缺陷检测

提出了一种基于注意力机制改进的YOLOv5s检测方法,以提高绝缘子缺陷检测的准确率和效率。首先,在YOLOv5s网络模型的架构中,在其颈部(Neck)引入了空间与通道卷积块注意力模型(CBAM),目的是实现对缺陷区域的重点关注。同时,通过引入双向特征金字塔网络(BiFPN)进行优化改进,进一步完善了模型的性能。此外,对损失函数进行了优化,以进一步提高模型的整体训练效果。实验结果表明,改进的YOLOv5s算法相比原YOLOv5s算法对绝缘子缺陷检测的精准率提升了4.69%,召回率提升了2.56%,F1分数提升了4.09%,AP提升了5.16%。

基于Flexible YOLOv7的输电线路绝缘子缺陷检测和故障预警方法

电力设备的平稳运行是保障居民生产生活的重要前提。输电线路绝缘子缺陷尺寸较小,传统的目标检测算法通常难以识别到缺陷目标,误检、漏检率较高。针对不同材质绝缘子缺陷检测存在目标过小、遮挡、背景复杂等难题,提出了一种基于Flexible YOLOv7的绝缘子缺陷检测算法。该算法继承了YOLOv7网络的E-ELAN结构、Rep重参数化和辅助训练策略,并且在特征提取的过程中集成GAM注意力机制以放大显著的跨维度接受区域,通过高效的Ghost SPPCSPC结构减少模型训练过程中的参数冗余,引入Efficient IOU Loss重点关注高质量的anchors提升原始模型的检测精度。最后通过图像后处理技术对绝缘子缺陷进行等级划分与精细计算,并结合算法部署开发了绝缘子缺陷故障检测系统用于故障的提前预警。实验结果表明,该算法在密集目标、遮挡、小目标缺陷检测中的平均准确率AP、召回率Recall、相关指标F1指标均领先于当前先进的几类目标检测算法,在复杂环境下的绝缘子缺陷检测和故障预警方面具有一定的现实意义。

基于改进YOLOv5的绝缘子检测算法研究

针对绝缘子缺陷部分识别精度低问题,提出一种改进的YOLOv5算法,在原模型的特征融合部分引入动态卷积模块ODConv(omni-dimensional dynamic convolution),其通过并行多维注意力机制策略,增强模型对目标的特征提取能力.实验结果表明,改进后的算法比原算法召回率提高2.2%,精度提高3%,平均精度(MAP)提高2%,在NVIDIA GeForce RTX 30606G显存设备上速度达到172帧/s,对比多种主流目标检测算法,本文算法综合性能较优,可为输电线路绝缘子故障巡检提供技术参考.

基于无监督知识蒸馏的高铁绝缘子缺陷检测算法

绝缘子作为高铁接触网的重要组成部分,是隔离接触网和地面的关键零部件。但绝缘子缺陷样本稀缺,缺陷类型多样,基于有监督深度学习的绝缘子缺陷检测难以满足现场需求。针对该问题,本文提出一种基于知识蒸馏的绝缘子缺陷检测算法。该方法主要分为两个阶段:第一阶段使用一个基于YOLO-v5的绝缘子旋转定位网络快速准确地将绝缘子从接触网图像中提取出来,并使用滑动窗口将其下采样为绝缘子小块;第二阶段使用由一个教师网络和一个学生网络组成的绝缘子缺陷检测网络检测缺陷。实验表明该方法具有良好的可行性。

输电线路绝缘子缺陷快速识别系统设计及其应用

因架空输电线路的绝缘子长期处于暴露环境,易产生缺陷,严重影响输电线路的安全运行。因此,设计输电线路绝缘子缺陷快速识别系统。基于无人机图像采集模块,搭建绝缘子缺陷的快速识别系统,通过图像管理模块筛选缺陷图像。采用YOLO算法定位绝缘子缺陷,利用OpenCV剪切分离关键部件区域。设计Mask RCNN缺陷检测通道,实现绝缘子缺陷的快速识别与决策。实验结果表明,设计系统可精准、快速识别绝缘子缺陷部位,有效提高了社会效益和经济效益。

基于YOLO v4优化的航拍绝缘子缺陷图像检测模型

针对现有绝缘子缺陷检测模型检测精度低、实时性差和网络参数多的问题,提出了一种基于YOLO v4改进的绝缘子缺陷检测模型。首先,利用改进的VGG卷积神经网络实现了主干特征提取。其次,在加强特征提取网络和预测网络中引入深度可分离卷积,降低了模型的复杂度。再次,在加强特征提取网络中融合通道注意力机制对重要特征进行增强,提升了模型对绝缘子缺陷的目标辨识能力。最后,以平均精度、帧率、参数量等作为评价指标,对基于公共数据集CPLID构建的新数据集进行了消融实验和对比实验。实验结果表明,改进的YOLO v4模型对绝缘子缺陷的检测精度为98.35%,相比于传统的YOLO v4模型提高了6.4%,并且其检测速度和参数量分别为传统YOLO v4模型的1.5倍和37.5%,可实现对航拍绝缘子缺陷图像的高精度实时有效检测。同时,改进的模型相比YOLO v5-M和Faster R-CNN模型在检测精度,速度和模型复杂度上也更具优势。

基于通道剪枝的ACAM-YOLOv5s绝缘子缺陷检测

针对现有的绝缘子缺陷检测深度神经网络模型规模大、计算资源消耗高、检测精度低,难以部署在边缘端,本文基于通道剪枝和YOLOv5s方法提出具有非对称卷积和注意力机制的轻量级绝缘子缺陷检测模型ACAM-YOLOv5s。ACAM-YOLOv5s模型采用非对称卷积模块ACBlock替换YOLOv5s骨干网络残差结构中的标准卷积,并结合通道和空间混合的注意力CBAM进行特征融合,以增强骨干网络的表达能力、特征提取能力以及鲁棒性。引入对边界框大小和位置灵敏性高的PIoU作为定位回归损失,解决绝缘子纵横比高导致缺陷检测定位准确率低的问题。基于BN层通道剪枝方法对ACAM-YOLOv5s模型进一步稀疏化训练、剪枝和微调,得到轻量化缺陷检测模型。实验结果表明,剪枝后的ACAM-YOLOv5s模型和原始YOLOv5s相比,在检测精度、计算量和模型体积方面,具有相对优势,能够满足边缘设备部署的需求,在无人机航拍绝缘子缺陷检测领域具有潜在价值。

一种结合语义分割和目标检测的级联式绝缘子缺陷检测方法

绝缘子缺陷检测是变电站日常巡检的重要部分。由于变电站内环境复杂,绝缘子缺陷检测易受到背景因素干扰。因此,本文提出一种结合语义分割和目标检测的级联式绝缘子缺陷检测模型。该模型由绝缘子分割、绝缘子裁减、缺陷检测3个模块组成。绝缘子分割模块将绝缘子从复杂的环境中分离并提出一种边缘增强的损失函数;绝缘子裁减模块利用图像处理方法获得轴对齐的绝缘子区域;缺陷检测模块完成缺陷的检测。实验结果表明,级联式绝缘子缺陷检测模型的整体准确率为60.63%。其中,边缘加权的Unet对绝缘子的分割准确率达到83.99%,锚框改进的RetinaNet对缺陷的检测准确率达到63.32%。与单级绝缘子缺陷检测模型对比分析,所提出的级联式绝缘子缺陷检测模型可有效地去除环境因素干扰,检测出大部分的绝缘子缺陷区域。