基于注意力机制的多尺度缺陷绝缘子检测算法

绝缘子是保障输电线路平稳运行的重要电力部件之一。对于故障区域小、周围所处环境复杂的缺陷绝缘子检测是一项极具挑战性的任务,传统的检测方法存在精度不高、效率低和缺少大型公开数据集的问题。针对以上问题,提出一种基于注意力机制的多尺度缺陷绝缘子检测算法。在YOLOv3算法的基础上,使用K-means++匹配新的锚点坐标,将通道注意力机制SENet结构融入特征提取网络Darknet53中,增加多个检测尺度提升检测精度,并使用数据增强技术扩充缺陷绝缘子数据集。实验结果表明,上述方法在满足实时检测的要求下获得了94.42%的平均准确率和95.74%的召回率。

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%。

轻量化特征融合的CenterNet输电线路绝缘子自爆缺陷检测

输电线路智能化巡检是新一代电力系统建设的必然要求。当前,基于深度学习的检测模型由于参数量过大,使得利用无人机(UAV)进行边缘部署较困难。为使无人机可搭载轻量级模型实现输电线路中具有自爆缺陷绝缘子的识别,提出了一种轻量级CenterNet-GhostNet的目标检测网络。对模型主干特征提取网络进行轻量化处理,利用计算成本较低的GhostNet提取自爆缺陷绝缘子的多层次特征,降低模型复杂度;引入增强感受野模块(RFB)增强特征表达能力,提升模型对小目标特征信息的注意力;构建特征融合模块,将低层特征信息和高层特征信息有效融合以输出更完整的特征图,提高缺陷识别精度。利用迁移学习参数共享,结合冻结与解冻训练相结合的模型训练策略,缓解网络因小样本数据集而产生的泛化能力不足问题。基于构建的输电线路自爆缺陷绝缘子数据集对所提方法进行验证,实验结果表明:相比原始CenterNet,所提方法的AP50、AP75和AP50:95分别提升至0.86、0.74和0.63,模型参数量由124.61×10^(6)减少至64.2×10^(6),可实现复杂环境下的自爆缺陷绝缘子检测,提高了基于无人机的输电线路巡检精度与速度。

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%。

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。

基于深度学习的输电线路绝缘子缺陷视觉检测技术

以某电力公司的输电线路为例对绝缘子缺陷进行深入分析,开发了基于深度学习的视觉检测技术,提出了一套完整的缺陷检测解决方案,并在实际环境中进行了验证。通过构建和训练专门的深度学习模型,实现了对绝缘子缺陷的自动识别和分类。结果表明,该检测系统在准确性和效率上均有显著提升,模型识别准确率达到了预定的目标,显著优化了传统的巡检流程。

基于改进YOLOX网络的雾天绝缘子缺陷检测

绝缘子作为输电线路中重要的元器件,对绝缘子缺陷的识别和定位在电网巡检方面有重要意义。为了对雾天情况下绝缘子状态进行准确定位识别,改进了YOLOX目标检测网络。首先,为了加快网络的训练速度,改进了激活函数;其次,为了解决小目标样本相较于整体样本较少和样本不均衡的问题,改进了图像增强方法和损失函数;最后,将改进的YOLOX网络在数据集上与4种目标检测网络进行比较。实验结果表明,在雾天数据集上,改进后YOLOX的准确度、平均准确率和每秒处理图片张数都有一定提升,符合无人机巡检的要求。

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。

一种基于LSKNet的绝缘子缺陷检测方法研究

目前,电力网络缺陷检测主要通过无人机航拍完成。对当前公开的数据集进行筛选,发现绝缘子的标注误差较大且正负样本失衡;同时,巡检图像中存在许多小尺度和细长类型的目标,使用现有的算法很难达到高精度的检测效果。针对上述问题,通过雾化算法构建一个新的数据集,采用大型选择核网络(LSKNet),引入暗通道先验算法,提出针对电力网络缺陷的LSK绝缘子图像去雾算法。实验结果表明,在SFID-PRO数据集上的mAP达到85.90%,其中缺陷绝缘子的召回率达到了99.6%,能够对细长物体和小尺寸物体进行精准的检测。

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。

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DMSANet-YOLOv7的雾霾下绝缘子缺陷实时检测方法

针对复杂环境与雾霾天气下绝缘子缺陷过小,传统目标检测算法难以识别造成误检、漏检等情况,提出一种以YOLOv7为基础模型并改进的缺陷检测算法。在图像预处理部分采用暗通道先验去雾算法,提高模型对特征的可分辨性与鲁棒性;为提高模型特征提取能力和识别小目标能力,在主干网络结构后端引入双重多尺度注意力机制(Dual Multi Scale Attention Network,DMSANet);为减小模型尺寸,提高模型识别速度,采用基于SwinTransformer改进的C3模块替代E-ELAN模块;在预测部分使用Wise-IOU损失函数,提高模型收敛效率。实验结果表明,DMSANet-YOLOv7算法相较于原YOLOv7算法平均准确率、准确率以及召回率分别提高6.3%、7.9%、12.3%,单张图片检测速度达到12.3 ms,参数量为37.7 M。在提高检测精度的同时确保检测速度和性能的平衡,能够更好地搭载至无人机及其他平台,满足绝缘子及其缺陷的实时动态检测需求。

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。

基于改进YOLOv7的输电线路绝缘子设备及其缺陷检测算法

针对输电线路无人机巡检中绝缘子设备及缺陷图像检测过程中存在的绝缘子目标尺寸变化大、缺陷目标尺寸小、背景复杂干扰多和难易样本不平衡等问题,提出一种基于改进YOLOv7的绝缘子设备及缺陷检测算法:1)针对绝缘子缺陷目标尺寸小问题,在YOLOv7特征提取网络浅层引入卷积注意力机制,聚焦缺陷;2)针对绝缘子目标尺度变化大问题,在YOLOv7特征提取网络底部引入感受野增强模块,提取不同尺度目标特征;3)针对背景干扰问题,改进YOLOv7特征融合网络,在顶部引入显示视觉中心模块,同时关注全局信息与局部信息;4)针对难易样本不平衡问题,使用Focal-EIoU损失替换YOLOv7坐标回归损失。在合并的绝缘子及其缺陷无人机图像公开数据集上,该算法的多类目标检测精度均值达到了97.36%。

基于改进YOLOv8的绝缘子自爆缺陷检测

针对现有绝缘子自爆缺陷检测方法在复杂背景和雾天环境下存在检测精度低、易误检和漏检问题,提出一种基于改进YOLOv8的绝缘子自爆缺陷检测算法。首先,在主干网中引入用于低分辨率图像和小目标检测的SPD-Conv模块,充分提取绝缘子缺陷目标的特征信息;其次,在特征融合层将BiFPN与SimAM注意力机制结合构建BiFPN_SimAM模块替换PANet的concat连接,实现多尺度特征融合,提高网络整体性能。实验结果表明,改进后的算法对绝缘子自爆缺陷检测的精确率和mAP@0.5分别达到了95%和93.1%,较原YOLOv8算法分别提高了1.8%和1.5%,在复杂背景和雾天环境下对绝缘子自爆缺陷检测有较好的检测效果。

基于改进YOLOv5s网络的绝缘子缺陷检测

针对现有目标检测算法在复杂背景下绝缘子缺陷检测中容易出现漏检、误检和检测效率低等问题,改进YOLOv5s网络以提高绝缘子缺陷检测精度和速度.采用K-means++聚类分析绝缘子数据集,确定网络预设锚框尺寸;利用Hard-Swish激活函数替换主干网络第3、 5、 7层卷积模块的SiLU激活函数,并添加卷积注意力机制(CBAM),提高网络泛化能力;在主干网络与颈部网络间的跳跃链接添加CBAM,增强图像特征提取能力;利用交叉卷积替换颈部网络特征融合模块的残差结构,减少网络参数,提高检测速度.实验结果表明:基于改进YOLOv5s网络的绝缘子缺陷检测精度和速度分别为88.6%和69.4帧/s,优于Faster R-CNN、YOLOv3、YOLOv4、常规YOLOv5s等主流网络,满足绝缘子缺陷检测要求.

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YOLOv8s的轻量级绝缘子多缺陷检测模型

YOLO系列算法已广泛用于识别电力线路中的各类缺陷目标。由于巡检图像背景复杂、缺陷目标的尺度不一等,直接利用YOLO算法难以有效避免绝缘子闪络、破损等小目标的错检漏检问题。为解决这一问题,在YOLOv8s模型的基础上提出一种轻量化绝缘子缺陷检测算法。在骨干网络中引入双层路由注意力机制(BRA),以提升对全局特征的关注度,抑制背景噪声,降低小目标缺陷的错检漏检率。通过加权双向特征金字塔网络(BiFPN)实现跨尺度特征之间的加权融合,获取各类缺陷更全面的特征信息。重构Neck网络来消除低贡献度的网络节点,在增强检测性能的同时减少了模型的参数量,实现了性能提升和参数效率之间的平衡。实验结果显示,改进后的网络模型平均检测精度达到84.9%,而参数量仅为8.4×10^(6),可实现对绝缘子缺陷的快速准确检测。