基于ConvNeXt和注意力机制的绝缘子自爆故障检测方法

为了更加准确地识别和定位架空线路绝缘子的自爆故障,保障电力系统安全稳定运行,提出一种基于ConvNeXt和注意力机制的目标检测算法,可用于无人机、巡检机器人等设备拍摄的可见光图像中绝缘子自爆故障检测。首先,使用一种新型卷积神经网络ConvNeXt作为主干网络,使用1∶1∶1∶3的阶段模块数量比例,增强网络对抽象语义特征的提取能力;其次,使用跨阶段局部连接结构,减少网络参数量和计算复杂度,丰富网络梯度连接;最后,引入卷积注意力机制,增强网络对复杂背景中目标区域的感知能力。实验结果表明,改进后的绝缘子自爆故障检测模型的平均精度均值达到97.4%,相比基线YOLOv7提升了1.4%,能够有效实现绝缘子自爆缺陷的检测。

改进SSD模型的绝缘子自爆故障检测

绝缘子是输电线路中重要的电力设备,直接影响电力系统的稳定运行,而传统的目标检测技术难以准确、高效地检测绝缘子自爆故障。为解决该问题的同时提高自爆故障检测的精度和召回率,文中提出一种基于轻量级目标预测层的多尺度特征融合SSD(PL-MFSSD)模型。首先,使用深度可分离卷积代替传统卷积操作生成目标预测特征层,提升模型的检测效率;其次,在Conv_fc7和Conv8_2特征层中进行多尺度特征融合,将目标的浅层结构信息和深层语义信息充分融合,并在目标预测特征层末端增加残差网络,缓解训练过程中的梯度消失问题;最后,通过K-means聚类算法优化锚框的宽高比,使其更符合绝缘子和自爆故障的尺寸。在NVIDIA GTX1080实验环境下,PL-MFSSD模型的mAP指标为0.941,自爆故障的召回率达到0.967,推理速度为49.62 f/s。实验结果表明,与其他检测模型相比,PL-MFSSD模型对自爆故障的召回率有大幅度提升,可有效检测绝缘子自爆故障。

基于YOLOv5和U-Net++改进的绝缘子自爆故障检测方法

利用深度学习模型分析研究在复杂背景下有关绝缘子自爆位置检测的相关问题。首先在YOLOv5特征提取网络结构中引入注意力机制,对特征图不同通道进行权衡,提取出含有绝缘子的矩形区域;然后用U-Net++模型获取故障位置,实现对绝缘子自爆位置的检测。运用该模型对某电力科学研究院提供的绝缘子航拍图像进行测试和对比实验,结果表明,采用注意力机制改进的YOLOv5定位绝缘子识别平均精度为96.3%,采用优化的U-Net++模型分割绝缘子的Dice系数达0.93,提出的绝缘子自爆位置识别模型能够更准确地对绝缘子及其爆裂位置进行识别。研究结果对实现电力系统智能化运维具有一定的应用价值。

基于Mask-RCNN的绝缘子检测与自爆故障识别

绝缘子作为输电线路重要组成部件,其功能的完整性对电网的安全运行至关重要。为了对高压输电线路中的绝缘子串进行检测并定位出自爆故障区域,提出了一种基于Mask-RCNN的绝缘子串检测方法。首先利用数据增强算法扩增绝缘子图像,构建用于模型训练和检测的数据集,然后构建用于绝缘子检测的目标框架,以ImageNet数据集上预训练的ResNet50作为特征提取网络,基于Mask-RCNN在绝缘子数据集训练,实现对正常绝缘子,自爆绝缘子以及自爆部分的检测。

基于改进U-net和CNN的绝缘子自爆检测方法研究

针对绝缘子自爆故障人工检测效率低,成本高的问题,基于改进U-net和卷积神经网络(CNN)模型,提出一种可有效识别绝缘子自爆故障的双阶段目标检测算法。首先,在语义分割阶段使用改进U-net模型,通过翻倍提高图像分辨率的方法有效提高图像分割精度。其次,在图像分类阶段提出更适合所提问题且有效提高分类准确度的新型CNN模型。最后,使用无人机拍摄的绝缘子图片为实验数据进行实验。实验结果表明所提算法识别精度较高。

基于Faster R-CNN和U-net改进的混合模型绝缘子故障检测

在航拍影像中定位绝缘子爆裂的位置是一项艰巨的任务。针对绝缘子和绝缘子爆破位置在图像中占比过小、背景复杂以及拍摄图像角度和大小不一等问题,采用一种注意力机制与Faster R-CNN和U-net相结合的绝缘子识别模型,对某电力科学研究院提供的绝缘子航拍图像进行测试和对比试验,结果表明,该模型识别绝缘子的平均精度(Average Precision,AP)为92.1%,识别绝缘子爆裂故障的平均精度(AP)为91.9%。所提出的绝缘子自爆故障检测模型在绝缘子定位、爆裂位置判定等应用方面的效果优于部分经典方法。