航拍绝缘子自爆缺陷的轻量化检测方法

为了精准识别、定位架空输电线路中航拍绝缘子串的自爆缺陷,提出一种轻量化检测方法MDD-YOLOv3。首先将YOLOv3主干网络残差单元中的普通卷积替换为深度可分离卷积,设计主干网络D-Darknet53,在网络检测精度微降的情况下,大幅提升网络的检测速度。特征挖掘模块中,设计了Dense-SPP模块,Dense-SPP和它前后串联的卷积特征提取层能充分挖掘自爆缺陷的全局和局部特征,提高网络对自爆缺陷的特征表达能力。最后构建了四维度预测层,能充分提取自爆缺陷的位置、纹理和语义等信息,提高网络的小目标检测性能。仿真实验表明,MDD-YOLOv3对绝缘子的检测精确度达到96.1%,检测速度达到36帧/s,相比YOLOv3,检测精确度和速度分别提升了4.0%和28.6%。研究结果证明所提方法可以在复杂背景下快速且精准的识别和定位绝缘子缺陷。

绝缘子自爆缺陷的轻量化检测网络DE-YOLO

为了实现输电线路的高精度、高速度巡检,设计了一种适用于移动终端设备的轻量化目标检测网络DE-YOLO。首先融合深度可分离卷积、逐点卷积和ECA注意力机制提出了特征提取模块NewC3,它负责显著降低网络参数、同时强化网络提取绝缘子有效信息的能力。再借助通道数成倍增长策略和通道注意力机制SE设计了轻量化模块DC-SE,它用于削弱复杂背景对绝缘子故障的干扰、互补提取绝缘子细微特征,进而增强浅层网络对目标特征信息的提取能力。实验表明,DE-YOLO网络在自制绝缘子数据集上的GFLOPs降低45%,运行参数降低42%,自爆缺陷检测精度高达93.2%。NewC3和DC-SE能保证DE-YOLO的轻量化,同时满足绝缘子自爆缺陷实时检测的要求。

基于改进的YOLOv7的雾天场景下绝缘子及其自爆缺陷检测方法

为了解决现有的目标检测方法在雾天场景下存在绝缘子、自爆缺陷识别准确率低、易漏检的问题,提出了一种融合了坐标注意力机制(CA)和双向加权特征金字塔网络(BiFPN)的YOLOv7算法的雾天场景下绝缘子、自爆缺陷检测方法。首先,通过大气散射模型采用中心点合成雾的方法生成轻雾数据集、浓雾数据集和混合雾气浓度数据集;其次,在主干特征提取网络末端和预测端前端融入坐标注意力机制,提高网络对重要特征的关注程度;再次,在特征融合网络中借鉴BiFPN的思想添加跨层权重连接,提升模型的特征融合能力,改善遮挡目标与小目标的漏检问题;最后,考虑到真实框与预测框之间的方向匹配问题,使用SIoU损失函数替代CIoU损失函数,进一步提升模型的检测性能。研究结果表明,与原始YOLOv7相比,改进后的YOLOv7在轻雾、浓雾和混合雾气状态下的平均精确率分别提升了6.65%、5.55%和6.54%,分别达到96.95%、95.58%和96.65%,查准率分别提高了0.11%、0.08%和0.51%,召回率分别提高了10.25%、9.35%和8.23%。改进后的YOLOv7在对雾天环境下绝缘子、自爆缺陷有较好的检测效果。

基于改进YOLOv5的轻量化玻璃绝缘子自爆缺陷检测研究

为了维持电力传输的可靠性、安全性和可持续性,航拍玻璃绝缘子的自爆缺陷诊断成为电力巡检中一项重要的任务。为此,提出了一种轻量化的玻璃绝缘子自爆缺陷检测模型L-YOLOv5。首先,对主干网络中的残差模块进行轻量化改进,添加深度可分离卷积和1×1组卷积,设计主干网络L-CSPDarknet53,此网络可以有效提高模型检测速度。在特征提取方面,设计了DC-SPP模块,模块中卷积与空洞卷积串联的方式可以在不损失细节信息的情况下增大感受野,提高网络的检测性能。最后,针对自爆缺陷区域小难以检测的问题,提出增加小目标检测层的方法,小目标检测层包含更多缺陷细节信息,更加有利于自爆缺陷的检测。实现结果表明,L-YOLOv5可以快速准确的检测自爆缺陷,其中准确率可达到96.7%,检测速度达到37.4帧/s,相比于YOLOv5网络,准确率和速度分别提升了3.5%和49%。与Faster-RCNN、SSD等常用检测网络相比,L-YOLOv5在绝缘子缺陷识别和定位问题上具有更强的竞争力。

基于视觉的绝缘子定位与自爆缺陷检测

设计了一种绝缘子识别定位与自爆缺陷检测方法。识别定位算法首先使用最大类间方差法对绝缘子进行分割,然后提取绝缘子不变矩特征值,最后使用Adaboost分类器定位绝缘子位置。针对自爆绝缘子的形状特点,设计了计算相邻绝缘子的欧氏距离的检测方法。自爆缺陷检测方法在处理多个自爆点时检测效果较好,准确率达到87%。通过实验得出,方法准确率较好,更加适合在实际场景中应用。

有效的绝缘子自爆缺陷定位方法

为有效检测大量高分辨率航拍影像中绝缘子的自爆缺陷,基于深度学习提出一种自爆定位算法。利用提出的改进SSD算法对航拍影像进行绝缘子精确识别,提取绝缘子所在的矩形区域,提出一种基于K-means和双特征约束法进一步精确提取绝缘子,研究一种最大距离法对提取绝缘子的自爆缺口进行快速有效定位。该方法先识别绝缘子再定位自爆缺陷,可有效缩小自爆缺陷搜索范围提升自爆缺陷的定位准确率。利用实际无人机影像进行实验,实验结果表明,改进的SSD算法可使绝缘子识别平均准确率达到90.59%,最大距离法对自爆缺陷定位准确率可达92.43%,适用于影像分辨率高且背景复杂的绝缘子自爆缺陷自动检测。

基于多尺度特征融合Faster R-CNN的绝缘子自爆缺陷研究

随着无人机巡检技术的发展,无人机拍摄的绝缘子图片数量呈指数增长,亟需一种高效的缺陷识别方法,为此提出一种改进后的深度学习方法。首先,采用多尺度特征融合方法改进传统的Faster R-CNN方法,实现绝缘子小目标的精准识别;然后,结合图像处理方法实现自爆绝缘子的识别和定位;最后,以某500kV输电线路采集的大量绝缘子图片作为数据集对方法进行验证。结果表明,所提方法适用于不同排列方式下的绝缘子缺陷检测,绝缘子自爆缺陷检测准确率为91.3%,检测效率较高。结果可为无人机巡检提供一定的技术支撑。

基于Mask RCNN的绝缘子自爆缺陷检测

针对绝缘子自爆缺陷位置检测问题,提出了一种基于Mask RCNN的绝缘子自爆缺陷检测的方法。通过构造基于Mask RCNN的绝缘子串分割模型,在获取的掩模图像中引入最小外接矩形提取绝缘子串图像,从而搭建基于Mask RCNN的自爆缺陷检测模型,检测绝缘子串中的自爆位置。结合两个模型,将绝缘子串位置及其自爆缺陷位置映射到原图。该方法在绝缘子串分割模型的验证集上,平均Dice达到0.822,在自爆缺陷识别模型的验证集上,平均IOU达到0.835,最终模型对缺陷位置识别准确率达到94.12%。

面向图像的绝缘子自爆缺陷检测算法综述

绝缘子自爆缺陷检测对于保障输电线路的安全具有十分重要的作用,准确快速检测算法能够帮助运维人员快速定位自爆缺陷绝缘子的位置,并及时更换。传统的人工检测方法已无法满足检测的要求,面向图像的绝缘子自爆缺陷检测算法在其检测的准确性和快速性上仍面临着极大挑战,必须进一步对算法进行改进。本文首先介绍了绝缘子自爆缺陷图像的预处理过程,包括了图像分割的方法以及其具体的算法;其次,介绍了绝缘子自爆缺陷图像的特征提取算法、当前绝缘子自爆缺陷检测常用的分类器以及深度学习网络模型;最后,对绝缘子自爆缺陷检测算法进行了总结,并对其发展进行了展望。

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。