基于自适应Canny边缘检测的输电导线检测算法

针对输电线路巡检机器人自主巡检过程中从复杂地面环境识别输电导线困难的问题,提出一种基于自适应Canny边缘检测的输电导线检测算法.首先,通过图像预处理方法进行图像增强处理,提高对比度,突出直线特征;其次,基于阈值自适应的Canny边缘检测方法提取输电导线图像边缘信息,通过k-means聚类合并识别边缘段;最后,分析输电导线特征,进一步实现巡检机器人对输电导线的准确提取.结果表明,与基于Hough变换实现的输电导线检测方法相比,该算法在不同地面背景及距导线不同高度条件下均有较高识别率,能够满足巡检机器人导线实时检测要求.

基于深度学习的架空输电导线缺陷检测方法研究

无人机巡检图像中,架空输电导线断股、表面磨损等缺陷存在人工复检效率低、误检漏检率高的问题,为此提出了一种基于深度学习的架空输电导线缺陷智能检测方法。该方法以Unet为基础网络,结合迁移学习的思想,将VGG16(visual geometry group,16 weight layers)作为主干特征提取网络,并且将VGG16在ImageNet数据集上训练的权重作为预训练权重,以增强训练效果;然后将网络中的普通卷积用深度可分离卷积代替,有效地减少了网络的参数量;最后引入轻量级的高效通道注意力模块(efficient channel attention,ECA),实现不降维的局部跨信道交互策略,突出重要特征的同时克服了性能和复杂性之间的矛盾。在自建的输电导线缺陷数据集上,对方法进行了功能与性能测试,实验结果表明所提方法在导线断股检测上的准确率达到89.81%,在表面擦痕检测上的准确率达到90.86%,在表面刮损检测上的准确率达到93.58%,平均交并比(mean intersection over union,MIoU)值为86.12%,单张检测速度相对于Unet网络提升了8倍左右,提高了网络检测速度和检测精度。

基于DeepLab v3+深度卷积网络的输电导线图像识别方法

输电导线图像识别是电力设备自动巡检过程中的重要环节。针对传统导线检测方法需人工设计目标特征、抗干扰能力差等问题,提出一种基于深度卷积网络(DeepLab v3+)的输电导线图像识别方法。首先,采用DeepLab v3+网络模型,实现导线的初步识别。通过多层卷积自动学习导线特征,并通过解码器结构融合导线低层的细节特征与高层的语义特征,较好地实现导线像素分割。然后,针对识别结果中存在的断裂和伪导线问题,采用改进的最小点对法和长度阈值法进一步精细化处理。最后,采用八方向搜索法提取每一条导线并编号。实验结果表明,所提方法能很好地提取出输电线路图像中的导线。