基于显著性加强和YOLOv5算法的输电线路异物快速识别方法研究

输电线路是电网中非常重要的一部分,它是电力转移和传输的载体。但是在输电线路上会经常出现异物,进而导致输电故障,造成经济损失和安全隐患。输电线路异物的快速识别能够及时发现隐患,避免故障产生。为此,提出一种基于显著性加强和YOLOV5算法的输电线路异物快速识别方法。结合某地区的输电线路检修相关图像数据进行验证,结果表明,该方法能够很好地提高输电线异物识别的精准度和速度。

一种基于CNN与FFT‑ELM的输电线路故障识别与定位方法

及时、准确地检测输电线路故障类型与位置是提高电力系统可靠性最重要的问题之一,为此提出一种基于卷积神经网络(convolutional neural networks,CNN)与基于快速傅里叶变换(fast Fourier transform,FFT)的极限学习机(extreme learning machine,ELM)分类模型并行的输电线路故障识别及定位方法。首先,以故障电压时序图作为输入,构建CNN;然后,利用FFT将时域故障电压数据分解,提取各频段的电压峰值与相角作为故障特征样本;接着,以提取的故障特征样本集作为输入,构建ELM网络;最后,通过特征融合层将2个神经网络进行融合,输出故障类型和定位结果。实验结果表明,此方法对输电线路故障识别的准确率为99.95%、故障定位误差在500 m以内、平均误差为263.5 m,可靠性优于其他模型。

架空输电线路无人机巡检图像目标快速识别研究

通过传统架空输电线路巡检方式获取到的图像存在多种因素的干扰,导致巡检目标识别效率低。因此,提出架空输电线路无人机巡检图像目标快速识别方法。通过无人机技术获取架空输电线路的高清图像,图像存在光照、颜色等因素对目标识别的干扰,所以对图像进行归一化处理。计算图像中每个目标的形心,结合形心计算结果构建无人机巡检图像目标快速识别模型,利用该模型高效地识别输电线路中的各种目标。实验证明,所提方法的架空输电线路无人机巡检图像精度高且时间短,能够为架空输电线路的巡检提供有力支持。

基于深度学习的架空输电线路异物定位识别方法

传统方法在架空输电线路异物定位识别中应用效果不佳,不仅异物正确定位识别次数比较少,而且识别时间比较长,无法达到预期的异物定位识别效果,因此,文章提出基于深度学习的架空输电线路异物定位识别方法。采用无人机航拍技术采集输电线路图像,采用图像分割算法对原始图像进行分割处理,提取异物图像目标区域并对目标区域中值滤波进行处理。利用深度学习网络模型提取输电线路轮廓特征,通过特征比对判断输电线路是否存在异物,并利用欧式距离定位到异物位置。经实验证明,该设计方法正确识别次数较多,且识别时间较短,在架空输电线路异物定位识别方面具有良好的应用前景。

基于航拍图像的输电线路异物识别

为提高无人机电网巡线故障点排查的效率,针对输电线路走廊悬挂异物的潜在故障,提出一种可从大量航拍输电线路图像中筛选出挂有异物的图像的方法.基于形态学算法改进Otsu(最大类间方差)自适应阈值分割算法分割图像背景,提出一种新的基于输电线路特征的滤波方法进一步滤除背景;通过梯度法获取电力线的边缘,选取Hough变换累加器中局部极大值个数与最终检测到的线路数量作为异物特征向量来识别异物.最后,开发出批处理系统识别验证.结果表明,该算法能将挂有异物的电力线图像准确识别,为输电线路可靠性提供保障.

基于TensorFlow的高压输电线路异物识别

针对传统异物识别准确率较低的问题,提出一种基于TensorFlow的深度卷积神经网络的异物识别模型。将巡检图像进行图像灰度化和尺寸压缩等预处理,并采用三维块匹配滤波(BM3D)算法进行图像去噪得到实验所需的训练数据。提出基于TensorFlow的深度卷积神经网络框架,通过使用框架中的TensorBoard模块设计深度卷积神经网络模型结构与优选模型参数,并针对ReLU激活函数与特征权重进行理论分析。实验结果表明,经过15次迭代训练后,深度卷积神经网络比传统的支持向量机(SVM)、极限学习机(ELM)和BP神经网络算法具有更强的巡检图像识别能力;与经典的LeNet-5和VGGNet模型以及相关文献中的模型相比,所提模型更具有优越性。

基于相邻帧差法的输电线路异物目标检测研究

针对输电线路异物目标检测时存在因目标区域阈值设定不准确导致准确率低的问题,提出一种基于相邻帧差法的输电线路异物目标检测方法。首先,针对输电线路异物提取问题进行分析。然后,以相邻帧差法为基础,采用仿射聚类算法进行优化聚类,从而实现实际目标像素的精确提取。最后,利用试验证明所提方法的先进性。试验结果表明,所提检测方法可使像素提取的准确率提升30%左右、异物识别的准确率提升23.48%。所提检测方法将相邻帧差法与仿射聚类法相结合,对输电线路电线周围异物目标特征提取过程进行创新,完成了异物目标的识别及检测。该研究提升了输电线路在线监测的有效性,为后续输电线路异物检测、异物预警提供了参考。

基于霍夫直线变换的输电线路异物识别应用研究

本文主要针对输电线路上的漂浮异物搭挂潜在故障进行图像识别研究,提出利用霍夫直线变换对输电线路进行提取,然后对输电线所处的小块区域进行卷积操作,结合实际误差来对输电线路异物进行识别。通过及时定位输电线路安全隐患点和故障点,缩短巡检周期,提升检修工作人员的工作效率,降低巡检人力成本,进一步增强输电线路相关设备的状态巡维能力,为有效监测分析奠定基础,具有较高的工程应用价值。

输电线路异物入侵告警系统的研究

输电线路作为电能输送的重要途径,其运行状态与电能质量的好坏密切相关。由于架空输电线路通常利用杆塔作为机械支撑,高度一般在15 m左右,这个高度决定了威胁其运行状态的异物种类较少,但研究输电线路异物入侵仍具有重要的应用价值。因此将背景建模法和图像差分法作为异物入侵的识别算法,该算法提高了识别的速度,最后验证了识别算法的正确性。

基于数字图像处理的电力线异物识别方法研究

针对架空线路异物搭挂的潜在威胁,本文提出一种快速识别航拍图像中异物的方法。首先运用直线段检测(LSD)算法从预处理后的图像中提取电力线,并基于架空导线上异物特征设计针对异物的识别算法,提取导线异物;接着对其进行边缘检测,提取缺陷画框并在巡检图像中标识;最后,通过多组样本数据对算法实用性能进行评估。实验结果表明,该方法能对输电导线上搭挂异物的情况进行有效识别,在无人机电力巡检中具有一定的应用价值。