基于改进FCOS算法的架空输电线路防振锤检测

防振锤是架空输电线路系统中一种重要的电气设备,对防止架空线路因风吹而发生周期性疲劳破坏具有重要意义。航拍图像中,防振锤具有尺寸较小、形态各异、背景复杂多变、检测难度较大等问题。针对这些问题,采用单阶段全卷积目标检测网络(Fully convolutional one-stage object detection,FCOS)来进行架空输电线路防振锤检测。为了提高检测精度,将FCOS特征提取层的各个特征点看作随机变量,用各阶中心矩的组合表达其随机分布,并在此基础上提出了一种基于各阶中心矩的空间注意力机制,来准确描述图像特征的权重分布。试验结果表明,改进后的FCOS在不同阈值下的平均检测精度均高于原始的FCOS,当阈值为0.5时,平均检测精度达到94.9%。同时,该方法在不同阈值下的平均检测精度,大大超过了其他主流的注意力机制。

基于深度学习的高压输电线路防振锤检测

为识别距离较近的防振锤,提出基于改进YOLOv4的防振锤自动检测方法。YOLOv4方法采用具有固定阈值的非极大值抑制方法选取检测框,较低的阈值会导致丢失高度重叠的目标,而较高的阈值则会导致更多的误检。为此,提出动态非极大值抑制方法,并将其应用于YOLOv4目标检测。该方法根据目标周围检测框的统计特性确定出动态阈值,提高边界框选择的准确性,降低高度重叠防振锤检测中的错检和漏检概率。为进一步提高防振锤检测精度,采用分段线性函数作为激活函数,克服YOLOv4算法中Leaky ReLU函数对负值处理不理想且函数曲线不平滑的问题,增强了模型的非线性表达能力。结果表明:基于改进YOLOv4的防振锤目标检测方法能够很好地检测出重叠的防振锤,且检测精度更高。

深度学习在输电线路无人机巡检中识别防振锤缺陷的应用

基于深度学习技术,对无人机巡检架空线路防振锤缺陷识别的应用开展了研究。针对巡检图像背景复杂,防振锤识别目标小、易出现漏检的特点,在更快的基于区域的卷积神经网络(faster region-based convolution neural network, Faster R-CNN)算法基础上,利用光学矫正和综合去噪对图像进行预处理,用深度残差网络(deep residual network, ResNet)提取特征图,增大、增多训练尺度对算法进行优化。通过Gabor滤波器和分析红绿蓝(red green blue, RGB)颜色通道特征分别对防振锤损坏和锈蚀缺陷进行识别。实验结果表明:该方法对防振锤缺陷有较好的识别效果,召回率达到92.56%,精确度达到98.24%,优于现有的其他目标检测方法。