无人机巡检图像防振锤缺陷识别技术

针对输电线路外界影响因素过多,导致防振锤缺陷检测精准度较差且效率偏低的问题,提出了一种基于图像表达及像素点坐标的防振锤缺陷智能识别技术。利用非线性映射描述防振锤的细节及轮廓,预估防振锤因受力形变引起的阻尼力、刚度、质量与位移等参数变化情况。利用变换矩阵建立识别坐标系,计算防振锤各轴上关键点的旋转角及动态位姿,与待识别节点中参数表达不一致的节点即为缺陷部位。实验结果表明,所提技术在复杂背景形态下也能实现精准的缺陷识别,且噪声及失真现象的处理效果也较优,具有良好的鲁棒性及适用性。

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。