基于注意力机制及滑窗检测的电网散断股识别算法

输电线路长期工作在室外环境,各种部件容易出现不同程度的破损,密切关系着电网的安全运作。随着深度学习技术在计算机视觉领域的发展应用,利用无人机巡检完成输电线路缺陷识别已成为行业热点。针对导地线散断股缺陷识别率低的问题,提出基于注意力机制及滑窗检测的散断股识别算法,通过提升输入图像的质量,以提高目标检测模型的训练效果。经实验验证,检出率较之权重迭代等其他算法平均提升3.4%,误检率平均降低3.6%。

基于GAN的改进RPN输电线路细小金具缺陷检测方法

输电线路在常年使用过程中会受到外界环境的影响,各种部件可能出现不同程度的破损,这给电力系统的稳定运行带来了巨大挑战,因此,输电线路各部件的检测对电力系统稳定运行起着关键作用。随着无人机巡检的广泛应用,基于机器视觉和深度学习的目标检测技术在输电线路缺陷检测领域中的应用,针对输电线路细小金具图像质量差、样本数量少及类别不平衡而导致缺陷识别精确度低的问题,提出了一种基于GAN的改进RPN输电线路细小金具缺陷检测方法。利用生成式对抗网络(Generative Adversarial Networks, GAN)理论搭建了深度卷积网络的细小金具图像生成模型,通过生成器和判别器生成目标图像,丰富训练样本数据集,再基于更快速的区域卷积神经网络(Faster-Region Convolutional Neural Network, Faster-RCNN)目标检测网络训练细小金具缺陷识别模型;其次将Faster-RCNN中基于交叉熵的RPN分类损失替换为Focal loss,并保留所有前景及背景Anchors来训练RPN,提高了细小金具中困难负样本在Faster-RCNN的区域建议网络(Region Proposal Network, RPN)中的分类损失权重。实验结果表明,所提方法能够显著提高缺陷识别精确度,对电力巡检智能化缺陷诊断具有一定的参考价值。