基于轻卷积神经网络的电力电缆绝缘损伤图像检测方法

电缆良好的绝缘性是保证电缆安全运行的重要保障。针对传统电力电缆绝缘损伤检测方法存在检测流程复杂和无法大规模整体检测的缺点,本文结合图像无损接触方式和深度学习方法,提出了一种基于深度学习的电力电缆图像破损批量检测方法。该方法创新性地建立了基于残差和深度可分离模块的轻深度卷积神经网络模型,和以往的卷积神经网络模型相比,网络极好地平衡了系统的识别时间和识别精度,能实现高效、无损、快速的大规模电缆外表面多样化异常检测。和传统学习方法和已有深度卷积神经网络模型的实验结果对比表明,本文方法具有良好的实时性、鲁棒性和识别率,识别正确率达到99.47%。

大高差张力场出线的研究

由于受地形限制,牵张场地选择困难,经现场勘查塔位地形环境恶劣、牵张场布置存在较多的转向,且张力机出线至塔位需要跨越两处山脊。N13张力场场地距N13距离较远(约2 km左右),同时张力场场地在当地防火救援备用直升机停机坪附近,给施工带来极大困难且施工安全风险高,故需在N13-张力场之间利用两套座地滑车过渡处理,同时在N13塔腿通过7个转向滑车至张力场。