论文部分内容阅读
为满足国家工业、科技产业的发展需求,我国的电力规模不断扩张,而因此带来的运维成本也逐年上升。同时近年来5G技术、无人机技术和人工智能技术的快速发展,催生了智能电网概念并推动其快速发展,使得无人机巡检输电线路得以有效应用,智能巡检也已成为电力巡检发展的必然趋势。本文主要研究了无人机巡检输电线路图像中关键组件和缺陷的实例分割算法,以及部分组件的信息量化方法。本文首先介绍了无人机电力巡检的应用情况以及深度学习的实例分割算法发展现状。之后,针对成像差、低对比度的无人机图像,本文提出采用暗通道去雾和自适应伽马校正进行图像增强。同时采用多种在线随机数据增强方法扩充训练数据集,丰富小样本数据集的位置多样性和背景多样性。在电力组件和缺陷的检测和分割任务上,针对对象特点选用Mask R-CNN算法作为基础的实例分割算法。同时为解决算法对高分辨率无人机图像中的长目标的定位精度差和小目标检测精度低的问题,采用路径增强结构和自适应池化结构提高不同层级特征图的利用率,并设计包含分组思想和通道注意力机制的特征提取网络。最终优化后的算法相对Mask R-CNN算法在测试集上平均检测精度提升了9.3%。在玻璃绝缘子的信息量化研究上,本文采用实例分割算法结合不变矩特征对玻璃绝缘子类别、片数以及自爆片数进行统计。同时为降低标注的工作量,提出了基于聚类和分水岭算法的玻璃绝缘子片的辅助标注方法。而对于金具的信息量化,先通过颜色保持的去光照算法降低阴影对于金具信息量化的干扰。然后采用超红色算法结合HS分量统计算法实现对锈蚀程度的百分比量化。并借鉴人体骨架点检测思想,采用深度学习关键点检测算法定位关键点来量化悬垂线夹偏转角并结合透视变换修正角度。本文实验测试了对无人机巡检图像中组件的分割效果和缺陷的检测精度,并评估了信息量化的准确率,验证算法具备较好的精度和较强的抗干扰能力,并将算法实现在可视化界面上。