论文部分内容阅读
随着电网规模的不断扩大,架空输电线路的架设长度不断增加,电网巡检及维护的工作量也在不断增多。无人机搭载影像设备广泛应用在电网巡检中,通过运用图像处理技术能够对架空输电线路进行全方位巡检,对于及时发现线路中的安全隐患、确定零部件的缺陷有极大的帮助。绝缘子作为电力系统中重要的零部件采用传统人工肉眼观看的检测方式,检测效率低下,漏检率高,因此本文针对绝缘子缺陷检测进行了研究。首先基于形态学对绝缘子进行缺陷检测,其次利用先定位后检测的方式研究联合缺陷检测算法,分别采用基于双特征的Adaboost算法和基于改进Faster R-CNN算法对绝缘子进行定位研究,采用基于残差神经网络(Res Net-50)的算法对定位后的绝缘子进行缺陷检测。本文的主要研究内容如下:1.基于形态学的绝缘子缺陷检测,先将原始图像从RGB色彩空间转换到HSV色彩空间并采用最大类间方差法进行阈值分割,然后运用形态学处理提取出完整干净的绝缘子串。最后采用直线拟合的方式确定绝缘子位置并依此建立模型,根据绝缘子图像在对应位置上的像素个数判断绝缘子缺陷情况。2.基于双特征的Ada Boost分类的绝缘子定位,通过提取Haar特征与HOG特征共同训练Adaboost分类器,并对HOG特征采用块大小可变、Fisher准则的降维及积分直方图的快速计算三种优化策略。经过试验结果得出,该方法只用564个弱分类器便可实现对绝缘子的定位,最终算法的错检率为8.3%,漏检率为12.4%。3.基于改进的Faster R-CNN绝缘子定位算法,该算法通过多层卷积特征融合,提高算法对目标特征的提取能力,改进了锚框的比例,并减小锚框尺寸从而提升对小尺度绝缘子的识别能力,在训练过程中加入了多尺度训练和在线难例挖掘,通过30000张的样本数据进行训练,最终平均精度均值(m AP)达到93.6%比原始算法Faster R-CNN高出6.8%。4.将以上两种定位算法分别与基于残差神经网络(Res Net-50)缺陷检测算法进行联合,最终得出采用改进的Faster R-CNN算法定位的联合缺陷检测算法比基于双特征的Adaboost算法进行定位的联合缺陷检测算法准确率高出16%,并且联合检测的整体时间减少0.76s。