论文部分内容阅读
输电线路巡检是保障电网系统安全稳定运行的重要措施,新型的巡检方式会采集到大量的输电线路图像数据,这些图像通常覆盖输电线路上的典型部件,识别与定位这些典型部件对输电线路巡检工作很有意义,可以代替人工巡检工作并及时发现输电线路上的故障。传统的图像处理技术由于对识别目标加入了大量的先验知识,导致其在视野辽阔、背景复杂的输电线路图像上检测效果不佳。卷积神经网络可以自动提取图像的特征信息,对图像具有较强的特征表达能力,这在目标检测任务里得到了广泛的应用,提高了检测算法的准确性和适用性。针对输电线路上的防震锤、螺栓和导线破损,论文提出基于卷积神经网络的输电线路典型部件视觉检测方法,为智能巡检提供理论基础。论文首先从卷积神经网络的基本原理与基本结构出发,分析卷积神经网络作为图像特征提取器的可行性和有效性,并阐述基于卷积神经网络的两阶段目标检测算法和单阶段目标检测算法。为了保障输电线路上典型部件检测的准确性,论文建立了输电线路图像数据集,用于检测算法的训练和测试。针对输电线路图像的背景复杂、尺度变化大等特点,论文提出了基于YOLO V3卷积神经网络的输电线典型部件检测算法。首先对YOLO V3算法原理进行研究,包括它的主体网络、多尺度融合预测、锚框机制和边界框预测。为了进一步提高算法的分类准确性和定位精确性,在YOLO V3网络中加入DropBlock层和GIoU损失函数。通过多个实验对比,改进的YOLO V3算法在检测输电线路典型部件时,其准确率和召回率较原YOLO V3算法提高约4.1%,并在小目标较多和目标遮挡的情况下,检测效果都得到了显著的改善。经过测试所得,改进的YOLO V3算法检测速度约为31FPS/s,达到实时检测的要求。最后利用YOLO V3算法对防震锤与螺栓的检测结果,进一步检测输电线路上防震锤的形变和螺栓的锈蚀,实现典型部件的缺陷检测。利用目标检测算法识别与定位输电线路图像中的典型部件,并检测出这些部件是否存在缺陷,实现了输电线路状况的实时监测,提高了输电线路巡检工作的智能化程度。