论文部分内容阅读
在电力的传送过程中输电线路是最为重要的部分,在输电线路上绝缘子是用来连接导线和输电线杆塔的部分,绝缘子大部分是用陶瓷、玻璃或复合材料等制作。为了能使输电线路可以正常的运转,保证绝缘子的完整,成了对输电线维护不可或缺的一步。最近几年,伴随着无人机技术的不断普及,使用无人机对高压输电线路进行巡视已成为在线路的巡视中一种重要的巡检方式。在使用无人机对绝缘子的拍摄过程中,由于绝缘子的背景较为复杂,例如会被杆塔、房屋等障碍物干扰,这些干扰在对绝缘子的定位、检测过程中带来很大的困难。同时由于无人机拍摄数据的庞大,工作人员在凭借肉眼和经验判断的时候,难免会造成很大的误差,这对人力、物力都产生了极大的浪费。因此通过计算机视觉辅助技术对得到的航拍图像进行目标定位、故障判断都显得十分重要的。本文使用深度学习的方法对绝缘子进行定位、是否出现掉片的判别都取得了不错的效果。文章主要进行了以下工作:首先,本文搭建常用的卷积神经网络用来实现对绝缘子的位置检测,基于GPU服务器,使用深度学习常用的方法进行输电线路绝缘子检测算法研究。用Faster R-CNN(Faster Region-based Convolutional Neural Networks)算法进行绝缘子位置的检测,这种方法通过RPN(Region Proposal Network)区域候选网络与Fast R-CNN(Fast Region-based Convolutional Network)检测网络共享全图像卷积特征,实现端到端的检测;虽然对算法的鲁棒性和算法的泛化能力与传统算法相比有所提升,但是准确率却并没能达到理想要求。因此通过一系列的实验寻找最优的网络层数及feature map,进行多卷积层的特征融合,让卷积神经网络在绝缘子定位的准确率上得以提升。其次,在完成了对绝缘子检测的基础上,通过对已预训练过的卷积网络微调(fine.tune),完成了对绝缘子是否发生掉片的判断。通过计算机辅助对故障进行判断,解决了人工对绝缘子查找的工作量过大的问题。在对卷积网络训练的过程中,通过对神经网络学习率、dropout等超参数的调整,最终使网络模型对绝缘子的故障判断能力达到了 98.6%左右。目前绝大多数的绝缘子数据集并没有公开,笔者自行对500幅绝缘子进行位置标注,对1000幅绝缘子图像进行了手工分类,且进行了数据扩充。在对网络的调试过程中,进行了逐步的调试和批量的识别以及对绝缘子完整状态的判别。