传输线中的绝缘子长时间暴露在自然环境中，会导致爆炸和损失，从而很容易影响整个传输线的安全性和寿命。鉴于此，本文提出了一种基于深度学习目标检测算法的端到端隔离丢失检测方法，该方法利用了深度卷积神经网络的强大学习能力和大量的卷积神经网络。当标记的样本，以学习如何直接从无人机拍摄航空照片。测到绝缘，并自动区分完全绝缘和缺失绝缘。输线中的绝缘是一种特殊的绝缘控制设备，通常是陶瓷或玻璃，它们可能在传输线中起关键作用，从而损害了传输线的安全性和使用寿命。个传输线[1]。国幅员辽阔，运输线路常常需要穿越山脉和河流。了了解传输线的操作并解决传输线的潜在隐患，电力部门已逐步将无人驾驶线替换为无人机线[2，3]。用无人机检查传输线不受地理和气候等因素的影响，从而节省了大量的劳动力和物质资源。检查过程中，无人机拍摄了大量照片，并且基于这些照片，绝缘检测是一种相对较新的技术。些研究提出了一种改进的FCM算法，以分割绝缘子所在的区域，然后使用连接域标记算法标记每个绝缘子，然后有效地计算绝缘子的数量。关研究也提供了一些文献。出了一种利用梯度信息定位绝缘子的方法。个隔离器的特性基于绝缘子的位置。后进行绝缘子的故障检测。多尺度的基础上，引入了多特征描述子来表示绝缘子。些特性，然后建立隔离器的视觉特性库，通过匹配要检测图像的“粗细”特性的策略来消除背景噪声，并最终确定绝缘子在其中的位置航空影像。前，大多数研究涉及手动设计特征，提取特征以及设计分类器以区分绝缘区域并确定位置。于YOLO深度学习目标检测框架的当前深度和精度，本文直接从输入图像到检测结果设计了一种缺失的端到端绝缘体方法。统的目标检测算法通常分为两个步骤：首先，提取一定数量的目标候选帧，具体的提取方法包括滑动窗口，选择搜索等。次，按照一定的方法提取目标候选帧的图像，对特征进行分类，确定目标候选帧中是否存在物体。YOLO算法将这两个步骤合并为一个过程：由深度卷积神经网络实现，由于没有繁琐的步骤（例如提取目标候选帧），因此提供了更快的处理速度。图1a所示，首先将图像划分为SXS网格。果绝缘子的中心落入网格中，则是由网格来检测绝缘。个栅格负责划分框B的预测以及这些绑定框的置信度得分。置信度得分反映了模型对该网格的预测：如果网格包含绝缘体，则此选择框架的坐标精度是多少。果此网格中没有绝缘，则置信度得分为0，否则它必须是选择框架和绝缘子定义框架的预测过结（IOU）。式。界框由值x，y，w，h4确定。标（x，y）表示预期边界框的中心与网格边界的相对值，坐标（w，h）表示预期边界框的宽度和高度与网格边界的比率。
个图像的宽度和高度。图1（b）所示，在预测边界框时，每个网格还必须提供三个条件类别概率。就是说，对于每个网格，分别预测属于背景，
电缆完全绝缘和缺失绝缘的概率。
网格包含绝缘时，预测其属于完全绝缘或缺少绝缘的可能性必须最大，并且，
电缆如果网格不包含绝缘，则应为最大。能的。图1（b）中，深灰色网格表示预测属于丢失的绝缘，浅灰色网格表示预测属于完全绝缘，黑色网格表示背景。Darknet-19网络用于卷积神经网络的主要模型。VGG网络类似，该网络主要使用3×3卷积内核，并在合并后将通道数扩展一个。时，网络采用NIN（网络中的网络，NIN）的思想，使用3到3个卷积之间的卷积核（1×1）来压缩特征图。于处理，网络前面的卷积层保持不变，并且提取图像的特征。
修改全连接层的最后一层，并根据卷积层提取的图像的特征预测图像中绝缘体的位置。果类别概率值丢失。度学习算法通常需要大量注释数据来形成模型，这使设备可以学习更好的参数以适合输入到输出映射。
此基础上，我们手动选择了约700架无人机航拍照片作为训练数据集。验结果的例子在图2中给出。2.螺纹，塔架等是完整的绝缘子，并且在框上标记以指示缺少的绝缘子。果表明，基于YOLO的绝缘检测算法可以准确地检测无人机无人机照片中的绝缘子，并区分完整的绝缘子和缺失的绝缘子。1列出了100架无人机的航拍照片的实验结果。计结果表明，本文的方法在保持高精度检测的同时，仅需要0.69 s每个图像实现更快的速度。
误检测的主要原因是学习数据集中的照片数量不足。前，仅719张照片用于训练，其中许多照片是同一绝缘体。
些因素意味着该模型没有足够的泛化能力。缘损耗检测的准确性和速度与输电线路运行的稳定性有关，提出了一种基于YOLO的航空航拍隔离器检测算法有效和准确地识别航空照片上的完整隔离器。缺少绝缘子，可以满足工程应用的要求。
本文转载自
电缆 https://www.haoluoyi.com
猜您兴趣
首页
QQ