没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
试读
37页
摘要 输电线路是国家电力系统中负责电能输送的一个重要的组成部分。架空输电 线路长期经历着电闪雷击、风吹日晒、污秽、雨雪及沉陷等外界环境的侵害。目 前传统的电力巡检仍是人工巡检,新型技术利用无人机搭载高分辨摄像机,近距 离拍摄线路及其关键部件获取航拍图像来代替人工巡检。其中,航拍图像中输电 线路部件的识别及缺陷检测是关键技术也是技术难点。本文提出一种利用 Mask R-CNN 技术提取绝缘子串珠的掩膜图像、采用 Yolo-v3 和 Yolo-v4 进行对照,通 过神经网络模型对其绝缘子自爆区域进行特征提取,特征判断,识别定位。具体 流程如下:针对问题一中绝缘子串珠分割,本文根据不同绝缘子类型进行图像类别划 分,通过图像分割优化模型对小目标进行数据集制作。采用 Mask R-CNN 为框架 构建了深度学习算法,并以算法为核心搭建了绝缘子串图像检测平台。最后选取 数据集 80%进行模型训练,20%进行测试,使用极大值抑制算法,得出最佳先验 框(best_anchor),对经过模型得出的绝缘子掩模图与官方的绝缘子掩模图进行 计算,求出评价模型的 Dice 系数为 0.83
资源详情
资源评论
资源推荐
基于 Mask R-CNN 及 Yolov4 的电力巡检中绝缘子缺陷研究
摘要
输电线路是国家电力系统中负责电能输送的一个重要的组成部分。架空输电
线路长期经历着电闪雷击、风吹日晒、污秽、雨雪及沉陷等外界环境的侵害。目
前传统的电力巡检仍是人工巡检,新型技术利用无人机搭载高分辨摄像机,近距
离拍摄线路及其关键部件获取航拍图像来代替人工巡检。其中,航拍图像中输电
线路部件的识别及缺陷检测是关键技术也是技术难点。本文提出一种利用 Mask
R-CNN 技术提取绝缘子串珠的掩膜图像、采用 Yolo-v3 和 Yolo-v4 进行对照,通
过神经网络模型对其绝缘子自爆区域进行特征提取,特征判断,识别定位。具体
流程如下:
针对问题一中绝缘子串珠分割,本文根据不同绝缘子类型进行图像类别划
分,通过图像分割优化模型对小目标进行数据集制作。采用 Mask R-CNN 为框架
构建了深度学习算法,并以算法为核心搭建了绝缘子串图像检测平台。最后选取
数据集 80%进行模型训练,20%进行测试,使用极大值抑制算法,得出最佳先验
框(best_anchor),对经过模型得出的绝缘子掩模图与官方的绝缘子掩模图进行
计算,求出评价模型的 Dice 系数为 0.83。
针对问题二中绝缘子自爆识别和定位,对 35 张原始含有自爆区域高分辨率
图像,经由图像分割、图像增强、归一化大小等对图像进行预处理,将得到的数
据集用 LabelImg 工具进行标记,将标记后的数据集制作为 VOC2007 格式,随机
选取 80%数据集进行模型训练,20%数据集放进 Yolo-v3 和 Yolo-v4 神经网络进行
模型测试,训练至 loss 函数收敛,并用 Mean AP(平均精度均值)计算得出正确
率为 94.7%,与 GroundTruth 绝缘子自爆区域进行对比得出该模型平均 IOU(重
叠度)为 82.5%。
关键词:电力巡检,缺陷检测,Mask R-CNN,掩膜,Yolo-v4,识别定位
Abstract
Transmission lines are an important part of electric power transmission in
national power system.The overhead transmission lines have long been damaged by
lightning, wind and sun, pollution, rain and snow, and subsidence.At present, the
traditional electric power inspection is still manual inspection. The new technology
USES unmanned aerial vehicles (uavs) equipped with high-resolution cameras to
capture aerial images of circuits and key components in close range to replace manual
inspection.Among them, the identification and defect detection of transmission line
components in aerial images are key technologies and technical difficulties.In this
paper, a Mask image of insulator beads is extracted by using Mask r-cnn technology,
compared with Yolo-v3 and Yolo-v4, and features of the self-exploding region of the
insulator are extracted, identified and located by using neural network model.The
specific process is as follows:
For the first question,insulator bead segmentation, the image classification is
carried out, and the data sets of small targets are made by the image segmentation
optimization model. A deep learning algorithm is constructed by using Mask R-CNN
as the frame, and an insulator string image detection platform is built with the
algorithm as the core. finally ,80% of the data set is selected for model training ,20%
is tested, and the best prior frame (best_anchor) is obtained by using the maximum
suppression algorithm. the insulator mask obtained by the model and the official
insulator mask are calculated. the Dice coefficient of the evaluation model is 0.83.
For the second question, insulator self-explosion recognition and localization,
first for 40 data original image, the image is preprocessed by image segmentation,
image enhancement, normalized size, etc. the obtained data set is labeled with
LabelImg tools, and the Yolo-v4 neural network is used to build the model. finally, the
labeled data set system is used as the VOC2007 format ,80% is randomly selected for
model training ,20% is trained to loss function convergence, and the correct rate is
94.7% calculated by using Mean AP (mean precision). compared with the
GroundTruth insulator self-explosion region, the average iou( overlap) of the model is
82.5%.
Keywords: Electric power inspection,Defect detection ,Mask R-CNN,mask,Yolo-v4,
identify location
目录
一、 绪论........................................................... 1
1.1 研究背景..................................................... 1
1.2 国内研究现状................................................. 1
1.3 研究目标及流程............................................... 1
二、 数据预处理..................................................... 3
2.1 图像分割..................................................... 3
2.2 图像金字塔................................................... 4
2.3 数据增强..................................................... 4
2.4 归一化图像大小 .............................................. 5
三、 绝缘子串珠图像分割............................................. 6
3.1 Mask R-CNN 神经网络结构 .................................... 6
3.2 训练样本的制作及标注 ........................................ 6
3.3 Mask R-CNN 训练过程 ........................................ 8
3.3.1 部分训练参数设置 ....................................... 8
3.3.2 训练过程 ............................................... 9
3.4 Mask R-CNN 训练结果分析 .................................... 9
3.4.1 检测及分割过程......................................... 9
四、 绝缘子自爆区域识别与定位...................................... 11
4.1 数据集制作.................................................. 11
4.2 样本标记及分类.............................................. 11
4.3 基于 Yolo-v3 的自爆区域识别与定位 ............................ 13
4.3.1 Yolo-v3 网络结构 ...................................... 13
4.3.2 Yolo-v3 训练过程可视化分析 ............................ 14
4.3.3 Yolo-v3 训练结果分析 .................................. 15
4.4 基于 Yolo-v4 的自爆区域识别与定位 ............................ 17
4.4.1 Yolo-v4 网络结构 ...................................... 17
4.4.2 Yolo-v4 训练可视化分析 ................................ 18
4.4.3 Yolo-v4 训练结果分析 .................................. 20
4.5 Yolo-v3 与 Yolo-v4 的结果对照 ................................ 22
4.6 小目标预测策略.............................................. 23
4.6.1 高分辨率图像直接预测 .................................. 23
4.6.2 等比例分割............................................ 24
4.6.3 滑动窗口以及 NMS ..................................... 26
五、 总结与展望.................................................... 31
参考文献........................................................... 33
1
一、绪论
1.1 研究背景
架空线路巡检是长期以来,绝缘子串珠经受极其恶劣的天气条件,难免会出
现缺陷。为保障我国输配电网正常运行,架空线路巡检是保障人们电路网正常的
必要手短。传统的巡线缺陷检测方式为人工巡视,但架空线路巡检常常需要在高
处巡检故障区域,工作量多,需要定期打扫脏污的绝缘子,任务强度大,且十分
危险。
随着我国科学技术不断发展,无人机技术得到越来越广泛的应用。用无人机
配置高分辨率相机获取航拍图像代替人工巡线,可以大大降低了电力巡视的强
度,大大提高了恶劣环境下巡检的质量和效率,有效的避免了人工巡视中存在的
危险。
1.2 国内研究现状
近年来国内针对绝缘子串珠的识别与分割的研究也有不少,基于传统图像识
别方法有,黄新波等人
[1]
提出了基于改进色差法的复合绝缘子图像分割,基于图
像颜色特征,将绝缘子不同环境下的图形学颜色进行色度的分割。基于深度学习
方法识别分割绝缘子的有,吕易航等人
[2]
的航拍图像中绝缘子串检测、分割与自
爆识别,通过 Faster R-CNN 分割出绝缘子串,通过改进算法的 Faster R-CNN 网
络实现绝缘子自爆区域的识别。
1.3 研究目标及流程
本文同样以绝缘子为研究对象,采用 2018 年 Kaiming He 等人
[3]
Mask R-CNN
v3 神经网络模型作为分割绝缘子串珠主要研究方法,采用堪称 yolo 之父的 Joseph
Redmon 的 Yolo-v3
[4]
神经网络模型以及 Alexey Bochkovski 最新的 Yolo-v4
[5]
作为
绝缘子自爆区域识别的对比方案。利用现有的 40 张无人机航拍高分辨率原图,
拟解决以下问题:
(1)分割出绝缘子串珠图像,包括玻璃绝缘子、复合绝缘子等类别,获取
其掩膜图像。
(2)识别定位绝缘子自爆区域,包括玻璃绝缘子、复合绝缘子等类别,获
取其 Boundbox。
针对于任务一,具体研究流程如图 1.1 所示。本文主要研究过程分为三部分。
剩余36页未读,继续阅读
学电子很轻松
- 粉丝: 18
- 资源: 9
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0