无人机图像配电导线断股检测的深度学习方法.docx资源-CSDN文库

版权申诉

5星 · 超过95%的资源 90 浏览量 2023-02-23 20:35:31 上传评论收藏 1.5MB DOCX 举报

资源推荐

资源详情

资源评论

摘要

配电导线的断股易导致断线事故，给用电需要和用电安全带来了极大的负面影响。传统人工检视方

法费时费力，而基于无人机（ unmanned aerial vehicle，UAV）获取导线影像，利用全卷积网

络（fully convolutional network，FCN）深度学习的方法进行配电导线断股快速准确检测可以

事半功倍。首先，顾及断股图像空间低占比特点，利用卷积层代替池化层以减少细节损失，实现改

进 FCN 网络架构构建；其次，通过图像变换方法增强原始数据集，提升网络泛化能力；然后，选

用 BReLU（bilateral rectified linear unit）激活函数，弥补常用激活函数存在的梯度弥散缺陷，

提高准确识别率；最后以某电力配电导线巡检项目为例，训练、优化网络，并对 UAV 获取的图像

进行检测，取得了 93%的正确率。同时，对比分析了该方法与传统方法的检测效果，结果表明了

在配电导线断股智能识别中该方法的鲁棒性和准确性显著占优。

Abstract

The strand breaking of the transmission lines is likely to cause wire breakage

accidents， which has a great negative impact on electricity demand and safety.

The traditional manual inspection method is time-consuming and laborious.

Therefore， this paper proposes a method uses UAV（unmanned aerial vehicle） to

obtain wire images， and using FCN（fully convolutional network） deep learning

method to quickly and accurately identify the broken strands of the distribution

wire. Firstly， we take into account the low bit-occupancy of the broken strand

image space， and use the convolutional layer instead of the pooling layer to reduce

the loss of details. Secondly， the original data set is enhanced by the image

transformation method to improve the network generalization ability； then，the

BReLU （Bilateral Rectified Linear Unit） activation function is used to make up for

the defect of gradient dispersion and improve the accuracy of recognition. Finally，

the network of an electric power distribution conductor inspection project is trained

and optimized as an example， and the images acquired by the UAV are detected，

and a 93% correct detection rate is obtained. At the same time， this paper

comparatively analyzes the detection effect of this method and the traditional

method. The results show that the robustness and accuracy of this method is

significantly superior in the intelligent identification of distribution conductor broken

strands.

译

关键词

深度学习; 无人机; 导线断股; 全卷积网络

Keywords

deep learning; UAV（unmanned aerial vehicle）; broken strand; FCN（fully

convolutional network）

译

电力系统在国民经济生活中的方方面面发挥着不可或缺的重要作用，输电线路担负着电力的输送和

分配，在电力系统中起着桥梁和纽带的作用

［ 1-3 ］

。然而外界自然环境如雷电、冰雪、风振及部分地

质灾害等常常造成输电线路导线断股，严重危害电力系统的正常运行，给国民经济生活造成巨大损

失。因此，及时精确快速查找识别输电线断股就显得尤为重要。

传统的输电线路异常检查可分两类：一类是人工检测法，主要依靠人力沿输电线路目视检测，此方

法费事费力，效率低下，且在山区丘陵等地形复杂区域难以开展工作；另一类是直升机检测法，在

直升机上搭载光学仪器，以红外成像仪和三维激光扫描为主，通过人眼查找红外图像或者三维模型

异常来检测断股故障，此方法依然离不开人工干预，且仪器设备昂贵，维修养护价格不菲，不利于

大范围推广应用。

无人机（unmanned aerial vehicle，UAV）技术的快速发展为电力线路异常故障检测带来了一种

新颖的解决方案

［ 4-6 ］

。无人机搭载相机沿电力线路巡检逐渐取代传统的人工检测法和直升机检测法，

此方法降低了作业成本、提高了工作效率，改变了电力线路巡检的作业模式。无人机可采集海量的

电力线路图像资料，若采用人工判读检测导线断股缺陷，则会耗费大量时间，且判读结果具有一定

的主观性，不利于快速准确检测断股缺陷，不利于发挥无人机电力线路巡检的技术优势。

传统基于图像的输电线断股检测技术主要分为 3 类：①基于目标物边缘的检测技术；②基于目标物

阈值的检测技术；③ 基于目标物区域的检测技术。在基于上述传统图像处理技术的断股检测方面，

国内学者进行了相关研究。仝卫国等

［ 7］

采用 Canny 算子，基于 Freeman 连码和纹理分析相结合

的方法实现了断股识别；杨烁等

［ 8］

通过对图像进行去噪、阈值分割来获取电线边缘特征，基于边

缘异常实现断股检测；齐国顺等

［ 9］

采用已设定模板与目标图像进行对比，利用相似度测量函数检

测断股缺陷位置；李泊等

［ 10］

通过导线轮廓信息实现断股检测，利用形变体检测算法提高了断股检

测的准确度。尽管如此，上述断股检测算法在实际应用中还存在一些不足之处：①没有顾及图像的

空间信息，仅考虑某单一信息，因此合适的阈值选取困难；②对噪音较为敏感，容易出现边界不连

续及双边界的现象；③存在过度分割的问题。

近年来深度学习（deep learing）技术在计算机图像处理领域发展迅速，取得了突破性进展，国内

学者也将其引进电力系统图像处理领域，进行了一些探索性研究。王万国等

［ 11］

利用 RCNN（region

convolutional neural network）深度学习算法实现了电力小部件的识别，分析了多种算法的性

能与效果，验证了基于深度学习的电力小部件识别的可行性；付晶等

［ 12］

利用层次模型“与或图”对

目标进行分解表达，建立部件间的约束机制，构建多向判别的路径方法，实现了电力线路设备缺陷

的检测；刘云鹏等

［ 13］

利用区域建议网络的 Faster RCCN 深度学习算法实现了输变电设备红外图

像发热故障的识别与定位。上述这些研究实现了深度学习算法在电力设备缺陷检测中的实际应用，

尽管部分算法有其一定的局限性，但其为高效快速、精准智能地检测电力设备缺陷提供了一种可行

的解决思路与研究方向。

为此本文提出了一种基于深度学习的无人机巡检图像导线断股检测方法，收集整理无人机巡检图像

数据样本，采用深度学习理论体系中的全卷积网络（fully convolution networks，FCN）算法，

对模型进行训练、优化及验证，最终实现导线断股智能检测。

1 深度学习方法

1.1　基本深度学习原理

深度学习概念是由 Hiton

［ 14］

在 2006 年提出，作为机器学习的一个分支，近十多年来一直是该领

域的研究热点和前沿。深度学习本质是上一种将隐含在多层神经网络结构中的高层次信息进行建模

的方法

［ 15］

。

基于深度学习的图像识别与分类技术的主要特点是仅需要向网络输入大量的原始图像，而不需要人

为设定图像特征，即不需要或者仅需少量的图像进行预处理，而由已设计好的深度网络算法对图像

进行处理，提取高层次的图像抽象信息，从而输出带有像素类别或其他标签的且与原始图像同分辨

率的结果图像。

1.2　全卷积网络

全卷积网络（FCN）算法是由 Long 等

［ 16］

在 2017 年提出，其核心思想是利用全卷积层代替卷积

神经网络（convolutional neural network，CNN）中的全连接层。FCN 网络由下采样和上采样

两部分组成，下采样包括卷积层和池化层，上采样包括反卷积层和 softmax 分类层。CNN 的局限

性在于其全连接层只能接受固定大小的输入图像，而 FCN 可以接受任意大小的输入图像。FCN 在

最后一个卷积层利用反卷积对特征图像进行上采样，在保留原始输入图像细节信息的同时，对输入

图像的每一个像素做出一个预测，即每一个像素对应一个训练样本，从而使得输出图像的大小与输

入图像保持一致，实现了语义级别的图像检测分割

［ 17］

。

2 网络搭建及训练

2.1　网络架构

由于断股部分占整个原始图像的比例相对较低，经过 FCN 网络多次池化之后会造成断股信息细节

损失，不利于提高识别精度。针对上述问题，本文提出了改进方法，即在 FCN 网络下采样中利用

部分卷积层代替池化层，如此可保留更多的断股细节信息，从而提高 FCN 网络对断股的是识别精

度，本文采用的 FCN 网络构架如图 1 所示。

剩余15页未读，继续阅读

评论收藏

内容反馈

版权申诉

m0_75028470

2023-12-04

资源很受用，资源主总结的很全面，内容与描述一致，解决了我当下的问题。

罗伯特之技术屋

粉丝: 3642
资源: 1万+

无人机图像配电导线断股检测的深度学习方法.docx

基于无人机的配电导线断股缺陷检测系统设计与实现.docx

基于深度学习的无人机电网巡检缺陷检测解析.docx

基于深度学习的无人机图像防震锤检测研究.pdf

基于深度学习的无人机入侵检测方法

基于深度学习的无人机巡检图像销钉故障检测.pdf

基于深度学习YOLOv3算法的前车车门打开检测方法及装置.docx

基于深度学习的厨师帽和口罩佩戴的检测方法.docx

基于深度学习的智能安防实时开窗检测报警系统及方法研究.docx

基于YOLOv3多伯努利视频多目标检测跟踪方法.docx

基于深度学习的无人机入侵检测方法.pdf

基于深度学习算法的无人机电力线路杆塔巡检实时目标检测模型建构.docx

基于深度学习的无人机遥感影像船只检测方法.pdf

基于无人机图像以及不同机器学习和深度学习模型的小麦倒伏率检测.pdf

数字图像处理—Hough变换直线检测,matlab实现.docx

基于高斯建模和YoLo V3目标检测的遗留物检测方法.docx

人工智能论文：基于深度学习的目标检测技术综述.docx

一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法.docx

一种基于Hough变换的车道直线检测与合并的方法.docx

基于深度学习的无人机土地覆盖图像分割方法.pdf

基于显著图融合的无人机载热红外图像目标检测方法.docx

医学图像关键点检测深度学习方法研究与挑战.docx

一种基于YoloV3深度学习的双目快速距离测量方法.docx

一种基于YOLO v3神经网络的工业零件检测方法.docx

72 深度学习做AI必须要知道的十种深度学习方法.docx

一种基于YOLOv3深度学习的混凝土裂缝识别方法.docx

一种基于YOLOv3优化算法的交通灯检测方法.docx

一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法.docx

最新资源