没有合适的资源?快使用搜索试试~ 我知道了~
无人机图像配电导线断股检测的深度学习方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
5星 · 超过95%的资源 1 下载量 90 浏览量
2023-02-23
20:35:31
上传
评论
收藏 1.5MB DOCX 举报
温馨提示
试读
16页
无人机图像配电导线断股检测的深度学习方法.docx
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。
图 1 导线断股检测 FCN 构架
Fig.1 FCN Framework for Strand Broken Detection
下载: 原图 | 高精图 | 低精图
2.2 网络训练
2.2.1 数据集增强
为了提高网络的泛化能力,同时避免过度拟合问题,本文采用剪切、翻转、旋转操作对图像进行增
强处理,获得尽可能多的图像,以提高强网络的旋转不变性特性。其中剪切操作以导线断股位置为
中心,保留尽可能多的断股细节信息。图 2 为经过增强处理后的图像数据集。
剩余15页未读,继续阅读
资源评论
- m0_750284702023-12-04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+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
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
最新资源
- python-leetcode面试题解之第198题打家劫舍-题解.zip
- python-leetcode面试题解之第191题位1的个数-题解.zip
- python-leetcode面试题解之第186题反转字符串中的单词II-题解.zip
- 一个基于python的web后端高性能开发框架,下载可用
- python-leetcode面试题解之第179题最大数-题解.zip
- python-leetcode面试题解之第170题两数之和III数据结构设计-题解.zip
- python-leetcode面试题解之第168题Excel表列名称-题解.zip
- python-leetcode面试题解之第167题两数之和II输入有序数组-题解.zip
- python-leetcode面试题解之第166题分数到小数-题解.zip
- python-leetcode面试题解之第165比较版本号-题解.zip
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
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