基于深度学习的绝缘子缺陷检测.pdfVIP

摘 要 现代社会中所有生产生活都与电息息相关，在巨大的用电量需求下，电力系 统的规模不断增大，超高压输电线路应运而生。对于输电线路来说，对设备的实 时监测和维修是保证电力安全的关键。而绝缘子长期在恶劣的自然条件下工作， 很容易产生故障，每年电网停运事故有一半以上是由绝缘子故障引起的。因此， 定期对绝缘子进行故障检测，对于输电线路正常运行有着重要意义。 本文以无人机巡检过程中得到的绝缘子图像为对象，首先把图像由RGB色 彩空间转换到灰度空间，在不改变其特征的情况下，减少了计算量：接着对图像 进行直方图均衡化处理，使得图像内每个灰度级的分布更加均匀，增强了目标和 背景的区分度，便于特征提取：最后对图像进行滤波，目的是在保留目标边缘信 息的基础上消除孤立噪声点。选取非线性滤波进行处理，接着分别使用不同模板 大小的中值滤波和双边滤波对图像进行处理，通过其峰值信噪比(PSNR)数值来评 价滤波效果，对多张图像进行处理和数据对比后，最后选择效果最好的卷积核为 5x5的中值滤波模板来进行处理。 接着对目标识别领域常用的网络架构进行了介绍和分析，主要对比了 Faster R．CNN家族和YOLO的检测速度、精度，并分析它们的错误类型，前者要 比后者的检测精度高6．1％，但后者的检测速度要高出二十多倍，同时考虑到巡检 产生的数据量十分庞大以及实时检测的发展需求，选择了YOLO算法作为本文研 究的基础框架，在接下来的研究中，结合检测目标的特点，针对它精度较低的缺 点进行改进。 在绝缘子目标识别方面，先是根据绝缘子形态大小各异的特点，将初始框的 生成算法替换为对初始点敏感性较低且结果更稳定的Kmeans-F-t-算法，更好地拟 合了训练集目标框的分布，将原始网络mAP值0．937提升到0．951。然后在训练 过程之前，调用了在ImageNet数据集上的预训练模型参数来帮助绝缘子数据集的 训练，改进后的网络收敛速度也要快于原网络，达到收敛需要的迭代周期少于原 网络。同时针对同样的迭代次数，迁移后的网络mAP也要高于原网络，说明更 容易使网络收敛且收敛效果更好。改进后的网络在检出率上略高于原网络，且在 识别置信率表现上要更加优秀。 为了提高模型的泛化性能，模拟目标被障碍物遮挡的情况，本文还对绝缘子 数据集进行随机擦除处理，并结合了其它增广手段，使得最后训练好的模型面对 被遮挡的绝缘子图片也有较好的识别效果。最后介绍了训练过程中几个重要参数， 根据第一次的训练结果，对超参数进行微调，对比得到了最优结果。 在绝缘子目标识别的基础上，进行了缺陷识别网络构建，首先对比测试了五 个常见网络模型在绝缘子缺陷识别上的正确率，借鉴了效果最好的DenseNet特征 提取网络算法思想，对每个卷积层进行紧密连接，以提高特征复用率，同时减少 计算量。在目标检测方面，借鉴FPN算法思想，对项层特征图和底层特征图进行 融合，既可以对全局信息有更好的把握，又能得到更多的细节信息，提升了小目 标检测的准确率，并且对每个融合之后的特征层都进行了独立预测。最后分析了 模型各项指标，本文所构建的模型准确率和精确率等各方面均优于原模型。 图【47】表【9】9参[82] 关键词：深度学习；预处理；迁移学习；特征提取；多层特征融合 分类号：(TP391．4) 目 录 摘 要……………………………………………………………………………………………………l Abstract．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．III 1 绪论………………………………………………………………………………………………………1 1．1研究背景与意义…………………………………………………………1 1．2国内外研究现状…………………………………………………………3 1．2．1无人机巡检…………………………………………………………3 1．2．2绝缘子故障识别……………………………………………………5 1．3本文的主要研究内容及结构……………………………………………。7 2电力线路无人机航拍图像的预处理方法………………………………………9 2．1色彩空间转换………………