论文部分内容阅读
输电线路巡检作为确保电网安全稳定运行必不可少的枢纽,绝缘子是输电线路的重要器件,其在电力系统中缺陷以及故障频发,需要按时巡检以确保电力系统的安全。无人机巡检作为当今热门的巡检方式,与传统的人工巡检相比,有着巡检速度快、效率高等明显优势。无人机通过搭载高清摄像头可拍摄到大量的巡检图像,这些巡检数据仅通过人工分析与检测,工作量巨大且效率低,而且工作人员的经验和素质可能会影响检测结果。因此,需要一种自动测试方法来诊断绝缘子。在无人机拍摄图像的复杂情景中,实现对绝缘子缺陷的快速诊断是一个急需处理的关键性问题。本文首先选用基于CNN-RFaster算法来检测绝缘子,接着,利用CNN分类网络将检测出的绝缘子分成有缺陷和无缺陷两类从而识别出有缺陷的绝缘子图像。以下是本文所做的主要工作和得到的实验结果:(1)通过电科院收集了包含3类常用的绝缘子,共1091张自然环境下的绝缘子图像样本集,并对绝缘子进行了标定。通过图像旋转、平移、裁剪等方法对绝缘子图像进行了扩充,扩充后的样本增加到了12480张。该数据集可被通用于绝缘子识别以及其他领域图像识别的相关研究中。(2)通过搭建CNN-RFaster实现对绝缘子的检测,解决了传统检测算法鲁棒性不足,泛化能力弱,检测算法精度低的问题。首先通过研究CNN-RFaster的各个部分和不同用途,根据实际的工程需要和硬件配置,实现了对CNN-RFaster各层网络结构的选择和设计,构建了适合的绝缘子网络检测模型。其次将扩充后的样本作为训练样本进行网络训练,结合相关调参技术,最终得出了精确的绝缘子检测网络模型。(3)本文通过CNN算法对绝缘子缺陷进行分类识别,达到对绝缘子缺陷智能和快速诊断的目的。首先利用裁剪层将检测对象裁剪出来,将绝缘子分为有缺陷和无缺陷两类,利用训练完备的卷积神经网络模型作为绝缘子缺陷的分类识别网络对绝缘子缺陷进行分类识别,具有很高的识别率,可以代替人工检测,降低凭巡检员工利用经验产生判断上的错误,从而使电网运行变得更加安全稳定。