| 题名 | 基于深度学习的输电线路缺陷图像识别 |
| 作者 | 徐文想 |
| 答辩日期 | 2021-05-21 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 宋纯贺 |
| 关键词 | 无人机 深度学习 绝缘子串 数据扩增 缺失识别 |
| 学位名称 | 硕士 |
| 其他题名 | Transmission Line Defect Recognition Based on Deep Learning |
| 学位专业 | 检测技术与自动化装置 |
| 英文摘要 | 在电力系统中，输电线路的安全性与可靠性对电力传输的平稳运行具有至关重要的作用，随着无人机技术的日益成熟，无人机巡线代替传统的人工巡线已成电力行业的共识。但无人机巡线会产生大量的图像数据，传统的人工排查方式因检测效率低、检测结果易受主观因素影响等已不足以满足电力行业的需求，因而需要一种智能化、自动化的目标缺陷识别方法。而绝缘子串是高压输电线路具有绝缘和机械支撑作用的一种至关重要的器件，其一旦发生缺陷，可能会使整个输电线路处于瘫痪状态。因而，绝缘子串的识别及其缺陷检测作为电力系统中输电线路巡检的核心部分，具有十分重要的现实意义。然而，在实际生活当中，绝缘子串图像不易获取且公开数据集较少，这给训练基于深度学习的目标识别模型带来了很大的挑战；并且，现有的目标检测算法对长宽比较大的旋转目标识别存在一定的缺陷，如何确定识别大长宽比旋转目标的旋转检测框个数及降低由于多方向带来的高计算量又是一大难题；而绝缘子串的背景繁杂多变，绝缘子串自身形态各异，且易受拍摄角度及光照的影响，这些因素对进一步判定绝缘子串的缺失亦带来了很大的困难。针对上述问题，本文进行了如下三个方面的研究：首先，本文针对数据扩增虽已被广泛应用于深度模型的训练过程中，但尚缺乏数据扩增对目标识别性能影响的定量分析的问题，本文以绝缘子串为研究对象，首次对目前主要的数据扩增方法，包括直方图均衡、高斯模糊、随机平移、目标局部遮挡、缩放、旋转等方法，进行系统性的研究。通过大量的实验表明，上述数据扩增方法均能够提升基于深度学习模型的绝缘子串识别准确度，其中高斯模糊、缩放以及旋转对识别性能的提升效果更为明显，特别是目标旋转对识别结果的影响很大。本文的研究可以作为应用数据扩增方法的有效参考。其次，本文首次分析了检测区域与目标实际区域的夹角对识别结果的影响，发现当目标长宽比很大时，真正识别出的是图像的背景信息，而非真正的目标，从而导致最终识别结果的误识别率高；同时，卷积神经网络克服不了旋转问题，而使用旋转目标框检测旋转目标时，检测框的方向个数不易确定且会带来计算量的成倍增加。针对此问题，本文提出一种在无人机端对拍摄到的绝缘子串进行粗略识别，并根据提出的算法判断绝缘子串的方向，之后将含有绝缘子串的图像及预估方向传送回云服务器端，再在云服务器端对绝缘子串进行精确定位的绝缘子串识别方法。实验结果表明，提出的方法不仅可以更好地识别出图像中的绝缘子串，而且可以有效降低无人机的能量消耗，从而延长无人机得到飞行时间。最后，本文在识别出绝缘子串的基础上，先将绝缘子串从图像当中剪裁出来，再使用基于深度学习的图像分割算法对图像中的绝缘子串进行提取；最终，在提取出绝缘子串的基础上，本文提出一种绝缘子串缺失识别算法，实验结果表明，此算法可以识别出不同背景下的绝缘子串的缺失，且与其它方法相比，具有更高的准确率和召回率。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 66页 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.sia.cn/handle/173321/28944]  |
| 专题 | 沈阳自动化研究所_工业控制网络与系统研究室 |
| 作者单位 | 中国科学院沈阳自动化研究所 |
| 推荐引用方式 GB/T 7714 | 徐文想. 基于深度学习的输电线路缺陷图像识别[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论