论文部分内容阅读
电力部件的完好无损是整个输电系统能够正常运行的前提之一,高压输电线路的巡检有助于及时的发现电力部件的各种故障,从而保障电网的稳定运行。无人机在输电线路巡检中的应用使得巡检过程突破了地形的限制,提高了巡检效率。但是在现阶段的无人机巡检过程中,对各种故障的判断识别主要由人力进行,因此运用图像处理技术在无人机巡检图像中进行故障的自动识别是现在一个研究热点,而想要在巡检图像中对输电线路故障进行自动判断识别,对图像中电力部件的准确识别是前提。因此,本文对输电线路无人机巡检图像中电力部件的识别方法进了研究。主要研究内容如下:针对无人机在拍摄图像和图像传输过程中存在噪声的问题,经过对巡检图像中噪声特点的分析,采用了去噪效果较好的双边滤波算法对无人机巡检图像进行去噪处理;针对部分无人机巡检图像存在亮度不足的问题,选取MSRCR算法对亮度不足的图像进行增强。通过图像去噪和增强,使得图像中的信息展现得更加准确,为后续输电线路无人机巡检图像中电力部件的准确识别打下了基础。针对高压输电线路中绝缘子串目标,提出了一种基于SIFT-BOW特征的巡检图像中电力部件识别方法。方法首先通过选择性搜索提取候选区域,然后提取图像的SIFT特征向量,并通过词袋模型将整幅图像的SIFT特征转化为一个高维向量,最后通过SVM分类器完成目标的识别。实验结果表明,“SIFT-BOW+SVM”的方法对绝缘子样本的识别准确率达到89.3%;在完整无人机巡检图像的测试中,“SIFT-BOW+选择性搜索”方法的精确率为0.721,召回率为0.681,识别时间18.3秒/张,识别速度上相较于应用滑动窗口提取候选区域的方法得到了较大的提升。采用基于深度学习的目标检测算法对高压输电线路中的绝缘子串、均压环和分线夹三种电力部件进行识别。在darknet深度学习框架下通过去除大特征图检测环节对YOLOv3算法进行精简,得出两尺度的YOLOv3算法。在tensorflow深度学习框架下的应用Faster R-CNN目标检测算法对无人机巡检图像中的三种电力部件进行识别,在darknet深度学习框架下应用YOLOv3目标检测算法和两尺度YOLOv3算法对无人机巡检图像中的三种电力部件进行识别,然后对三种方法的识别效果进行对比。实验结果表明:Faster R-CNN的mAP值为0.8354,召回率为0.88,识别速度为185.3ms/张;YOLOv3的mAP值为0.879,召回率为0.87,识别速度为36.85ms/张;两尺度YOLOv3的mAP值为0.863,召回率为0.86,识别速度为30.75ms/张。应用Python语言的GUI库Tkinter和OpenCV的dnn模块完成GUI识别界面的制作,并完成识别测试。通过实验对比可以发现,基于深度学习的识别方法在对电力部件的识别中准确率更高,识别速度更快。本文的研究为后续利用图像处理技术对输电线路中的故障识别打下了坚实的基础。