关键词:
输电线路
深度学习
目标检测
边缘检测
覆冰厚度计算
摘要:
我国具有世界上最多样的自然环境,由此引发的各种自然灾害,给电网的安全运行带来了巨大挑战,其中线路覆冰就是主要威胁之一。为确保供电的安全性、稳定性和可靠性,定期对输电线路巡检十分重要。近年来,随着无人机应用在巡检工作中,采集的海量图像数据需要被快速处理,而传统的图像处理方法存在检测精度低、处理速度慢的问题。因此,研究一种能够在海量巡检图像中快速准确识别、定位出覆冰设备,并精确地计算覆冰厚度的方法,对于提高电力系统的可靠性具有重要意义。为了快速准确的检测到覆冰设备,本文提出了一种基于深度学习的输电线路目标检测算法。针对识别为覆冰状态的导线和绝缘子,通过改进Canny算法,完整地提取出覆冰边缘,并精确地计算出了覆冰厚度。论文的主要工作如下:(1)构建了输电线路图像数据集。针对目前没有标准的开源输电线路数据集,选择基于无人机和相机所拍摄的彩色图像作为原始数据。通过设定图像质量标准,筛选出不适合训练的图片。利用图像缩放、不同角度的旋转、镜像等数据增强方式扩充了数据集。使用Labelimg图像标注软件完成了数据集的手动标注,生成对应的xml文件,并以PASCAL VOC数据集格式保存。(2)设计并完成了基于深度学习的输电线路目标检测算法。根据输电线路研究的实际情况,以及对比不同目标检测算法的优缺点,选择Faster R-CNN算法对输电线路数据集进行训练。采用VGG16、Res Net50、Mobile Netv2三种不同特征提取网络作为Faster R-CNN的基础网络进行了测试对比。并针对部分目标过小检测精度偏低的问题,在RPN网络选取区域建议框的过程中,增加了两组小尺度建议框。在提升小目标识别精度的同时,使得模型的均值平均精度(m AP)达到了93.57%,相比改进前提高了4.92个百分点。(3)针对识别为覆冰状态的导线和绝缘子,通过改进Canny边缘检测算法,完整地提取出覆冰边缘,根据经验公式精确地计算出了覆冰厚度。在微气候实验室模拟覆冰过程,验证本文算法的实际效果,实验结果表明,本文所提算法对导线和绝缘子覆冰厚度计算平均误差为0.8mm,最大误差为1.3mm。并针对不同覆冰类型的导线和绝缘子进行边缘提取以及覆冰厚度计算,结果表明,本文所提算法对于研究输电线路覆冰厚度具有一定的参考价值。