关键词:
输电线路
航拍图像
绝缘子缺陷检测
Faster R-CNN
摘要:
随着我国电力需求的不断增长,保障输电线路的高效与稳定运行已成为电力巡检工作中不可或缺的核心任务。绝缘子作为输电线路的关键部件,起到支撑线路和强化电气绝缘的重要作用。然而,由于长期暴露于户外严苛环境,绝缘子容易发生掉串故障,严重影响电力系统的安全稳定运行。因此,如何对绝缘子进行及时有效的缺陷检测成为一个很有实用价值的研究课题。
近年来,深度学习的飞速发展为绝缘子缺陷检测提供了新的有效途径,相比于传统的图像处理方法,深度学习在检测精度和效率上都表现出明显的优越性。但在实际的航拍绝缘子图像中,因其背景复杂多样、缺陷不明显等特点,绝缘子缺陷检测很容易出现漏检或误检等问题。为了更好地满足航拍绝缘子图像缺陷检测的特性需求,本文改进了一种基于Faster R-CNN的输电线路绝缘子缺陷检测算法,以提高航拍图像绝缘子缺陷检测的精度和效率。主要研究工作如下:
(1)构建了可训练的绝缘子数据集。本文采用Github上的公开绝缘子数据集作为原始数据,并使用Labelimg软件对数据集进行标注,然后针对绝缘子数据不充分的问题,使用旋转、翻转、改变亮度对比度、增加噪声等处理方式对数据集进行扩充,为模型训练提供了数据支持。
(2)针对航拍图像背景复杂多样的问题,本文通过采用更高效的Swin Transformer网络,对Faster R-CNN算法的特征提取网络进行优化和设计。接着引入GAM注意力模块,改进了一种新型的GAM-SW特征提取网络,该网络实现了特征通道中包含的不同信息量的加权处理,同时兼顾了邻近特征通道之间的依赖程度,增强了目标特征的比重,大幅提高了绝缘子缺陷检测在复杂背景下的检测精度和效率。实验表明,与传统模型相比,改进后Faster R-CNN算法检测精度提升了12.5%,速度每秒提升了2.63帧,检测效果得到大幅度提升。
(3)针对航拍距离和角度不同导致目标尺度不一、形态多变的问题,本文在第三章改进的Faster R-CNN基础上,对绝缘子缺陷检测算法进行多尺度融合改进。通过构建路径聚合特征金字塔网络,实现不同尺度绝缘子特征图在不同尺度上的特征融合,解决了目标尺度不一的问题。接着引入可变形卷积模块,对特征融合网络进一步改进,增强了网络对不同形态绝缘子缺陷的自适应能力和鲁棒性。最后采用MPDIOU损失函数对算法进行优化,改善了算法检测框的评分机制,进一步提高算法在绝缘子缺陷检测上的精度。实验表明,改进后的多尺度绝缘子缺陷检测算法检测精度达98.3%,检测速度每秒24.77帧,相较于传统算法,其检测精度和速度都得到大幅度提升。
(4)设计并实现了基于PyQt6的输电线路绝缘子缺陷检测系统。针对输电线路中绝缘子的缺陷问题明确了系统设计的需求,确定了系统的整体框架与各个功能模块。然后通过PyQt6搭建系统界面,采用Qt Designer开发界面进行软件编译,实现了绝缘子缺陷检测系统。该系统不仅能够准确识别并判断绝缘子的缺陷状态,还具备良好的用户界面和交互设计,使用户更加方便地输入所需的参数和指令,记录检测的运行状态和结果。