关键词:
特高压输电
红外图像
目标识别
计算机视觉
无人机巡检
摘要:
为响应国家号召,电力行业一直在积极发展绿色电力,以减少发电所产生的温室气体。由于我国的能源分布不均,西部和北部地区资源相对较为丰富,并且在可再生能源方面拥有巨大的潜力。东部和南部发达地区则面临着日益增长的用电需求和不足的能源供应。特高压输电网络被称为“电力领域的5G网络”,它具有传输距离远、损耗低、占地面积小等优点,可以为解决能源分布不均和跨越长距离输电提供解决方案。为保证电网的安全稳定,定期对特高压输电线路巡检是非常有必要的。然而,传统的人工巡检需要大量的人力和物力,成本较高,效率较低,而且存在安全隐患。此外,人的主观性和疲劳程度也可能会影响检查的准确性和全面性。所以,引入无人机技术进行电力线路巡检,可以提高效率,降低成本,减少安全风险,提高检查的准确性和全面性。红外热图像也可以快速捕捉电力线路绝缘设备的异常温度,有利于及早发现隐患,防止故障事故的发生。如果要实现自动化巡检,就必须使其能识别出特高压线路上的绝缘设备,本文主要使用特高压线路耐张线夹部位的红外图像作为数据集,对绝缘子、间隔棒和均压环三类绝缘设备进行识别方法研究。首先,本文对卷积神经网络与目标检测算法相关理论进行介绍,为提高目标识别模型的各方面性能,对YOLOv4、YOLOv5模型分别进行改进,在深度可分离卷积中加入膨胀卷积核,有效的增加输出单元的感受野。使用D-Mobile Net V3替换了YOLOv4中的CSPDarknet53网络,使得模型更加轻量化,提高识别速度。在YOLOv5中加入CBAM和SENet,使模型更好地捕捉特高压输电线路绝缘设备的特征,并且保持高精度的同时保证较快的检测速度。其次,使用特高压线路耐张线夹部位红外图像严格制作数据集,针对红外图像拍摄过程中受各种因素的影响,易出现模糊、噪声等问题,使用基于压缩感知的盲超分辨率方法,提升纹理细节,便于模型提取更深层次的特征信息。同时,使用HJS原理,实现图像扩充,增加了数据集数量。在模型的训练过程中引入Mosaic数据增强、学习率衰减、选取合理的先验框数量、调整测试集与训练集比例等得到最优模型。最后,将改进的目标识别模型与Faster RCNN、SSD、YOLOv4等常见目标识别模型对同一测试集分别进行识别,发现改进模型在性能有明显提升。提出的改进YOLOv4目标识别模型m AP达95.91%,模型大小只有55.53MB,但又保持了较高的精度,可以满足日常电力巡检时对移动端或嵌入式设备的轻量化和准确性要求。提出的改进YOLOv5目标识别模型m AP可达97.33%,模型大小只有37.1MB,识别速度较快,准确率较高。实验结果表明,本文提出的改进算法不仅实现了对红外图像中绝缘设备的准确检测,而且具有更强的鲁棒性和泛化能力。有利于运维人员准确掌握设备运行状态,为特高压输电线路的日常无人机巡检提供参考。