关键词：
深度学习
输电通道
危物辨识
目标检测
数据处理
摘要：
输电线路是电力系统的生命线,其正常运行是电网安全的基础。输电线路发生故障的原因有40%左右是由异物,外破等隐患引起的,影响电能质量的稳定,电力系统的安全运行。线路跳闸会造成负荷损失,影响对用户的供电稳定性。因此,需采取措施对于输电线路危物进行识别并及时介入,降低线路因输电隐患造成的线路跳闸等情况。该项工作在国内外相关的研究发展有一段时间,但相关的研究仍存在着诸多不足之处。例如目前的传统输电线路图像识别算法在森林、山川等复杂背景下及多干扰因素下的巡检图像精确性低。因为基于深度学习的危物辨识算法的精度与样本数据的质量有着强相关性,为解决识别复杂环境下的巡检图像和提升精度的问题,我们针对性开展基于深度学习的输电通道危物辨识关键技术研究,建立质量合格的样本数据集,深入分析输电通道图像特点,精准辨识输电通道异物隐患,有效减少因异物,外破等隐患引起的线路跳闸次数。本论文基于PyTorch框架,系统研究了基于深度学习的目标识别算法的各个种类,包括一阶,二阶目标识别算法,通过实验检测其性能;其次,对数据集图像的预处理技术进行介绍与设计,从收集图像数据集、图像预处理、图像数量筛选以及改进目标识别框架等方面开展数据集的构建,形成质量可靠的图像数据集;最后,对基于YOLOv5目标识别算法的输电隐患检测模型及其改进方式进行研究,有效提高输电隐患识别效率和准确率。本文工作主要包含以下三个方面:第一,分析了基于深度学习算法的危物辨识技术的必要性以及传统危物辨识技术的弊端,介绍深度学习的基本原理和卷积神经网络,并对一阶目标检测算法和二阶目标检测算法的优缺点进行对比分析,并根据不同算法的检测精度和速度,确定YOLOv5作为本课题基础的算法模型。第二,对输电通道危物图像预处理技术进行研究,为后续的危物识别作铺垫,主要包括图像采集、筛选、增强、扩增以及标注。首先,使用输电可视化监拍装置采集输电危物图像。然后,为提高人工筛选图像的效率,利用哈希算法辅助筛选出初步可用的输电危物图像。其次为提高图像质量,通过直方图拉伸、边缘小波处理等技术对图像进行增强。接着为保证训练样本的数量和多样性,利用随机裁剪、反转、旋转、缩放等手段进行样本扩增。最后对扩增后的部分样本通过Labellmg进行图像标注,并使用半自动标注技术对其余图像进行批量标注,从而减轻人工负担,提升标注工作的效率。第三,由于容易受森林、山川等复杂背景的遮挡,导致通用的目标检测模型难以较好的获取特征。即使获取特征数值,但模型参数量大,影响了检测精度和速度。针对上述问题,提出基于改进YOLOv5的输电通道危物目标识别算法。首先为了提高模型的特征提取能力,将YOLOv5的原始检测头替换为Swin-Transformer结构。然后利用卷积注意力模块CBAM对局部特征进行挖掘,提高模型识别输电危物的精度。最后在模型的后处理阶段采用Soft-NMS代替原先的硬性抑制方式,降低候选框置信度,从而减少因遮挡造成的漏检率。实验结果表明,相比于Faster R-CNN等典型的四个目标检测模型,本文所提出的算法具有更高的检测精度和速度。
欢迎来到三峡大学图书馆！
