论文部分内容阅读
现阶段,虽然输电线路的无人机巡检已在行业内得到广泛应用,但基于无人机巡视所拍图像难以自动检测输电线路缺陷,需人工分析,人力消耗巨大且效率低。研究基于深度学习目标检测算法的无人机图像输电线路缺陷检测技术,对降低多类故障发生的概率,进一步保障电网安全稳定,具有重要意义。本文首先建立了输电线路缺陷的检测流程,利用当前最主流的深度学习Faster R-CNN算法作为缺陷识别检测算法,进行了检测流程的步骤说明。构建了输电线路缺陷数据集,通过分析输电线路杆塔鸟巢、导线断股、导线散股、玻璃绝缘子四类缺陷的特征,并针对已有的无人机巡检照片中四类缺陷图像样本不足的问题,采用数据增强技术扩充无人机图像样本,提高了的四类缺陷图像样本数量,构建了数据集。进行了输电线路四类缺陷数据集的图像标注,利用Label Img标注工具对输电线路四类缺陷的无人机图像进行标注,根据四类缺陷的不同表现特征进行分类,对四类缺陷进行了不同的标注方式,得到了不同类型的标注图像数据集。搭建了基于深度学习的输电线路缺陷检测算法模型,在研究基于深度学习的Faster R-CNN网络目标检测原理的基础上,确立了Faster R-CNN网络的训练流程,通过使用输电线路四类缺陷标注图像数据集对网络模型进行训练,使得Faster R-CNN网络模型具有输电线路四类缺陷的识别能力。训练后导出可应用于输电线路缺陷检测的Faster R-CNN网络模型。最后进行了输电线路四类缺陷检测实验,应用经标注图像数据集训练后导出的Faster R-CNN算法模型对无人机巡检所拍摄的鸟巢、导线断股、散股、玻璃绝缘子自爆图像开展缺陷自动检测,通过调整训练步长、标注方式等,验证最适合模型检测的最佳训练步长和四类输电线路缺陷的标注方式。实验结果表明:经数据增强技术扩充训练数据集后,Faster R-CNN算法模型对输电线路四类缺陷检测的召回率均均能达到80%以上,精确率均能达到96%,错检率均在3.5%以下,说明Faster R-CNN算法对输电线路四类缺陷检测已能够满足实际应用需求。