基于深度学习的电网巡检图像缺陷检测与识别

无人机巡检已成为保证电网稳定运行的重要手段.针对巡检图像的自动化判读,提出基于深度学习的电网多部件缺陷检测与识别方法.将小样本缺陷检测问题分解为目标检测和分类两步.针对多目标部件的检测,提出基于最小凸集的损失函数以及预测框选择方法,两者结合YOLOv3框架可以实现多种部件的精准定位.之后,单类分类器在高维特征空间中进行小样本学习,判断目标部件是否故障.测试图像来自220 kV安徽宣枣4883线的巡检图像.实验结果表明,该方法对常见的电网故障识别率高于96％,漏报率低于2％,表明该方法能有效地进行电网的多部件缺陷检测与识别.未来结合边缘计算加速处理,可以实现无人机的在轨巡检....

Full description

Saved in:
Bibliographic Details
Published in电力系统保护与控制 Vol. 49; no. 5; pp. 91 - 97
Main Authors 顾晓东, 唐丹宏, 黄晓华
Format Journal Article
LanguageChinese
Published 江苏君英天达人工智能研究院有限公司,江苏南京210042%江苏君英天达人工智能研究院有限公司,江苏南京210042%南京理工大学机械工程学院,江苏南京210094 01.03.2021
江苏第二师范学院数信学院,江苏南京210013
Subjects
单类分类器
边界框回归
输电线
深度学习
目标检测
Online AccessGet full text
ISSN1674-3415
DOI10.19783/j.cnki.pspc.200517

Cover

More Information
Summary:无人机巡检已成为保证电网稳定运行的重要手段.针对巡检图像的自动化判读,提出基于深度学习的电网多部件缺陷检测与识别方法.将小样本缺陷检测问题分解为目标检测和分类两步.针对多目标部件的检测,提出基于最小凸集的损失函数以及预测框选择方法,两者结合YOLOv3框架可以实现多种部件的精准定位.之后,单类分类器在高维特征空间中进行小样本学习,判断目标部件是否故障.测试图像来自220 kV安徽宣枣4883线的巡检图像.实验结果表明,该方法对常见的电网故障识别率高于96％,漏报率低于2％,表明该方法能有效地进行电网的多部件缺陷检测与识别.未来结合边缘计算加速处理,可以实现无人机的在轨巡检.
ISSN:1674-3415
DOI:10.19783/j.cnki.pspc.200517