论文部分内容阅读
近年来,随着特高压以及坚强智能电网的建设,输电线路运行维护难度逐渐增加,受地理位置、光照强度等多重条件制约,传统人工巡检方式已无法保障输电线路中异物识别暨电力部件检测的准确性。伴随着深度学习以及人工智能的兴起,利用无人机实现输电线路异物识别和重要部件的自动检测将成为智能电网电力巡检的主流趋势。本文以卷积神经网络为基础,结合深度学习对无人机航拍图像多尺度小目标检测算法进行了相关研究。主要工作如下:首先,本文通过对比分析VGG16、Res Net基础网络,选取效果最优的Res Net101基础网络作为最佳的网络模型。在此基础上,文中重点研究了Faster R-CNN和Mask R-CNN两种算法,并通过VGG16、Res Net50、Res Net101三种特征提取网络进行对比。针对电网巡检中存在的识别精度低以及鲁棒性差等问题,本方法以Faster R-CNN算法为基础对输电线路中绝缘子、防震锤、鸟窝等5种不同目标进行识别检测。考虑到深度学习中样本集越丰富检测效果越佳,因而,本文研究了一种样本扩充的生成算法,达到批量扩充隐患样本集。测试结果证明:通过样本扩充,检测网络能够准确实现复杂航拍背景下的多目标和小目标检测,提升了航拍输电线路电力部件检测的准确性。本文通过修改Mask R-CNN锚点框结构,进一步提升了掩膜预测准确度,实现了在复杂背景下绝缘子串的语义分割。通过搭建深度学习环境实现了复杂背景下对三类航拍绝缘子的识别,通过实验对比分析Res Net101和Res Net50两种特征提取网络,测试结果表明,本文所提出的方法能够在复杂环境下准确无误的实现绝缘子串的识别与定位。