基于改进型YOLOv4的输电线路绝缘子识别与故障检测.pdf
《基于改进型YOLOv4的输电线路绝缘子识别与故障检测.pdf》由会员分享,可在线阅读,更多相关《基于改进型YOLOv4的输电线路绝缘子识别与故障检测.pdf(4页珍藏版)》请在咨信网上搜索。
1、Microcomputer Applications Vol.39,No.9,2023文章编号:10 0 7-7 57 X(2 0 2 3)0 9-0 0 19-0 4基于改进型YOLOv4的输电线路绝缘子识别与故障检测基金项目微型电脑应用2 0 2 3年第39 卷第9 期胡梦雪,王勇(上海电力大学,计算机科学与技术学院,上海2 0 0 12 0)摘要:绝缘子作为输电线路中重要的绝缘控件,极易出现异物悬挂、破损等故障,所以监控绝缘子的运行状态是一项极其重要的工作。为了解决复杂环境中绝缘子的识别、定位不准、故障绝缘子漏检等现象,提出一种基于目标检测算法的高效检测算法:CBAM-YOLOv4算法。
2、该算法使用k-means聚类算法优化先验框,自动生成一组更加适合绝缘子数据集的先验框,提升网络结构的检测效果。实验结果表明,该算法在测试集上得到的平均精度均值(mAP)由7 0.7 9%提升到8 1.39%,绝缘子的Fi分数(Fi score)由91%提升到93%。关键词:绝缘子;故障检测;注意力机制;YOLOv4中图分类号:TP389.1文献标志码:AIdentification and Failure Detection of Transmission Line InsulatorBased on Improved YOLOv4HU Mengxue,WANG Yong(College of
3、 Computer Science and Technology,Shanghai University of Electric Power,Shanghai 200120,China)Abstract:As an important insulation control in the transmission line,the insulator is prone for faults such as hanging foreignbody and damage,hence,it is extremely important to monitor the operation state of
4、 insulator.To solve the identification,inac-curate localization of insulators and fault insulators in complex environment,an efficient detection algorithm based on target de-tection algorithm CBAM-YOLOv4 algorithm is proposed.The proposed algorithm optimizes the prior box by the k-means clus-tering
5、algorithm to automatically generate a set of prior boxes which are more suitable for the insulator dataset,improving thedetection effect of the network structure.Experimental results show that mean accuracy mean(mAP)value by CBAM-YOLOv4 on the test set rises from 70.79%to 81.39%,and Fi fraction(Fi s
6、core)of the insulator rises from 91%to 93%.Key words:insulator;fault detection;attention mechanism;YOLOv4了较优的实时识别。目标检测算法YOLOL4I是近年来深度0引言学习领域特别受关注的检测算法,它将目标领域预测和目标随着无人机巡检的普及,电力巡查逐渐从人力巡检中摆类别预测合二为一,将目标检测任务看作目标领域预测和类脱出来。现如今更换成机器巡检后,由于技术手段单一、电别预测的回归问题,实现了端到端的物体检测。杨波等 5提力设备所处的复杂环境等,如果输电线路出现故障,依然会出了实时目标检测模
7、型,能够实时地检测到鸟巢位置,但该存在线路难识别定位、故障漏检等问题。虽然无人机巡检是模型在测试过程中出现了预测尺寸框过大、部分漏检等问对传统人工巡检的技术提升,但是巡检精度下降后就会导致题。ZHAO等 6 使用了深层卷积神经网络对绝缘子红外图人力消耗的增加门。像进行检测,但红外图像拍摄的这种方式可能会增加巡检的计算量。张子健等 7 提出的图像检测方法是在不同场景下绝缘子所处环境在户外,极易发生绝缘子串破损、漂浮准确定位绝缘子区域,通过逐片对比避免了图像一致性差的悬挂物等问题,从而导致绝缘子的闪络或严重放电,对电网问题。这为本文提出的绝缘子识别和故障检测提供了启发。的安全稳定运行产生干扰。因此
8、,一旦发现绝缘子瓷瓶发生若将该方法应用到绝缘子识别和故障绝缘子检测中,那么图脱落、破损或者金属销出现锈蚀状态将会为工作人员提供预像轮廓必然会增大一定的计算量,数据量上不可行。张焕坤警,让工作人员及时更换绝缘子 2 。等8 使用密集连接网络实现了绝缘子图像的特征复用和融随着人工智能技术的发展,近年来有不少研究者将深度合,识别速度快、准确率高,为本文提供了思路。学习算法应用到电力系统的检测,特别是故障检测。孙叶等 3 将深度学习算法应用到电力变压器的故障检测中,实现基金项目:上海市自然科学基金(2 0 ZR1455900);大数据协同安全国家工程实验室开放式课题(QAX-201803)作者简介:胡
9、梦雪(1997 一),女,硕士,研究方向为计算机应用、电力系统安全;王勇(197 3一),男,博士,教授,研究方向为电力系统安全。19.Microcomputer Applications Vol.39,No.9,20231问题分析本文提出一种方法既可以实现复杂环境下输电线路上绝缘子的识别,又能够在无人机巡检过程中精确地检测到绝缘子的故障。考虑到原有的算法适用于检测小目标物体,在原有的网络结构中加入注意力机制算法,可以更好地提取到小目标特征进行特征融合。经过数据集的准备和算法研究,得到大致的算法训练流程,如图1所示。原始数据扩容图像镜像旋转获得检测CBAM-YOLOv4模型网络训练图1算法训练
10、流程2改进的YOLOv4模型2.1YOLOv4算法原理YOLOv4算法采用深层卷积神经网络,吸收了当前很多经典卷积神经网络架构的优秀思想,比如Faster R-CNNt91、Mask R-CNNL101等。该算法运行速度快,在位置检测和对象的识别方面性能达到最优,其平均精度均值(mAP)在VOC数据集上达到6 3.4%检测率的情况下还能进行实时检测,尤其是加强了对小物体的识别能力,这个特点与绝缘子故障检测的应用非常契合。2.2YOLOv4网络结构的改进YOLOv4在COCO数据集上的实验结果与Efficient-Det、Y O L O v 3相比,在实时检测标准上(大于30/s的条件下),算法
11、的精度有不小的提升,同时速度略有减慢。但对于复杂环境下遮挡或重叠的绝缘子,检测精度有待提升。为了实现绝缘子特征的提取,本文算法模型借鉴了注意力机制CBAM思想,在Neck模块的CBLX5卷积层中加入注意力机制,使得CBLX5输出部分能传递更精确的卷积特征,实现绝缘子特征的提取。注意力机制结构如图2 所示。CBAM注意力机制通道注意空间力机制注意力输入特征机制X图2 CBAM网络结构另一方面,为了获取更多的特征,本文模型借鉴了特征融合的思想,在Head板块的输入部分CBL前加入上采样,实现绝缘子多特征的获取。在原有网络结构基础上需要改进的部分以及改进后的部分如图3所示。3实验过程3.1绝缘子数据
12、集的扩增与标注本文的训练数据很少,采用公开数据集得到的初始图像集仅有6 48 张,因此使用影视分割算法和卷积网络U-Net对原始图片进行分割处理和更换背景来获取更多的训练样本(见图4)。基金项目CBL上采样CBLCBLCBL样本标正样本负样本获得样本集提取到精确特征20微型电脑应用2 0 2 3年第39 卷第9 期加入CBAM加入上采样concat*5CBL*5concatCBL*5concatCBL(a)原有结构CBL上采样CBLCBLCBL图3CBAM-YOLOv4网络结构改进部分(a)扩增样本1(b)扩增样本2图4扩增的样本本文使用了图片标注工具LabelImg对绝缘子的数据集进行标注,
13、主要分为两大类:绝缘子和绝缘子的故障类型。将图片中所有的绝缘子标注为“insulator;将图片中的破损绝缘子标注为“defect”;将图片中绝缘子上的悬挂物标注为“hang”。具体的绝缘子样本标注情况如图5所示,每张图中均含有对应的标签。(a)悬挂物绝缘子样本标注defect(b)破损绝缘子样本标注insulator(c)绝缘子样本标注图5故障绝缘子和绝缘子样本标注CBLconvCBLconvCBLconv*5concatCBL*5concatCBL*5concatCBL(b)改进结构hang767625538x382551919255上采样CBLconv上采样CBLconv上采样CBLco
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进型 YOLOv4 输电 线路 绝缘子 识别 故障 检测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。