电力论文栏目提供最新电力论文格式、电力论文硕士论文范文。详情咨询QQ:1847080343(论文辅导)

基于EfficientNet与YOLOv4网络的绝缘子故障检测

日期:2023年05月21日 编辑:ad201107111759308692 作者:无忧论文网 点击次数:234
论文价格:150元/篇 论文编号:lw202305161124237374 论文字数:48522 所属栏目:电力论文
论文地区:中国 论文语种:中文 论文用途:硕士毕业论文 Master Thesis

本文是一篇电力论文,本文从绝缘子故障判别和故障定位两个角度出发,为了提高能检测模型的检测精度和检测速度,提出了改进EfficientNet网络用于绝缘子的故障诊断,为了实现复杂背景下破损故障的高精度的故障定位,提出了基于注意力机制的改进YOLOv4故障定位模型。

第一章  绪

1.1  研究背景及意义

铁路是物资和人员流通的重要载体,随着电气化的推进,铁路运输的可靠运行越来越离不开电能的稳定传输。在铁路系统中,铁路架空线是电能传输的重要通道,绝缘子是一种用于电气绝缘和机械支撑的高压设备,被广泛应用于铁路输电线路中。由于绝缘子与铁路系统的稳定运行关系重大,且使用数目较多,使其成为铁路架空线和接触网监测的重要对象[1]。

铁路架空线绝缘子常处于野外环境,时常会受到环境或人为因素的影响,使绝缘子受到力的作用,产生破损,甚至造成断裂或自爆[2],使其工作性能受损,如果不尽快采取措施,可能会危及电力输送的正常运行。因此,安排对绝缘子定时巡检,监测运行状态,及时发现其存在的缺陷并快速处理,对于保障铁路电力供应的安全稳定运行意义重大[3]。

目前我国铁路系统对于架空线路的绝缘子巡检,仍采用人工巡检(如图1-1所示),通过人工巡视,手持照相机拍摄沿线绝缘子,再通过拍摄的图像人工查找故障缺陷。这种方式,检测效率低,过度依靠人力,极易造成漏检,且检测标准不统一,过度依靠员工经验,准确率较低[4]。而且绝缘子数目巨大,分布广泛,依靠人工采集的数据越来越多,这些都与铁路系统迫切需求智能高效的巡检方式相矛盾。

1.2  国内外研究现状

绝缘子检测的内容就是实现绝缘子的缺陷识别和故障定位[12],国内外的研究人员主要从传统图像处理和深度学习两个方面进行研究。

1.2.1  基于图像处理的绝缘子检测

铁路系统早期主要使用图像处理对绝缘子进行研究,然后用机器学习进行分类。使用图像处理对绝缘子进行处理,主要是依据其形状、颜色、纹理等特征将其从图像中定位或者分割出来,与背景分离。然后根据其故障特征,构建故障定位模型[13],从而将其故障从图像中标注出来,或利用机器学习根据分割出来的图像特征对故障进行识别。机器学习是利用分析研究的特征,交由多层感知机和支持向量机进行分类[14]。

绝缘子由多个盘片连接而成,盘片通常为圆盘形,故形状较为固定。根据这一特点,Wang等人[15]提出一种绝缘子的融合检测算法,将形状、颜色、纹理特征融合,利用形状特征生成候选区域,根据颜色进行匹配定位,通过分析其纹理特征,识别绝缘子是否存在故障。绝缘子盘片的排列具有连续性,由此商俊平等人[16]将绝缘子图像进行Otsu分割定位后,通过计算各盘片间的欧氏距离,确定自爆盘片的位置。这种方法使用的Otsu图像分割,适合于目标像素与背景像素相差大的分割场景,从而限制了该方法的使用。张桂南等人[17]提出一种快速模糊匹配算法对绝缘子进行定位提取,然后对提取的绝缘子区域计算横向灰度奇异值,从而判别其是否存在故障,但未实现故障位置的精准定位。Reddy等人[18]结合绝缘子特征和K-means聚类算法,将绝缘子提取出来,然后用DOST和SVM训练,从而识别出绝缘子故障。该算法由于使用聚类进行框定位,要求定位的绝缘子尺寸接近,因而在绝缘子提取上存在局限性。

第二章  图像预处理与数据增强

2.1  图像预处理

预处理是指通过相关算法对图像进行处理,突出目标信息,滤除无关信息的手段。图像的预处理可能会对图像的信息产生一定的影响,故在绝缘子图像质量较好时,可直接进行故障识别,无需再经过预处理阶段。目前主要有图像去噪和图像增强。

2.1.1  图像去噪

绝缘子图像在采集和传输阶段,其质量可能会受诸多因素限制。诸如光照、拍摄角度、雾霾、拍照时间等的影响,也会受到内部条件的影响,如无人机拍摄时的震动、拍摄设备的好坏、像素等。这些限制都可能使获得的绝缘子图像质量下降,产生噪声,图像的分辨率降低,图像提取的特征遭到破坏等[31]。为了提高后期故障识别的准确度,就必须要对噪声采取降噪处理,其中普遍存在的是椒盐噪声和高斯噪声,如图2-2所示,(a)为原图像,(b)和(c)分别为添加椒盐噪声和高斯白噪声后的绝缘子图像。

电力论文怎么写

2.2  图像分割

图像分割是绝缘子故障识别和定位的基础性工作,利用分割,可以把目标和背景分离开来,这对于绝缘子故障的识别是很重要的。目前图像分割大致分为传统图像分割和基于深度学习的图像分割。

2.2.1  传统图像分割

传统图像分割利用图像处理手段对图像分割。

(1)基于阈值的分割方法

阈值分割是通过统计灰度图像计算得出单个或多个阈值,然后将各像素点与阈值对比,从而根据像素阈值,将各像素划分到不同类中。其中阈值的选取是决定分割效果好坏的关键[37]。


(2)Otsu分割法

在原图的直方图分布并没有显著的波谷,或者说仅存在一个波峰甚至没有波峰时,可以采用Otsu方法进行最佳全局阈值处理。Otsu法采用基于图像直方图的类间方差最大化进行图像分割,即方差越大,分割效果越好[38]。



(3)基于局部统计的可变阈值分割

这种阈值处理的目的是为了解决光照和反射带来的问题。在光照不均匀或者有反射的情况下,阈值的选取就会很困难,这种情况下,我们就需要使用基于局部统计的可变阈值进行阈值选取分割图像。其中局部对比度是指每个像素点周围邻域像素的标准差,平均灰度是指该像素点领域内像素的均值。

不同像素点周围的像素分布不同,故各点阈值不同[39]。例如图像高亮区域的像素点通常阈值选取较高,低亮度区域的阈值选取相比较小。此外,不同对比度、亮度或纹理的局部图像区域其阈值选取也各不相同。

第三章  基于EfficientNet网络的绝缘子故障识别 ....................... 23

3.1  深度学习基本理论 ........................ 23

3.1.1  神经网络 ................................ 23

3.1.2  卷积神经网络 ........................... 24

第四章  基于注意力机制的改进YOLOv4算法 ..................... 47

4.1  传统方法的绝缘子破损定位 .................. 47

4.1.1  特征匹配法 ................................... 47

4.1.2  基于形态学处理的绝缘子故障定位 ................. 49

第五章  基于改进YOLOv4的绝缘子故障定位 ....................... 67

5.1  算法流程 ................................... 67

5.2  实验条件 ................................ 68

5.3  基于改进YOLOv4的绝缘子故障定位 ............................. 69 

第五章  基于改进YOLOv4的绝缘子故障定位

5.1  算法流程

本文提出的改进EfficientNet-YOLOv4网络的绝缘子故障检测具体流程如图5-1所示。

电力论文参考

本文算法的具体流程如下:

(1)采集得到的种类、角度、故障类型不同的绝缘子经过图像预处理后输入到改进EfficientNet网络的判别模型中进行状态检测;

(2)通过设置模型参数和学习率的大小,经梯度下降算法迭代出最优权重模型;

(3)根据故障判别模型判别绝缘子是否存在故障;

(4)将存在缺陷的绝缘子输入改进YOLOv4模型中进行特征提取,将标注的故障绝缘子进行训练,得到故障定位模型;

(5)绝缘子故障的精确定位,根据故障定位模型自动标注故障位置。

第六章  结论与展望

绝缘子在铁路架空线的电能输送中扮演中要角色,成为沿线巡检的重要对象。现今,随着无人机技术的巨大突破和深度学习算法的不断发展,使用无人机巡检采集绝缘子图像,用深度学习算法对绝缘子状态进行智能诊断代替人工巡检成为趋势。本文从绝缘子故障判别和故障定位两个角度出发,为了提高能检测模型的检测精度和检测速度,提出了改进EfficientNet网络用于绝缘子的故障诊断,为了实现复杂背景下破损故障的高精度的故障定位,提出了基于注意力机制的改进YOLOv4故障定位模型。本文具体工作如下:

(1) 利用无人机或人工采集图像时,由于环境和设备等条件的限制,可能会造成采集图像质量的下降。故在绝缘子图像进行破损识别之前,要进行预处理操作,进行滤波和图像增强,提升图像清晰度;然后采用深度需恶习的U-net网络对绝缘子进行分割,分离绝缘子主题和背景,突出绝缘子特征;最后利用数据增强扩充数据集,为之后的模型训练提供数据支持。

(2) 传统卷积神经网络为提升性能,只是从网络深度、宽度和图像大小中的单一层面进行调整,效率较低。本文提出改进EfficientNet网络用于绝缘子的故障判别,针对缺陷特征,引入ECA通道注意力机制,加强特征提取能力,针对完好和故障绝缘子特征的学习存在难易不均衡问题,使用Label Smooth和Focal loss对softmax交叉熵损失函数进行改进,抑制模型过拟合,动态调整不同样本的分类权重,提升分类准确率。最终,改进算法的分类准确率达到了96.2%,较原网络提升了4.4%,且参数计算量减少了6.25%,验证了模型的可行性。

参考文献(略)