边缘算法优化Faster R-CNN算法下的输电线路缺陷识别方法.pdf
《边缘算法优化Faster R-CNN算法下的输电线路缺陷识别方法.pdf》由会员分享,可在线阅读,更多相关《边缘算法优化Faster R-CNN算法下的输电线路缺陷识别方法.pdf(5页珍藏版)》请在咨信网上搜索。
1、无损检测2023年第45卷第9 期12试验研究DOI:10.11973/wsjc202309003边缘算法优化FasterR-CNN算法下的输电线路缺陷识别方法耿座学,李学富(云南电网有限责任公司怒江供电局,泸水673200)摘要:为提升输电线路缺陷识别效果,研究了一种利用边缘算法优化FasterR-CNN算法的输电线路缺陷识别方法。通过无人机采集输电线路图像,采用极值中值滤波算法降噪,输入FasterR-CNN模型,提取缺陷特征,利用RPN网络确定目标候选区域;利用边缘算法优化FasterR-CNN算法以确定像素点梯度幅值,并抑制非极大值;训练模型,完成输电线路缺陷识别。测试结果显示,该算法
2、能够提升各主要缺陷类别的识别准确率,准确率达8 5%以上。关键词:FasterR-CNN算法;边缘算法;输电线路;缺陷识别;降噪处理;梯度幅值中图分类号:TP391;TG115.28文献标志码:A文章编号:10 0 0-6 6 56(2 0 2 3)0 9-0 0 12-0 5Edge algorithm optimization of Faster R-CNN algorithm for fault identification oftransmission linesGENG Zuoxue,LI Xuefu(Salween River Power Supply Bureau,Yunnan
3、Power Grid Co.,Ltd.,Lushui 673200,China)Abstract:To improve the effectiveness of transmission line defect recognition,this paper studied a transmissionline defect recognition method that utilized edge algorithms to optimize the Faster R-CNN algorithm.Transmissionline images through drones were colle
4、cted.Extreme median filtering algorithm to reduce noise was used.Faster R-CNN model was inputted and defect features were extracted.RPN network to determine target candidate regionswas used.Faster R-CNN algorithm using edge algorithm was optimized to determine pixel gradient amplitude andsuppress no
5、n maximum values.The model was trained to complete the identification of transmission line defects.The test results showed that the algorithm studied can improve the recognition accuracy of various major defectcategories,with an accuracy rate of over 85%.Key words:Faster R-CNN algorithm;edge algorit
6、hm;transmission line;defect identification;noise reduction;gradient magnitude作为电能传输的关键环节,输电线路的运行状态对于电力系统整体运行的安全与效率有着直接影响。线路缺陷会对输电线路的安全产生威胁,严重时甚至会造成重大的人员伤亡与物资损失。因此对输电线路缺陷识别具有重要的意义2 ,通过识别输电线路缺陷并快速进行针对性收稿日期:2 0 2 3-0 2-0 3作者简介:耿座学(19 9 3一),男,本科,主要研究方向为边缘计算AI技术,输电线路潮流分布和电能质量等通信作者:耿座学,检修,能够提升线路维修效率且降低电路故
7、障发生的概率3基于此,诸多学者对输电线路缺陷识别方法进行了研究。曾勇斌等4 研究了一种输电线路缺陷风险建模及其预测方法,该方法首先根据输电线路自身的特点将其细分成若干个部件,然后对输电线路各部件的缺陷严重程度进行量化,并根据输电线路的缺陷历史数据,通过隶属度分析进而定义得到输电线路整体的缺陷风险值,完成线路缺陷的识别工作。黄广龙5 研究了一种基于无人机图像识别技术的水利工程输电线路缺陷检测方法,其将GNSS/无损检测2023年第45卷第9 期13边缘算法优化FasterR-CNN算法下的输电线路缺陷识别方法耿座学等INS多传感器设备植人到无人机系统中,提取水利工程输电线路的点云数字图像,分析缺
8、陷状态下的水利工程输电线路的变形和异常参数分布情况,根据中心化投影点的聚类分布,实现输电线路的缺陷检测。NI等6 研究了一种传输线关键部件缺陷识别方法,该方法通过对架空输电线路缺陷图像的预处理、特征提取、目标定位和目标分类,得到了目标缺陷检测模型以上方法通常采用缺陷风险建模方法来量化线路缺陷程度,且依照历史数据分析电路缺陷风险值,从而影响到最终识别精度。针对该问题,文章研究了一种基于边缘算法优化FasterR-CNN算法的输电线路缺陷识别方法,可为准确识别输电线路缺陷提供一定帮助。1输电线路缺陷的识别方法基于边缘算法优化FasterR-CNN算法的输电线路缺陷识别主要采用FasterR-CNN
9、(快速区域卷积神经网络)算法。区域卷积神经网络算法在识别目标过程中提取输电线路图像内的感兴趣区域6,汇总全部感兴趣区域图像生成感兴趣区域集合,将此集合分别输入卷积神经网络内提取输电线路图像特征,再将所提取的特征输人支持向量机分类器内,确定该特征所属类别(输电线路缺陷类别),同时通过回归预测算法优化候选框位置7,提升类别划分精度。区域卷积神经网络经过长时间的演化后转变为快速区域卷积神经网络,其结构如图1所示。识别缺陷类别全分类器Rol池化锚点框区域建议网络RPN特征图卷积层传感终端输电线路图像图1FasterR-CNN结构示意利用卷积网络采集输电线路图像特征时,首先确定输电线路缺陷图像的特征属性
10、图,利用RPN网络生成候选锚8 。快速区域卷积神经网络确定形状有所差异的候选框,在此基础上利用不同损失函数共同训练,完成输电线路缺陷识别。考虑FasterR-CNN算法中对图像边缘计算存在一定缺陷,在目标区域大于图像边界的条件下,需舍弃目标区域而导致训练过程不收敛,降低最终识别精度,因此需对FasterR-CNN算法进行优化1.1输电线路图像的采集与处理利用无人机采集输电线路图像,受外在环境因素影响,所采集图像内存在严重噪声 。因此需预处理所采集的输电线路图像,采用极值中值滤波算法对输电线路图像进行降噪处理,降低图像内的噪声干扰,令其转变为适于识别的图像,并最大程度保留细节信息。中值滤波算法就
11、是通过数字图像的全部点的中值取代其中一点的值。该算法在具体应用过程中虽然能有效抑制噪声干扰,但也会对初始输电线路图像内未被噪声污染的像素点产生影响10 1。为消除这种影响,对中值滤波进行优化,提出极值中值滤波算法。其首先判断像素点i;是否为极值点,通过N和S分别表示判断结果为极值点或非极值点;考虑并非全部极值点均为噪声点11,所以为提升噪声点检测的精度,可利用阈值条件fiT(T 1和T均表示阈值)约束中值点;然后通过窗口领域内非噪声点均值取代噪声点的方式完成降噪处理。1.2输电线路图像的缺陷特征提取将输电线路图像作为初始输人,FasterR-CNN算法的第1层和第m层分别为卷积层和池化层,两者
12、的输出特征向量分别为xi=f(Z1*k+b)1-1(1)iEM,x=f,down(a-l)+b(2)式中:1和分别表示1层内的第i个输出和l层的一个卷积核;和6,分别表示对输电线路图像的卷积操作和卷积层偏置;f()表示Relu激活函数;-1和于()分别表示磁化层的输人和softmax函数;和down()分别表示连接权重与输人矩阵的求和操作;6”表示池化层偏置。利用式(1)与式(2)能够获取输电线路图像缺陷特征。1.3基于RPN网络确定目标候选区域在确定输电线路图像的缺陷特征后,区域建议训练(RPN)网络获取多个目标候选区域。作为全卷积网络,RPN网络同FasterR-CNN共用卷积层,其通过滑
- 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:
- 边缘算法优化Faster R-CNN算法下的输电线路缺陷识别方法 边缘 算法 优化 Faster CNN 输电 线路 缺陷 识别 方法
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。