论文部分内容阅读
为了保证供电的连续性、安全性和可靠性,对高压输电线路进行缺陷故障定位至关重要。现有的缺陷检测主要还是依赖人工定期检查,但是人工排查缺陷存在工作效率低、检测准确率低、资源消耗严重等问题。因此,本文将图像处理、深度学习方面的知识应用于高压输电线路缺陷检测中,提出了高压输电线路上鸟巢、防震锤的自动检测方案。本文主要工作如下:(1)针对高压输电线路上鸟巢自动检测问题,提出基于级联分类器和多特征组合的鸟巢检测算法。通过分析鸟巢和铁塔的不同特征,本文提出了四种新特征:总体白色面积占比特征(Proportion of Total White Area,PWA)、每圈白色像素占比特征(Ratio of White Pixels,RWP)、投影特征(Projection Feature,PF)以及改进的毛刺方向特征(Improved Burr Feature,IBF),这些特征分别用于描述鸟巢的主干区域以及边缘部分。此外,结合这四种特征,将级联分类器用于鸟巢疑似区域的进一步分类。该算法主要包括三个步骤:首先,针对待检测图像采用模板卷积操作,从而获得鸟巢疑似区域样本集;其次,采用低维度和高分辨率的PWA和RWP特征对鸟巢疑似区域样本集进行分类;最后,基于第一次的分类结果,分别使用IBF特征和PF特征进行再次分类以减少被误检的样本,提高分类准确性。实验结果表明,该算法能够准确地检测出高压输电线路上的鸟巢,并且具有较高的精确率、召回率和准确率。(2)针对高压输电线路防震锤的自动检测,提出基于分块Haar及区域LBP组合特征的级联分类算法。针对高压输电线路上防震锤的特点,本文创新性地提出了基于分块的Haar特征(Block-Based Haar,BHaar)和基于区域的LBP特征(Region-Based Local Binary Pattern,RLBP),并将这些特征与方向梯度直方图特征(Histogram of Oriented Gradient,HOG)特征一起作为组合特征来检测防震锤。算法主要包括四个步骤:首先,对待检测的图像进行预处理操作,包括去噪、亮度调整,大小调整三个方面;其次,使用改进的归一化互相关匹配算法进行模板匹配,并在匹配的过程中缩放和旋转模板,得到防震锤疑似区域样本集;然后,使用HOG特征对防震锤疑似区域样本集进行初分类,并分别使用BHaar特征和RLBP特征,利用级联分类器对正、负样本进行多级分类;最后,统计分类结果。实验结果表明该算法能够高效准确地检测出高压输电线路上的防震锤。(3)针对传统方法进行目标检测时存在分类特征设计困难以及效率低下的问题,提出基于深度学习的高压输电线路防震锤检测算法。本文选择YOLOv3网络模型作为防震锤检测的学习框架。为了提高算法的有效性,对测试图像进行预处理操作,包括去噪、亮度调整、方向校正。实验结果表明,增加了预处理操作的防震锤检测算法能够有效地降低漏检率,并且具有更高的检测准确率。