第八届挑战赛B1-基于Mask R-CNN及Yolov4的电力巡检中绝缘子缺陷研究

发布时间:2020-12-02 作者:本站原创 浏览量:3667

摘要:

输电线路是国家电力系统中负责电能输送的一个重要的组成部分。架空输电线路长期经历着电闪雷击、风吹日晒、污秽、雨雪及沉陷等外界环境的侵害。目前传统的电力巡检仍是人工巡检,新型技术 利用无人机搭载 高分辨摄像机,近距离拍摄线路及其关键部件获取航拍图像来代替人工巡检。其中,航拍图像中输电线路部件的识别及缺陷检测是关键技术也是技术难点 。本文提出一种利用Mask R-CNN技术提取绝缘子串珠的掩膜图像、采用Yolo-v3和Yolo-v4进行对照,通过神经网络模型对其绝缘子自爆区域进行特征提取,特征判断,识别定位 。

具体流程如下:

针对问题一中绝缘子串珠分割,本文根据不同绝缘子类型进行图像类别划分,通过图像分割优化模型对小目标进行数据集制作。 采用 Mask R-CNN为框架构建了深度学习算法,并以算法为核心搭建了绝缘子串图像检测平台。最后选取数据集80% 进行模型训练,20% 进行测试,使用极大值抑制算法,得出最佳先验框( best_anchor),对经过模型得出的绝缘子掩模图与官方的绝缘子掩模图进行计算,求出评价模 型的Dice系数为0.83。

针对问题二中绝缘子自爆识别和定位,对35张原始含有自爆区域高分辨率图像,经由图像分割、图像增强、归一化大小等对图像进行预处理,将得到的数据集用LabelImg工具进行标记,将标记后的数据集制作为VOC2007格式,随机选取80% 数据集进行模型训练,20% 数据集放进Yolo-v3和Yolo-v4神经网络进行模型测试,训练至loss函数收敛,并用Mean AP(平均精度均值)计算得出正确率为94.7%,与GroundTruth绝缘子自爆区域进行对比得出该模型平均IOU(重叠度)为82.5%。

关键词:电力巡检 缺陷检测,Mask R-CNN掩膜,Yolo-v4,识别定位

阅读原文