基于深度学习的航拍图像中绝缘子及其缺陷检测研究

摘要

架空输电线路作为电力网络的重要组成部分,常年暴露在室外,线路中包括绝缘子在内的部件随时间推移会产生磨损甚至是直接损坏失效,如果不及时对这些故障部件进行检出和排除,将会严重危害到电力系统的安全,所以需要定期进行巡检维护作业,保证输电线路能够稳定的运行。近年来科技快速发展,以大疆为代表的民用无人机技术越来越成熟,通过无人机巡检替换人工巡检是一个很好的选择,但是无人机巡检拍摄的航拍绝缘子图像数量极多,传统方法无法有效快速处理这些图像,当下火热的深度学习成为最佳选择。本文以无人机巡检中航拍的绝缘子图像为研究对象,以深度学习为研究方法,以实现无人机巡检过程中实时检测出航拍图像中的绝缘子及其缺陷为研究目的,首先构造绝缘子及其缺陷的数据集,然后选用Faster R-CNN算法来实现绝缘子及其缺陷的检测。针对Faster R-CNN的主干网络VGG特征提取能力不足的问题,本文将残差网络和特征金字塔网络相融合作为特征提取网络,通过实验证明,特征提取网络改进后绝缘子及其缺陷的平均精度达到0.986,但检测速度依然较慢。针对Faster R-CNN数据冗余计算缓慢的问题,使用深度可分离卷积替换普通卷积,并在网络中引入SE通道注意力模块,同时改进了网络中的激活函数,最后通过实验得出,改进后网络的平均精度略微下降,但检测速度大大提升达到了32.05FPS。为了进一步提高网络的精度,本文改进了锚框的选取策略,因为绝缘子与其缺陷数据量相差较大,本文先将绝缘子与其缺陷的标注数据分别单独提取出来,然后使用Kmeans++聚类方法分别对这两部分数据进行聚类,得到改进后的锚框;本文还改进了学习率的优化器SGD,使用了带热重启的余弦衰减学习策略,用以提高算法的收敛速度和检测精度,通过实验得出改进后网络的平均精度有所提升。最终网络的平均检测精度为0.983,检测速度为32.13FPS,在所使用的数据集上可以有效检测出绝缘子及其缺陷,在所使用的设备上也满足了实时性检测的要求。

目录

摘要

Abstract

第1章 绪论

1.1 研究背景

1.2 国内外研究现状

1.2.1 基于传统机器学习的绝缘子及其缺陷检测

1.2.2 基于深度学习的绝缘子检测

1.3 论文的主要研究内容

1.4 论文的组织结构

第2章 深度学习基本理论

2.1 深度学习发展历史

2.2 卷积神经网络

2.2.1 输入层

2.2.2 卷积层

2.2.3 激活函数

2.2.4 池化层

2.2.5 全连接层

2.2.6 输出层

2.2.7 卷积神经网络训练

2.3 物体检测网络

2.3.1 主干网络

2.3.2 颈部网络

2.3.3 头部网络

2.3.4 BN层

2.3.5 交并比

2.3.6 损失函数

2.4 本章小结

第3章 实验平台搭建

3.1 实验环境

3.2 绝缘子及其缺陷数据集制作

3.2.1 绝缘子及其缺陷数据收集

3.2.2 数据扩增

3.3 评价指标

3.4 本章小结

第4章 基于残差网络与特征融合的改进 Faster R-CNN 算法

4.1 基于 Faster R-CNN 的算法实现

4.1.1 Faster R-CNN 算法介绍

4.1.2 实验与结果分析

4.2 基于残差网络与特征融合的 Faster R-CNN

4.2.1 残差网络与特征金字塔网络的融合

4.2.2 实验与结果分析

4.3 本章小结

第5章 Faster R-CNN 轻量化改进

5.1 Faster R-CNN 的主干网络轻量化改进

5.1.1 深度可分离卷积

5.1.2 通道注意力模块

5.1.3 改进的激活函数

5.1.4 实验与结果分析

5.2 锚框选取和学习策略的改进

5.2.1 改进的锚框选取策略

5.2.2 改进的学习策略

5.2.3 实验与结果分析

5.3 不同算法实验对比

5.4 本章小结

第6章 结论与展望

6.1 结论

6.2 展望

参考文献