基于深度学习的电力绝缘子故障检测方法研究

摘要

作为电力网络中的重要部件，绝缘子在输电线路运行中起着支撑和电气绝缘的作用。由于其数量庞大，长期暴露在自然界中，受气候、温度等自然因素的影响,极易发生掉片、破损等故障，一旦输电线路中的绝缘子故障，很容易造成整条线路的供电中断，甚至导致整个区域的电网故障，对工农业生产造成巨大的经济损失。目前，利用航拍图像进行绝缘子故障巡检的方法，以其省时省力，能够准确高效地判断绝缘子运行状态，检测效率高的特点，成为研究热点。 由于传统绝缘子图像故障检测方法人工特征提取受限，复杂背景的绝缘子图像故障检测准确率较低，因此论文首先将深度学习目标检测方法引入至绝缘子故障检测中，其次针对其难以定量分析检测结果的问题，将深度学习语义分割方法中的定量分割检测网络应用到绝缘子故障检测中，并针对FCN、Mask R-CNN网络中易受复杂背景干扰，导致部分背景被误检为前景绝缘子区域，影响故障检测准确率的问题，提出一种新型二阶FCN网络结构进行绝缘子故障检测，具体工作如下： （1）对于获取的航拍绝缘子图像，利用深度学习FCN网络自动逐层进行绝缘子图像特征提取，初步分割出绝缘子区域； （2）针对复杂背景的绝缘子图像部分背景被误检为前景绝缘子区域，影响故障检测准确率的问题，论文通过形态学重建滤波算法对一阶FCN网络输出图像中的误检区域进行滤除，得到准确分割的绝缘子区域图像； （3）将准确分割的绝缘子区域图像与原图相乘去除背景，获得只含前景的区域绝缘子图像，作为故障检测的训练集，在区域绝缘子的基础上，构建二阶FCN网络进行最终的绝缘子故障检测。 为验证该方法的有效性，论文将二阶FCN故障检测结果与FCN、Mask R-CNN检测结果进行比较，实验结果表明基于二阶FCN的绝缘子故障检测方法，能够减小复杂多变背景的区域的干扰，提高绝缘子故障识别的准确率，是一种有效的绝缘子故障检测方法。

目录

1 绪论

1.1 课题的研究背景及意义

1.2 基于航拍图像的绝缘子故障检测研究现状

1.3 论文的主要研究内容与章节安排

2深度学习图像处理相关理论

2.1 传统的阈值分割图像处理方法

2.2 深度学习的提出

2.3 经典深度卷积神经网络

2.4 CNN绝缘故障检测效果

2.5 本章小结

3 深度学习目标检测的绝缘子故障定位

3.1 Fast R-CNN网络

3.2 Faster R-CNN网络

3.3 本章小结

4 深度学习语义分割的绝缘子故障识别

4.1 全卷积神经网络

4.2 Mask R-CNN分割识别网络

4.3 新型二阶FCN网络的绝缘子故障分割

4.4 新型二阶FCN网络绝缘子故障检测结果分析

4.5本章小结

5 总结与展望

5.1 总结

5.2 展望

致谢

参考文献

攻读硕士学位期间发表的学术论文

攻读硕士学位期间科研成果

声明