基于深度卷积神经网络的绝缘子故障检测算法研究

摘要

作为输电线路中最常见、容易发生故障的元器件之一，绝缘子在输电线路中起着重要作用。及时发现故障绝缘子，对于维护输电线路的安全运行具有重大意义。无人机代替人工巡检已成为电力线路巡检的趋势，从航拍绝缘子图像的大数据中自动识别绝缘子故障是一项前沿交叉课题。本文首先分析了航拍绝缘子图像的特点，指出了该图像具有背景复杂多变、图像质量不稳定、视距视角各异、像素大小不一以及目标在图像中的位置不固定等特点，这些特点给基于图像处理的故障识别方法带来了很大的挑战。
　　针对航拍绝缘子图像的特点，提出了一种基于深度卷积神经网络的绝缘子图像和自爆故障图像识别算法。该算法将原始图像切割成若干子图像，利用深度卷积神经网络(DCNN)对子图像进行训练学习，通过对子图像的识别来实现对原始图像不同模式的识别。利用64幅原始图建立了一个包含1220个48×48子图的训练样本库，对构建的9层DCNN进行绝缘子图像的识别训练，训练正确率为98.52％;利用151个原始图像对训练后的DCNN进行测试，正确率为98.01％。从205个原始图像中，抽取了2610个48×48的子图建立了训练样本库，对DCNN进行训练，训练正确率为995％;利用341个原始图像对训练后的DCNN进行测试，正确率为98.53％。由此可知，所提算法能够有效地识别绝缘子图像及绝缘子自爆故障图像，且具有较强的泛化能力。
　　在识别出自爆绝缘子图像的基础上，提出了一种基于DCNN和最大类间方差法(Otsu)的自爆绝缘子分割算法，该算法用DCNN的识别结果来优化Otsu的分割结果。实验表明，该分割方法能够较有效去除Otsu分割方法中难以去除的塔杆背景。初步开发了基于DCNN的绝缘子自爆故障检测系统，实现了含绝缘子图像的识别、自爆绝缘子故障图像的检测，为绝缘子故障的检测提供了一定的技术支撑。

目录

声明

摘要

第一章 绪论

1．1 选题背景及研究意义

1．2 国内外研究现状及趋势分析

1．2．1 绝缘子巡检方式的研究现状

1．2．2 绝缘子故障模式的识别

1．3 研究内容及安排

第二章 基于DCNN的绝缘子故障检测方案设计

2．1 航拍采集图像特点

2．2 深度学习与卷积神经网络

2．3 绝缘子故障检测整体流程

2．4 本章小结

第三章 绝缘子航拍图像预处理

3．1 图像预处理

3．1．1 图像灰度化

3．1．2 图像切割

3．1．3 图像压缩

3．2 数据库

3．3 本章小结

第四童DCNN网络的构建

4．1 DCNN网络结构参数的讨论

4．1．1 网络层数对实验的影响

4．1．2 卷积核大小对实验的影响

4．1．3 迭代次数对实验的影响

4．1．4 批训练大小对实验的影响

4．2 DCNN的结构

4．3 本章小结

第五章 基于DCNN的绝缘子自爆故障检测

5．1 绝缘子图像识别

5．1．1 绝缘子图像识别算法

5．1．2 绝缘子图像识别实验

5．2 自爆绝缘子图像识别

5．2．1 自爆绝缘子图像识别算法

5．2．2 自爆绝缘子图像识别实验

5．3 自爆绝缘子图像的分割

5．4 本章小结

第六章 绝缘子自爆故障检测软件开发

6．1 绝缘子自爆故障检测软件总体架构设计

6．2 绝缘子自爆故障检测软件模块化功能实现

6．3 本章小结

第七章 总结和展望

7．1 结论

7．2 展望

参考文献

发表论文和参加科研情况说明

致谢