基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型

doi:10.11930/j.issn.1004-9649.201806102

中国电力 ›› 2019, Vol. 52 ›› Issue (7): 31-39.DOI: 10.11930/j.issn.1004-9649.201806102

• 泛在电力物联网——先进信息与通信技术 • 上一篇下一篇

基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型

赖秋频, 杨军, 谭本东, 王亮, 傅思遥, 韩立伟

武汉大学电气工程学院, 湖北武汉 430072

收稿日期:2018-06-26 修回日期:2018-12-07 出版日期:2019-07-05 发布日期:2019-07-13
作者简介:赖秋频(1995-),男,硕士研究生,从事电力系统图像处理与模式识别研究,E-mail:846472189@qq.com
基金资助:
国家自然科学基金资助项目（51277135）。

An Automatic Recognition and Defect Diagnosis Model of Transmission Line Insulator Based on YOLOv2 Network

LAI Qiupin, YANG Jun, TAN Bendong, WANG Liang, FU Siyao, HAN Liwei

School of Electrical Engineering, Wuhan University, Wuhan 430072, China

Received:2018-06-26 Revised:2018-12-07 Online:2019-07-05 Published:2019-07-13
Supported by:
This work is supported by National Natural Science Foundation of China (No.51277135).

摘要/Abstract

摘要： 针对无人机或机器人获取的输电线路绝缘子图像，提出了一种基于深度学习图像识别框架（YOLOv2）网络的输电线路绝缘子在线识别与缺陷诊断模型，训练YOLOv2网络学习复杂背景下各种绝缘子的特征并准确识别，结合边缘检测、直线检测、图像旋转和垂直投影方法，对识别出各种状态的绝缘子进行缺陷诊断。输电线路巡检图像的仿真结果表明，所提出的绝缘子自动识别与缺陷诊断方法能迅速准确地从输电线路巡检图像中识别出绝缘子，并诊断出绝缘子是否破损以及缺陷位置，有利于提升输电线路智能巡检水平。

关键词: 输电线路, 智能巡检, 绝缘子, YOLOv2网络, 深度学习, 图像识别, 缺陷诊断

Abstract: Aiming at the transmission line insulator images obtained by drones or robots, this paper proposes an online recognition and defect diagnosis model of transmission line insulators based on YOLOv2 network. The YOLOv2 network is trained to learn and accurately recognize the characteristics of various insulators under complicated background, and eventually to accomplish the defect diagnosis of the identified insulators of various status by means of edge detection, line detection, image rotation and vertical projection methods. The simulation results of the patrol inspection images of the transmission lines show that the proposed automatic insulator identification and defect diagnosis method can quickly and accurately identify the insulators from the patrol images of the transmission lines and diagnose the defects and their locations of the insulators, which is beneficial to enhance the intelligence inspection level of transmission lines.

Key words: transmission line, intelligent inspection, insulator, YOLOv2 network, deep learning, image recognition, defect diagnosis

中图分类号:

TM853
TP277

赖秋频, 杨军, 谭本东, 王亮, 傅思遥, 韩立伟. 基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型[J]. 中国电力, 2019, 52(7): 31-39.

LAI Qiupin, YANG Jun, TAN Bendong, WANG Liang, FU Siyao, HAN Liwei. An Automatic Recognition and Defect Diagnosis Model of Transmission Line Insulator Based on YOLOv2 Network[J]. Electric Power, 2019, 52(7): 31-39.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.201806102

https://www.electricpower.com.cn/CN/Y2019/V52/I7/31

参考文献

[1] 赖奎, 姚军艳, 马承志, 等. 输电线路智能巡检系统的设计研究[J]. 广东电力, 2016, 29(7):105-110 LAI Kui, YAO Junyan, MA Chengzhi, et al. Design research on intelligent inspection system for power transmission lines[J]. Guangdong Electric Power, 2016, 29(7):105-110
[2] 秦科技. 智能高压输电线路巡检机器人设计[D]. 南昌:南昌大学, 2017.
[3] 苗向鹏. 基于图像处理的接触网绝缘子识别与破损检测[D]. 成都:西南交通大学, 2017.
[4] ZHANG G, ZENG Z, ZHANG S, et al. SIFT matching with CNN evidences for particular object retrieval[J]. Neurocomputing, 2017(5):399-409.
[5] 吕一平. 基于HOG特征和LBP特征的人脸识别方法研究[D]. 合肥:安徽大学, 2015.
[6] 孙超博. 基于物体内部结构的目标识别及其应用[D]. 北京:北京邮电大学, 2016.
[7] 章新. 目标候选区域算法的研究及其应用[D]. 合肥:安徽大学, 2017.
[8] 张晶晶, 韩军, 赵亚博, 等. 形状感知的绝缘子识别与缺陷诊断[J]. 中国图象图形学报, 2014, 19(8):1194-1201 ZHANG Jingjing, HAN Jun, ZHAO Yabo, et al. Insulator recognition and defects detection based on shape perceptual[J]. Journal of Image and Graphics, 2014, 19(8):1194-1201
[9] 马帅营, 安居白, 陈舫明. 基于区域定位的绝缘子图像分割[J]. 电力建设, 2010, 31(7):14-17 MA Shuaiying, AN Jubai, CHEN Fangming. Segmentation of the insulator images based on region location[J]. Electric Power Construction, 2010, 31(7):14-17
[10] 黄宵宁, 张真良. 直升机巡检航拍图像中绝缘子图像的提取算法[J]. 电网技术, 2010, 34(1):194-197 HUANG Xiaoning, ZHANG Zhenliang. A method to extract insulator image from aerial image of helicopter patrol[J]. Power System Technology, 2010, 34(1):194-197
[11] 姜云土, 韩军, 丁建, 等. 基于多特征融合的玻璃绝缘子识别及自爆缺陷的诊断[J]. 中国电力, 2017, 50(5):52-58, 64 JIANG Yuntu, HAN Jun, DING Jian, et al. The identification and diagnosis of self-blast defects of glass insulators based on multi-feature fusion[J]. Electric Power, 2017, 50(5):52-58, 64
[12] 林聚财, 韩军, 陈舫明, 等. 基于彩色图像的玻璃绝缘子缺陷诊断[J]. 电网技术, 2011, 35(1):127-133 LIN Juncai, HAN Jun, CHEN Fangming, et al. Defects detection of glass insulator based on color image[J]. Power System Technology, 2011, 35(1):127-133
[13] ZHANG Xinye, AN Jubai, CHEN Fangming. A method of insulator fault detection from airborne images[C]//Proceedings of the 2nd WRI Global Congress on Intelligent Systems. Wuhan:IEEE, 2010:200−203.
[14] 高宗, 李少波, 陈济楠, 等. 基于YOLO网络的行人检测方法[J]. 计算机工程, 2017, 43(6):1-6 GAO Zong, LI Shaobo, CHEN Jinan, et al. Pedestrian detection method based on YOLO network[J]. Computer Engineering, 2017, 43(6):1-6
[15] 陈华官. 基于端到端深度卷积神经网络的人脸识别算法[D]. 杭州:浙江大学, 2017.
[16] ELLEUCH M, MAALEJ R, KHERALLAH M. A new design based-SVM of the CNN classifier architecture with dropout for offline Arabic handwritten recognition[M]. Netherlands:Elsevier Science Publishers, 2016.
[17] TANG P, WANG H, KWONG S. G-MS2F:GoogLeNet based multi-stage feature fusion of deep CNN for scene recognition[J]. Neurocomputing, 2017(2):188-197.
[18] 郭忠峰, 唐晓晓, 任仲伟, 等. 基于Canny算子改进的图像边缘检测算法研究[J]. 机械研究与应用, 2017, 30(2):123-125 GUO Zhongfeng, TANG Xiaoxiao, REN Zhongwei, et al. Study on the improved image edge detection algorithm based on Canny algorithm[J]. Mechanical Research & Application, 2017, 30(2):123-125
[19] 杨东华, 李久贤, 卞治国. Marr边缘检测算法的研究[J]. 中国图象图形学报, 2006, 11(6):823-826 YANG Donghua, LI Jiuxian, BIAN Zhiguo. A research on edge detection by Marr algorithm[J]. Journal of Image and Graphics, 2006, 11(6):823-826
[20] 郭丽. 基于RGB颜色空间的彩色图像灰度化算法研究[D]. 西安:陕西师范大学, 2017.

基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型

An Automatic Recognition and Defect Diagnosis Model of Transmission Line Insulator Based on YOLOv2 Network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	姜通海, 王峰, 刘子琪, 单帅杰. 基于改进生成对抗网络的风光气象资源联合场景生成方法[J]. 中国电力, 2025, 58(3): 183-192.
[2]	任明, 李乾宇, 夏昌杰, 董明. 基于稀疏光谱成像的线路复合绝缘子积污状态可视化评估[J]. 中国电力, 2025, 58(2): 203-215.
[3]	陈志永, 韩璟琳, 刘洋, 李光毅, 蒋雨, 蔡瑞天. 基于关键帧提取与图像识别的电网设施数字化重建[J]. 中国电力, 2024, 57(9): 217-223.
[4]	程洋, 夏令志, 牛雷, 阮巍, 孙昊, 曹轩赫, 张世珉. 500 kV双联耐张瓷绝缘子串的串间放电现象[J]. 中国电力, 2024, 57(9): 231-237.
[5]	宋智伟, 黄新波, 纪超, 张凡, 张烨. 基于PCSA-YOLOv7 Former的输电线路连接金具及其锈蚀检测方法[J]. 中国电力, 2024, 57(6): 141-152.
[6]	王传琦, 伍历文, 邓志斌, 邓伟锋, 杨彬. 时间累积架空输电线路覆冰预测模型与算法综述[J]. 中国电力, 2024, 57(6): 153-164, 234.
[7]	叶煜明, 钱琪琪, 万正东, 张继钢. 基于嵌入法与集成学习的线路工程造价预测[J]. 中国电力, 2024, 57(5): 251-260.
[8]	李瀚儒, 刘智健, 来立永, 黄凌宇, 丁施尹, 刘任, 唐波. 考虑气象参数预测误差条件分布的架空输电线路载流量概率预测方法[J]. 中国电力, 2024, 57(2): 103-114.
[9]	刘东, 张越, 皮俊波, 单连飞, 刘赫, 宋鹏程, 姜涛. 面向电网调控信息智能检索的知识图谱构建及应用[J]. 中国电力, 2023, 56(7): 78-84.
[10]	张鑫, 叶俊杰, 崔瑶, 黄鑫, 仲林林. 基于语义信息距离解耦的变电运维多类别缺陷图像检测[J]. 中国电力, 2023, 56(6): 209-218.
[11]	张业茂, 李妮, 周翠娟, 鲁浩男. 750 kV高海拔交流输电线路无线电干扰测试数据分析[J]. 中国电力, 2023, 56(2): 77-85.
[12]	周震震, 宋云海, 何宇浩, 王黎伟, 黄和燕, 何珏, 朱志航, 闫云凤. 基于分组查询注意力的可扩展电力人员行为分类方法[J]. 中国电力, 2023, 56(11): 77-85.
[13]	李永胜, 杨加伦, 郑维刚, 刘彬, 高正旭. 辽宁省特定重现期舞动区域分布图绘制[J]. 中国电力, 2022, 55(8): 129-134.
[14]	胡京, 邓颖, 蒋兴良, 曾蕴睿. 输电线路覆冰垭口微地形的特征提取与识别方法[J]. 中国电力, 2022, 55(8): 135-142.
[15]	马爱清, 王洁, 毕永翔. 500 kV交流线路对并行±800 kV直流线路带电作业人员安全防护的影响[J]. 中国电力, 2022, 55(6): 128-136.

模态框（Modal）标题

基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型

An Automatic Recognition and Defect Diagnosis Model of Transmission Line Insulator Based on YOLOv2 Network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics