摘要：输电线路的绝缘子定期巡检是必不可少的一项任务,而传统的人工巡检存在着效率低、工作强度大等问题。因此,本文设计了一种改进的U-Net模型实现对绝缘子的分割,并使用改进的YOLOv5实现在复杂背景下对爆破绝缘子的定位。本文基于U-Net图像语义分割模型,提出一种改进的网络结构SERes-Unet。模型引入残差结构减少卷积过程中存在的梯度消失、结构信息损耗的影响,引入注意力机制对特征权重进行校正,从而提升网络性能。为实现对高分辨率图像的爆破绝缘子检测,提出将图片进行切割再进行检测,再通过非极大值抑制(Non-maximum suppression,NMS)进行筛选,获取图像全部爆破绝缘子的位置。本文设计的多组实验验证了模型的有效性和高效性。本文方法绝缘子分割精度达到0.96,爆破绝缘子检测精确率达到0.97,召回率达到0.99。

摘要：输电线路上绝缘子的完整性直接影响了输电的安全与可靠性.采用深度学习方法,对绝缘子图像识别提取和缺陷检测问题进行了研究.首先基于优化的U-net模型获取绝缘子区域掩模图像,实现对绝缘子串语义分割;然后基于YOLOv4模型获取缺陷绝缘子的位置,实现对自爆绝缘子目标的检测.为充分利用高分辨率图像的像素信息,提出“切分-识别-合成”的检测思路,精确分割出绝缘子以及判断并获取缺陷区域;最后设计了多组实验并进行对比,验证了模型的有效性.采用优化的U-net模型分割绝缘子的Dice系数达0.92;采用YOLOv4模型检测自爆绝缘子的识别精度达0.96,平均重叠度IOU达0.88.研究结果对实现电力系统运维的智能化具有较高的应用价值.