文献类型：期刊文章

作　　者：缪希仁[1] 林志成[1] 江灏[1] 陈静[1] 刘欣宇[1] 庄胜斌[1]

MIAO Xiren;LIN Zhicheng;JIANG Hao;CHENG Jing;LIU Xinyu;ZHUANG Shengbin(College of Electrical Engineering and Automation,Fuzhou University,Fuzhou 350116,Fujian Province,China)

机构地区：[1]福州大学电气工程与自动化学院,福建省福州市350116

出　　处：《电网技术》

基　　金：国家自然科学基金项目(61703105,61703106);福建省自然科学基金面上项目(2017J01500);福建省教育厅青年科研项目(JAT170107);福建省高校青年自然科学基金重点项目(JZ160415);福州大学引进人才科研启动项目(XRC-1623,XRC-17011);福建省高校杰出青年科研人才计划(601934)。

年　　份：2021

卷　　号：45

期　　号：1

起止页码：126-133

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：电力铁塔上故障防鸟刺的及时检测,对于减少输电线路鸟害的发生,从而保障输电线路安全可靠运行具有重要意义。电力巡检图像中电力铁塔上的防鸟刺具有轮廓特征较不明显、部分重叠分布的特点给防鸟刺部件识别与故障检测研究带来一定挑战。针对所述防鸟刺特点,提出一种基于深度卷积神经网络的防鸟刺部件识别与故障检测方法。先利用锐化滤波器对电力巡检图像进行锐化处理;其次运用经过多尺度训练的YOLOv3目标检测网络框选并截取出经过锐化处理的电力巡检图像中的防鸟刺区域;最后利用基于Resnet152特征提取网络的防鸟刺故障检测器处理截取出的防鸟刺区域,实现防鸟刺故障检测。利用上述方法,实现电力巡检图像中的防鸟刺部件识别与故障防鸟刺检测,防鸟刺部件识别平均准确率为95.36%,故障防鸟刺检测准确率为92.3%。实验结果表明,所提方法能够有效实现电力巡检图像中防鸟刺部件识别与故障检测。

关 键 词：电力巡检  深度学习  防鸟刺 故障检测

分 类 号：TM85]