文献类型：期刊文章

作　　者：顾晓东[1,2] 唐丹宏[2] 黄晓华[3]

GU Xiaodong;TANG Danhong;HUANG Xiaohua(School of Mathematics and Information Technology,Jiangsu Second Normal University,Nanjing 210013,China;Jiangsu Junying Tianda Artificial Intelligence Research Institute Co.,Ltd.,Nanjing 210042,China;School of Mechanical Engineering,Nanjing University of Science&Technology,Nanjing 210094,China)

机构地区：[1]江苏第二师范学院数信学院,江苏南京210013 [2]江苏君英天达人工智能研究院有限公司,江苏南京210042 [3]南京理工大学机械工程学院,江苏南京210094

出　　处：《电力系统保护与控制》

基　　金：国家自然科学基金项目资助(61701201)。

年　　份：2021

卷　　号：49

期　　号：5

起止页码：91-97

语　　种：中文

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

摘　　要：无人机巡检已成为保证电网稳定运行的重要手段。针对巡检图像的自动化判读,提出基于深度学习的电网多部件缺陷检测与识别方法。将小样本缺陷检测问题分解为目标检测和分类两步。针对多目标部件的检测,提出基于最小凸集的损失函数以及预测框选择方法,两者结合YOLOv3框架可以实现多种部件的精准定位。之后,单类分类器在高维特征空间中进行小样本学习,判断目标部件是否故障。测试图像来自220 kV安徽宣枣4883线的巡检图像。实验结果表明,该方法对常见的电网故障识别率高于96%,漏报率低于2%,表明该方法能有效地进行电网的多部件缺陷检测与识别。未来结合边缘计算加速处理,可以实现无人机的在轨巡检。

关 键 词：输电线 深度学习  目标检测 边界框回归  单类分类器

分 类 号：TP391.41] TP18[计算机类] TM75]