【电力设备图像目标检测领域研究现状文献综述2900字】

1在电力设备图像或者是视频流数据的识别检测中，目标检测算法是该任务实现的关键技术。同时在人工智能领域的分支即计算机视觉领域，目标检测也是一个重要的研究方向，是众多计算机视觉任务研究的基础。其主要内容是通过算法识别出图像中感兴趣的目标，准确地对每个目标的类别进行分类，并且给出相应的具体位置。近些年来，目标检测智能算法在无人驾驶、人脸检测以及目标实时检测等领域有较强的引领示范性。此外，伴随科学技术的不断发展、计算机硬件的升级以及相应算力的不断提升，出现了一系列以卷积神经网络为核心的检测算法。目标检测的精度和检测速度同时得到了大幅度提升。不断地扩展着计算机视觉的应用范围。在国外，电力系统的研究人员对基于图像识别技术的电力设备检测研究可以回溯到二十世纪九十年代，红外图像首次被用来识别电力设备，YamamotoKazuo等人在电力设备检测领域第一次采用配准融合算法，将可见光和红外图像进行配准融合，自适应检测配准融合图像中的输电线[35。DeOliverira等人通过热成像图像来检测电力线故障，算法首先通过分割图像得到不同的检测区域，其次通过图像中不同温度差来找到电力线故障点[36】。LiZ等人加强了整体与部分信息的融合，更换并且使用核心算力组件提高算法效能137-38。SarabandiKamal等人借助输电线以及输电相关设备在雷达图像中特征较弱的特点，通过改进算法降低误检率[39-40】。在绝缘子检测方面，GuIreneY等人提出了一种综合利用直方图、边缘和模板等技术电力系统绝缘子的覆雪和倾斜进行在线检测的方法[41-42]。BolognaF等人提出了基外图像的检测方法[43,该方法充分发挥了两种不同类型图像的优势。由此可见，上述算法主要针对电力输电线路以及绝缘子等零部件的状态识别上，并没有深入研究电力设备图像特性，缺乏对多种类、小样本、不同尺度图像自适应的识别方法研究。在国内，相关研究主要还是集中于理论分析以及工程初步应用阶段，并未形成系统性的方法论。文献[44]提出了一种基于最优阈值改进型Canny算子检测电力设备图像的算法，该算法取得了较为理想的边缘检测效果，但是未考虑复杂背景下最优阈值灰度分割法是否适应。文献[45-46]提出采用Hough变换对输电线路边缘进行检测，通过对比导线覆冰前后的厚度差来实现覆冰厚度计算，解决了实际工程问题，但模型仅对输电线路边缘进行检测，未对输电线路进行准确的定位。文献[47]提出了一种基于紫外图像的Canny边缘检测算法，效果显著,但是检测时间较长。文献[48]提出利用改进型分水岭模型实现电力设备的分类，通过Hsim函数来完成设备识别，对传统特征提取方法进行了改进，但采集数据集背景较为单一，未考虑到复杂背景下电力设备的检测。文献[49]引入动态自适应遗传算法来对模糊参数进行优化，针对电力设备部件的热异常部位图像质量进行增强，算法效果较好，但未对异常电力设备进行准确定位。深度学习相关算法利用高质量、大样本数据集对卷积神经网络进行训练，相比于传统图像处理方法，其特征提取能力更强、抗干扰能力更优。文献[50]提出利用改进型Canny2算子来获取绝缘子表面水珠的边缘信息，其次提取相关特征量，最后建立基于BP卷积神经网络的绝缘子憎水性识别模型，识别效果显著,但是该模型有一定的局限性，无法迁移到其他电力设备检测模型中。文献[51]提出了基于q-φ图像特征的换流变压器缺陷诊断方法，在交直流复合电压作用下缺陷识别效果良好。文献[52]采用CNN卷积神经网络，将Softmax分类器更换为传统随机森林分类器(RF),准确度有所提高，但对于小样本数据集，检测效果不如传统特征提取分类方法。以上方法均未研究基于小样本数据的电力设备检部件检测。目前智能电网发展迅速，而电网中AI的应用一直贯穿着整个行业发展。国内外学者利用人工智能相关技术对电力设备部件检测识别进行了大量的研究。传统图像处理方法将巡检图像的分类检测任务分为预处理如数据增强、特征提取、图像分割、目标定位等多个阶段处理，如图1-2。图像输入识别结果图1-2图像在电力设备检测与识别领域，国内外基于深度学习的高精度电力设备检测识别的研究少之又少。由于电力行业的特殊性与保密性，电力设备图像没有较好的公开数据集可以使用。通过无人机航拍以及地面高清可见光摄像仪等采集的图像数据分辨率不一，数据场景较为复杂，干扰信息较多，整体数据信息量远远不足以训练卷积神经网络。如何充分利用这些电力设备图像数据，从中挖掘出底层信息，并且将这些信息有针对性地进行提取和分析，从而应用到电力设备检测识别中，以得到较高的检测精度。因此基于小样本的高精度检测成为电力设备检测的难点问题。此外由于智能变电站中电力设备分类复杂且不易识别，干扰信息冗余且复杂，需要人工标记的信息众多，这些对于传统的机器学习3而言难度较大。目前，以深度学习和基于图像处理与识别为基础的计算机视觉得到了跨越式的发展54-55,其应用领域也越来越广泛。在特征提取方面，现阶段流行的卷积神经网络已经能够提供较传统特征学习方法更优的表征能力56并且能够有效缓解梯度消失。同时深度学习算法也在不断加强特征传播[571,提高对目标的检测准确率、降低检测耗时[58-59。上述研究都为基于深度学习的智能变电站电力设备自动化实时检测系统的建立打下了良好的基础。参考文献[1]周念成，廖建权，王强钢等.深度学习在智能电网中的应化，2019,43(04):180-191.3[2]贺兴，艾芊，朱天怡等.数字孪生在电力系统应用中的机遇和挑战[J].电网技术，2020,44(06):2009-[3]周孝信，陈树勇，鲁宗相等.能源转型中我国新一代电力系统的技术特征[J].中国电机工程学[8]张晶，代攀，吴天京等.新一代智能电网技术标准体系架构设计及需求分析[J].电力系统自动[9]谢小瑜，周俊煌，张勇军.深度学习在泛在电力物联网中的应用与挑战[J].电力自动化设[10]翟永杰，王迪，伍洋等.基于骨架提取的航拍绝缘子图像分步识别方法[J].华北电力大学学报(自然科[11]唐文虎，牛哲文，赵柏宁等.数据驱动的人工智能技术在电力设备状态分析中的研究与应用[J].高电[12]刘云鹏，许自强，李刚等.人工智能驱动的数据分析技术在电力变压器状态检修中的应用综述[J].高[15]陈启卷，毛慧和，肖志怀，等.便携式电力设备巡检装置[J].电力系统自动化，2001,25(3):61-[16]王万国，田兵，刘越，等.基于RCNN的无人机巡检图像电力小部件识别研究[J].地球信息科学学报，2017,19(2):256-263.[17]侯一民，邸建铭.改进的尺度不变特征转换精确图像匹配在电力设备目标定位中的应用[J].中国电机工程学报，2012,32(19):134-139.[18]张文峰，彭向阳，陈锐民，等.基于无人机红外视频的输电线路发热缺陷智能诊断技术[J].电网技术，2014,38(05):1334-1338.[19]万晓琪，宋辉，罗林根，等.卷积神经网络在局部放电图像模式识别中的应用[J].电网技术，2019,43(06):2219-2226.[20]ZHANGZ,LYONSM,SCHUSTEbasedfacialexpressionrecognitionusingmulti-layerperceptron[C]//AutoRecognition,1