基于卷积神经网络的输电线路外破隐患触发源图像智能识别技术
李国强1
张峰2
廖如超2
李端姣2
李雄刚2
1.东北电力大学建筑工程学院,吉林吉林 132011;广东电网有限责任公司机巡管理中心,广东 广州 512.广东电网有限责任公司机巡管理中心,广东 广州 510335
摘要：[目的]随着电力系统规模的持续扩大,输电线路作为电能传输的关键通道,其安全、稳定运行尤为重要.然而,输电线路长期暴露于复杂多变的自然环境中,易受到外力破坏及设备老化等多种隐患威胁.为实现隐患的高精度、高效率自动化检测,提出了一种基于深度学习的输电线路外力破坏隐患智能识别方法.[方法]构建了"几何校正—图像增强—智能识别"一体化技术框架,系统解决输电线路图像识别中的关键难题.在几何校正阶段,基于最小二乘法的多项式模型建立精确坐标映射,有效消除了由拍摄角度和镜头畸变引起的几何失真;在图像增强阶段,提出了双边滤波与最大类间方差法协同的图像处理算法,在去除噪声的同时完整保留线路边缘特征,为后续识别提供高质量数据;在智能识别阶段,设计了双重优化卷积神经网络(convolutional neural network,CNN)模型,通过动态调整卷积核权重优化特征提取过程,引入稀疏约束提升特征判别性,并结合支持向量机(support vector machine,SVM)分类器实现精确识别.该方法突破了传统技术在几何校正不充分、特征提取不足等方面的瓶颈,形成了完整的输电线路隐患智能识别方案.[结果]在包含多种破损类型的真实数据集上进行测试,与主流算法YOLOv4、Mask R-CNN相比,本文方法在复杂背景下表现出更高的识别准确率和鲁棒性;平均偏移量仅为0.013 m,满足工程应用需求;处理1 000张图像的浮点运算次数降低至3.24 × 109,大幅提升了实时处理能力.[结论]所提出的输电线路外力破坏隐患智能识别技术,通过创新的技术路线和系统性的优化策略,在识别精度、定位精度与计算效率方面均取得显著提升.其理论贡献在于:建立了完整的输电线路图像处理技术体系,为相关研究提供了新思路;双重优化机制为复杂环境下的特征提取提供了可行方案;轻量化网络设计为深度学习模型的工程化应用提供了重要参考.
关键词：输电线路卷积神经网络外破隐患触发源图像识别图像增强双边滤波最大类间方差隐患特征
分类号：TP391.4(计算技术、计算机技术)
资助基金：国家自然科学基金(61803099)南方电网公司科技项目(GDKJXM20220157)
论文发表日期：2025-11-25
在线出版日期：2025-12-29（本平台首次上网日期，不代表文献的发表时间）
页数：9( 808-816 )
英文信息