12、基于机器学习的输电塔组件分割方法

基于机器学习的输电塔组件分割方法

1. 引言

电力传输线需跨越长距离将电力负荷输送给用户，架空电力线（OPL）在全球广泛分布。架空电力线的导体没有绝缘层，需由电线杆或塔架支撑，以防止电流流入大地，因此需要使用绝缘子来支撑和保护导体。然而，无人机拍摄的OPL图像背景复杂，手动和机器人操作进行识别和分割都很困难，且耗时较长。OPL组件的损坏可能导致环境灾难，因此对架空电力线的检查成为了多个科学研究的主题。

为实现自动输电线路检查，本文开发了一种配备先进嵌入式处理器和双目视觉传感器的无人机。首先提出了一种端到端的卷积神经网络（CNN），用于提取多级特征的互补信息，检测不同像素宽度和方向的电力线，以实现电力线的自主三维感知。

2. 相关工作

2.1 绝缘子表面检查

有研究表明，可使用图像处理技术在复杂气候条件下远程检查绝缘子表面。通过对被水、冰和雪覆盖的绝缘子图像进行实验，应用最小距离最近邻分类器检测绝缘子图像上的雪、冰和水滴。

2.2 绝缘子语义分割

利用ED - Net编码器 - 解码器架构分析航空图像，以智能准确地识别绝缘子。在编码器路径中，提出了初始模块和CA瓶颈来提取图像特征并生成更精细的特征图，通过全局平均池化保持最大感受野。在解码器路径中，包括细化边界模块和非对称卷积模块进行边界优化，结合高低层特征。

2.3 绝缘子缺陷检测

传统手工特征难以从航空图像中提取强大的图像特征，因此提出了一种基于深度学习和迁移学习的新型算法，结合空间金字塔池化（SPP）和MobileNet网络，定位绝缘子并去除复杂背景干扰。

2.4 其他相