基于Faster R-CNN级联的输电塔螺栓缺失检测

摘要：

螺栓缺失样本数据量过小,直接检测螺栓缺失效果不理想;由于输电塔所处地理环境复杂,数据采集时无人机拍摄角度、距离等因素各异,螺栓影像背景复杂,信噪比低,检测效果较差;螺栓作为小目标物,受限于尺寸,特征表达能力弱,一直是目标检测中的难题.针对上述问题,提出基于深度卷积神经网络Faster R-CNN级联的输电塔螺栓缺失检测方法.首先,根据输电塔上螺栓所在部件的特征及规律性,定位所有包含螺栓的部件并生成影像,降低螺栓背景的影响,提高信噪比;其次,对部件影像进行正常螺栓定位,得到检测结果;最后,基于各类部件上正常螺栓的分布,对同类部件上所有正常螺栓检测结果进行最近点迭代算法(iterative closest point,ICP)配准,定位螺栓缺失位置.实验结果表明,与不采用级联的检测方法相比,基于级联的检测方法对螺栓缺失的检测精度提升了7.5％,检测时间基本持平,可提高无人机巡检中螺栓缺失检测的效率,降低巡检成本,适用于电力巡检.

关键词：电力巡检、无人机、深度学习、小目标检测、螺栓缺失检测

所属期刊栏目：34

分类号：TM754;TP181;TP391.41(输配电工程、电力网及电力系统)

在线出版日期：2021-07-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：65-71