一种新的输电线路异物检测网络结构——TLFOD Net

doi:10.3969/j.issn.1006-2475.2019.02.021

计算机与现代化

一种新的输电线路异物检测网络结构——TLFOD Net

(1.国网山东省电力公司，山东济南250000;2.中国石油大学（华东）计算机与通信工程学院，山东青岛266580)

收稿日期:2018-11-27 出版日期:2019-02-25 发布日期:2019-02-26
作者简介:沈茂东(1978-),男,山东滕州人，高级工程师，硕士,研究方向：电力安全管理,E-mail: shenmaodong@126.com; 裴健(1978-),男,山东德州人，高级工程师，硕士,研究方向：电气工程及其自动化,E-mail: peijian@126.com; 付新阳(1980-),男,山东聊城人，高级工程师，硕士，研究方向：电气工程及其自动化,E-mail: fuxinyang@126.com; 张俊岭(1971-),男,内蒙古通辽人，高级工程师,研究方向：电力信息化，电力项目管理,E-mail: zhangjunling@126.com; 公凡奎(1980-),男,山东巨野人，工程师，本科，研究方向：电力设备状态检修，电力设备外观缺陷识别,E-mail: gongfankui@126.com; 刘霞(1994-)，女，山东荷泽人，硕士研究生，研究方向：深度学习,E-mail: 1592091993@qq.com。
基金资助:
国家自然科学基金资助项目(61309024, 61702519); 山东省重点研发计划项目(2017GGX10140)

A New Transmission Line Foreign Object Detection Network Structure: TLFOD Net

(1. National Grid Shandong Power Company, Jinan 250000, China;
2. College of Computer and Communication Engineering, China University of Petroleum, Qingdao 266580, China)

Received:2018-11-27 Online:2019-02-25 Published:2019-02-26

摘要/Abstract

摘要： 高压输电线路上悬挂的漂浮异物可能会对输电产生巨大危害，而现有的物体识别方法无法对不规则物体进行有效识别。为此，本文提出一种异物检测的新型网络结构：TLFOD Net（Transmission Line Foreign Object Detection Net）。针对异物特点设计的TLFOD Net网络结构，主要包括特征提取网络、区域生成网络和分类回归网络3个部分；优化了合适的候选框；并提出端到端的TLFOD Net联合训练方式以提高网络训练的性能。采用图像预处理技术，增加训练集的数量。通过实验结果分析表明，TLFOD Net比现有的网络在识别速度以及识别精度上均有显著提高。

关键词: 输电线路, 异物检测, 深度学习, TLFOD Net

Abstract: Floating foreign bodies suspended on high voltage transmission lines may cause great harm to power transmission, but the existing object detection methods can not effectively identify irregular objects. This paper proposes a new network structure for foreign body detection: TLFOD Net (Transmission Line Foreign Object Detection Net). According to the characteristics of foreign bodies, this paper designs the TLFOD Net network structure, which mainly includes feature extraction network, region proposal network and classified regression network, optimizes suitable candidate boxes and proposes end-to-end joint training mode to improve the performance of TLFOD Net. Through image reversal technology, the number of training sets is increased. The experimental results show that TLFOD Net improves the detection speed and accuracy significantly compared with the existing networks.

Key words: transmission line, foreign object detection, deep learning, TLFOD Net

中图分类号:

TP312

沈茂东1，裴健1，付新阳1，张俊岭1，公凡奎1，刘霞2. 一种新的输电线路异物检测网络结构——TLFOD Net[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2019.02.021.

SHEN Mao-dong1, PEI Jian1, FU Xin-yang1, ZHANG Jun-ling1, GONG Fan-kui1, LIU Xia2. A New Transmission Line Foreign Object Detection Network Structure: TLFOD Net[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2019.02.021.

参考文献

［1］邓益民,汤智谦,李红兵,等. 基于LOD的大规模输电线路场景实时渲染算法优化［J］. 计算机与现代化, 2017(1):115-118.
［2］宋璇坤,韩柳,鞠黄培,等. 中国智能电网技术发展实践综述［J］. 电力建设, 2016,37(7):1-11.
［3］ WANG J J, WANG J H, SHAO J W, et al. Image recognition of icing thickness on power transmission lines based on a least squares Hough transform［J］. Energies, 2017,10(4), doi: 10.3390/en10040415.
［4］ BAKER L, MILLS S, LANGLOTZ T, et al. Power line detection using Hough transform and line tracing techniques［C］// Proceedings of the 2016 International Conference on Image and Vision Computing New Zealand (IVCNZ). 2016, doi: 10.1109/IVCNZ.2016.7804438.
［5］赵永生,徐海青,吴立刚,等. 基于霍夫直线变换的输电线路异物识别应用研究［J］. 数字技术与应用, 2017(3):127-129.
［6］周封,任贵新. 基于颜色空间变量的输电线图像分类及特征提取［J］. 电力系统保护与控制, 2018,46(5):89-98.
［7］黄东芳. 基于一种改进的Hough变换的输电线路图像中导线识别研究［D］. 南宁:广西大学, 2016.
［8］黄习飞,刘柏宏,苏亮亮,等. 基于多窗口中值滤波和迭代高斯滤波的去除图像椒盐噪声的方法［J］. 科技视界, 2018(3):77-78.
［9］邱志祺. 基于中值滤波与小波变换的图像去噪研究［D］. 唐山:华北理工大学, 2015.
［10］余永龙. 结合双边滤波与暗通道的图像去雾算法及应用研究［D］. 南昌:南昌航空大学, 2015.
［11］YE H M, YAN S L, HUANG P L. 2D Otsu image segmentation based on cellular genetic algorithm［C］// Proceedings of the 2017 IEEE 9th International Conference on Communication Software and Networks (ICCSN). 2017:1313-1316.
［12］CHA Y J, YOU K S, CHOI W. Vision-based detection of loosened bolts using the Hough transform and support vector machines［J］. Automation in Construction, 2016,71:181-188.
［13］孔媛媛. 基于Hough变换定位与遗传算法的脑肿瘤分割方法研究［D］. 南昌:南昌航空大学, 2018.
［14］石殷巧,刘守印,马超. 基于深度学习的短视频中的物体检测与内容推荐系统研究［J］. 计算机与现代化, 2018(11):69-76.
［15］REN X D, DU S P, ZHENG Y. Parallel RCNN: A deep learning method for people detection using RGB-D images［C］// Proceedings of the 2017 10th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI). 2017,doi:10.1109/CISP-BMEI.2017.8302069.
［16］LI Y, STEVENSON R L. Multimodal image registration with line segments by selective search［J］. IEEE Transactions on Cybernetics, 2017,47(5):1285-1298.
［17］PURKAIT P, ZHAO C, ZACH C. SPP-Net: Deep Absolute Pose Regression with Synthetic Views［DB/OL］. (2017-12-09). https://arxiv.org/pdf/1712.03452.pdf.
［18］QIAN R Q, LIU Q Y, YUE Y, et al. Road surface traffic sign detection with hybrid region proposal and fast R-CNN［C］// Proceedings of the 2016 12th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD). 2016:555-559.
［19］EGGERT C, BREHM S, WINSCHEL A, et al. A closer look: Small object detection in faster R-CNN［C］// Proceedings of the 2017 IEEE International Conference on Multimedia and Expo (ICME). 2017:421-426.
［20］KONG T, YAO A B, CHEN Y R, et al. HyperNet: Towards accurate region proposal generation and joint object detection［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. 2016:845-853.
［21］张洪涛,路红英,刘腾飞,等. 基于深度学习的显著性检测方法模型——SCS［J］. 计算机与现代化, 2018(4):48-55.
［22］LIN T Y, DOLLR P, GIRSHICK R B, et al. Feature pyramid networks for object detection［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. 2017:936-944.
［23］王德宇,徐友春,李永乐,等. 基于深度学习的车辆检测方法［J］. 计算机与现代化, 2017(8):56-60.

[1]	胡崇佳, 刘金洲, 方立. 基于无监督域适应的室外点云语义分割[J]. 计算机与现代化, 2024, 0(01): 74-79.
[2]	林威. 基于自监督学习和数据回放的新闻推荐模型增量学习方法[J]. 计算机与现代化, 2023, 0(12): 1-6.
[3]	梁天恺, 黄康华, 刘凯航, 兰岚, 曾碧. 基于双向同态加密的深度联邦图片分类方法[J]. 计算机与现代化, 2023, 0(12): 36-40.
[4]	邱凯星, 冯广. 基于双重特征注意力的多标签图像分类模型[J]. 计算机与现代化, 2023, 0(12): 41-47.
[5]	张伯泉, 麦海鹏, 陈嘉敏, 逄锦聚. 基于高灰度值注意力机制的脑白质高信号分割[J]. 计算机与现代化, 2023, 0(12): 67-75.
[6]	马泽宇, 叶宁, 徐康, 王甦, 王汝传, . 基于FMCW雷达和ResNeSt-GRU的行为识别方法[J]. 计算机与现代化, 2023, 0(11): 101-107.
[7]	李延满, 王必恒, 赵羚焱. 基于轻量化YOLOv5的安全帽检测[J]. 计算机与现代化, 2023, 0(10): 59-64.
[8]	黎世达, 项剑文. 一种提高图像识别模型鲁棒性的弱化强化方法[J]. 计算机与现代化, 2023, 0(10): 70-76.
[9]	沈加炜, 陆一鸣, 陈晓艺, 钱美玲, 陆卫忠, . 基于深度学习的人体行为检测方法研究综述[J]. 计算机与现代化, 2023, 0(09): 1-9.
[10]	刘禅奕, 黄丹, 薛林雁, 王涛, 朱桃, . 改进EfficientNet网络的COVID-19 X光分类[J]. 计算机与现代化, 2023, 0(09): 94-99.
[11]	马国祥, 杨凌菲, 严传波, 张志豪, 孙彬, 王晓荣. 基于深度DenseNet网络的肝包虫病超声影像诊断方法[J]. 计算机与现代化, 2023, 0(09): 100-104.
[12]	农皓程, 任德均, 任秋霖, 刘澎笠, 黄德成. 基于改进ConvNeXt的软塑包装表面异常检测算法[J]. 计算机与现代化, 2023, 0(08): 12-17.
[13]	欧阳飞, 吴旭, 向东升. 基于改进YOLOX的垃圾分类检测方法[J]. 计算机与现代化, 2023, 0(08): 68-73.
[14]	胡睿杰, 车逗. 红外小目标检测方法综述[J]. 计算机与现代化, 2023, 0(08): 79-86.
[15]	江蕾, 唐建, 杨超越, 吕婷婷. 基于CWGAN-GP与CNN的轴承故障诊断方法[J]. 计算机与现代化, 2023, 0(07): 1-6.

一种新的输电线路异物检测网络结构——TLFOD Net

A New Transmission Line Foreign Object Detection Network Structure: TLFOD Net

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价