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

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 netw ork,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3.24×10～9，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