基于卷积神经网络的输电线路覆冰多源三维监测中的立体匹配与拓扑建模

Transmission line icing (TLI) is a significant problem which harms power grid. However, the image noise, similarity of foreground and background, high texture repetition, low distinction of icing types are the main factors affecting the accuracy of TLI monitoring via machine vision. With theoretical analysis and experimental testing, this project proposes a multi-source three-dimensional monitoring method of TLI based on convolution neural network (CNN). The details are as follows: (1) Color image-based multi-scale adaptive enhancement algorithm and quaternion hybrid filter are presented, then a fusion method of laser ranging and optical image transmission to extract line , and deep metric learning-based stereo matching model are proposed, which help to identify TL in complex background and improve the measurement accuracy. (2) CNN-based high-level semantic feature topology modeling algorithm is presented, with icing feature extraction and fine-grained classification, TLI fault is accurately recognized which are utilized to design and optimize flight control strategy of unmanned aerial vehicle-based monitoring platform. (3) All algorithms will be transplanted to an embedded system, and verified via a self-built TLI simulation platform in the actual scene. Overall, the research will not only realize a novel on-line monitoring mode for TLI, but also be suitable for other image processing and pattern recognition systems in various fields.

输电线路覆冰是危害电网安全运行的重要问题，而在基于机器视觉的覆冰监测中，图像噪声干扰、场景前后景相似、纹理重复率高、覆冰类型区分度低等是影响监测精度的主要因素。本项目采用理论分析和实验测试相结合的方法，针对上述问题提出基于卷积神经网络的输电线路覆冰多源三维监测方法，具体包括：(1)研究彩色图像多尺度自适应增强和四元数混合滤波，提出融合激光测距和光学图像的输电线路提取方法和基于深度度量学习的立体匹配方法，为准确识别出复杂背景下的输电线路和提升测量精度提供保障。(2)研究基于卷积神经网络的高层语义特征拓扑建模方法，通过提取覆冰特征并进行细粒度分类，实现覆冰故障类型的精准识别，用于制定和优化无人机监测平台的飞控策略。(3)对提出算法进行嵌入式移植，并在自建输电线模拟平台和实际场景下检验。最终形成一种新型的电力设备覆冰在线监测模式，相关成果也适用于其他图像处理和模式识别系统。

输电线路覆冰是危害电网安全运行的重要问题，而在基于机器视觉的覆冰监测中，图像噪声干扰、场景前后景相似、纹理重复率高、覆冰类型区分度低等是影响监测精度的主要因素。.本项目采用理论分析和实验测试相结合的策略，针对上述问题提出基于卷积神经网络的输电线路覆冰多源三维监测方法，具体包括：(1)研究基于深度度量学习的CNN立体匹配模型，实现物体三维信息的准确获取。(2)研究用于分类的改进型时间序列符号表示方法，并以此构建出BOTS分类器，为覆冰体积和质量及增长趋势判断提供理论支撑和实现依据。(3)研究基于显著性检测的覆冰输电线路轮廓提取方法，利用CNN提取和整合多尺度信息，避免检测目标尺度变化带来的干扰，显著提高检测的精度。(4)对提出算法进行嵌入式移植，并在自建输电线模拟平台和实际场景下检验。.基于以上研究内容，本项目有以下重要研究成果：1)提出了一种改进的ORB特征提取算法，重点解决了图像的细微变化会极大影响最终二进制描述向量的问题。2)提出了一种改进的符号表示TrSAX，集成SAX和最小二乘法，用以描述时间序列的均值和斜率，克服SAX方法无法区分具有不同趋势但具有相同平均值符号的不同时间序列的问题。在TrSAX的基础上，构建出BOTS分类器，利用数据序列和BOTS分类器，为覆冰体积、质量及增长趋势判断提供了理论支撑和实现依据。3)设计了基于显著性检测的覆冰边缘特征点筛选算法，能够避免背景物体的干扰和检测目标尺度变化的影响，显著提高检测的精度。4)针对无人机平台，提出了一种自主巡线导航算法，在多无人机监测场景中发挥其“互惠避碰”的优势，在轨迹平滑性和安全性方面表现出较好的优越性。.在以上重要技术突破的基础上，本项目最终形成一种新型的电力设备覆冰在线监测系统，精度高达90.9%。相关成果也适用于其他图像处理和模式识别系统。

内容获取失败，请点击重试