面向输电线路巡检视频中的绝缘子目标的识别与跟踪方法

发布时间：2020-06-03 04:12

【摘要】：随着传统人工输电线路巡检模式所引发的问题日渐突出,利用无人机进行输电线路智能化巡检的方式逐渐成为主流,对巡检视频中绝缘子目标的识别与跟踪的研究是实现智能化巡检的关键。针对现阶段绝缘子目标的识别与跟踪方法不能解决由于复杂背景、尺度变化等带来的问题,不能满足对实时性、准确性和鲁棒性的要求。本论文从以下两方面展开研究:一是根据绝缘子目标识别场景,将绝缘子目标分为运动绝缘子目标和静态绝缘子目标,通过结合传统运动目标检测方法研究基于运动信息的绝缘子目标识别,使用机器学习算法中SVM和Faster-RCNN模型并分别引入具有较强表征能力的Hog特征和卷积特征来研究静态绝缘子目标识别;二是运用基于生成式的Camshift算法和基于判别式的KCF及其改进算法来研究绝缘子目标跟踪。论文的主要工作概括如下:(1)对当前绝缘子目标的识别与跟踪的方法进行研究分析,并利用视频中绝缘子运动信息来识别绝缘子目标,通过实验发现传统运动目标识别方法不适用于有背景更新的巡检视频,不能准确识别绝缘子目标。(2)分析了机器学习方法中常用的几种机器学习模型,结合工程需求分别设计搭建了基于SVM和Faster-RCNN的绝缘子识别模型,并使用输电线路巡检采集的样本对模型进行训练,最后利用训练好的模型实现绝缘子目标准确识别。(3)采用了基于Camshift的绝缘子目标跟踪算法,提取了绝缘子图像色调H分量,并在此基础上计算反向投影,获取绝缘子目标的外观模型,再结合算法实现绝缘子目标跟踪,最后通过实验及对比分析发现,此算法只考虑到绝缘子目标本身,忽略了正样本周围的背景以及正、负样本间的局部模式而导致绝缘子实际跟踪应用中面对复杂因素时不够鲁棒。(4)提出了一种基于KCF的多尺度绝缘子目标跟踪算法,首先提取绝缘子fHog特征,接着通过最小化决策函数来训练一个分类器,得出绝缘子目标位置,最后引入多尺度估计方法,确定绝缘子目标大小,从而提高了绝缘子跟踪的精度。同时,针对巡检视频中容易出现多个绝缘子目标的问题,提出将单目标跟踪器扩展到多目标跟踪的思想,通过封装多个单目标跟踪器来实现有多个绝缘子目标并具有计数功能的多目标跟踪器。
【图文】：

模型图,模型,图像识别

图 3-5 LeNet-5 模型下表 3-1 是不同模型的对比结果：表 3-1 不同模型对比模型名称优点缺点应用场景线性模型计算代价不高、易于实现分类精度不高预测产品收益SVM 分类效果好、能处理高维、泛化能力强对噪声敏感图像识别决策树适合大量样本、处理多类型数据容易过拟合、陷入局部最优企业投资决策朴素贝叶斯能处理多分类、算法简单、对缺失数据不敏感样本属性不能有关联、需要计算先验概率欺诈检测、文本分类CNN 分类准确度高、鲁棒性较强、容错能力好需要大量参数图像识别、语音识别从上表格可以看出，没有一种模型能完美解决所有问题，只能是所选择的模

流程图,绝缘子,预处理,减少噪声

SVM模型识别结果图 3-9 SVM 模型建立的流程图样本数据的收集对训练效果影响很大，只有保证在训练样本的数据完备、准有代表性的前提下才能建立高效的、有辨识力的模型，否则会影响到训练时模型的泛化能力，对新样本的预测会造成错误的结果。因此基于 SVM 的绝目标识别模型建立首先需要有样本集，样本集分为训练样本和测试样本两部本文的样本主要来源于输电线路巡检中拍摄的绝缘子图片，，由于原图片既有又有背景不利于训练，因此手动截取绝缘子目标，为了使样本比较完备，考种因素选取的正样本包括有光照、各种角度以及不同材质等类型的绝缘子图像如下图 3-10 所示。负样本为不包含绝缘子目标的各种图片，为了提高子识别率，负样本中放了大量的有干扰的背景图片，包括杆塔、导线等。
【学位授予单位】：安徽工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM75;TM216;TP391.41

【相似文献】