Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phát hiện và đếm cột đường dây phân phối dựa trên YOLO sử dụng video kiểm tra UAV
Tóm tắt
Để cải thiện hiệu quả của việc xử lý sau thảm họa đối với mạng lưới phân phối điện, việc ứng dụng UAV trong giảm thiểu thảm họa và cứu hộ đã nhận được nhiều sự quan tâm từ ngành điện. Nhằm đáp ứng nhu cầu đánh giá thiệt hại của các đường dây truyền tải trên không trong mạng lưới phân phối, bài báo này đề xuất một giải pháp sáng tạo cho việc phát hiện và đếm cột trong mạng lưới phân phối dựa trên video kiểm tra đường dây UAV. Kết hợp với đặc điểm phát hiện nhanh của YOLO, mạng nơ-ron tích chập được áp dụng để phát hiện hình ảnh trạng thái của cột. Ngoài ra, dữ liệu cột và hình ảnh tương ứng sẽ được thu thập đồng thời trong quá trình phát hiện video kiểm tra. Do đó, bộ phận điện có thể nhanh chóng đếm thiệt hại để ứng phó với thảm họa. Giá trị neo được điều chỉnh trước khi huấn luyện hình ảnh bởi YOLO v3 và thiết lập ROI tương ứng cho tiêu chuẩn đường dây kiểm tra UAV. Để nhanh chóng thu được đánh giá thiệt hại của cột bị đổ sau thảm họa, bài báo này đề xuất một thuật toán đếm bằng cách sử dụng sự thay đổi tọa độ liên tiếp của hộp giới hạn của cùng một cột ở khung trước và sau của video, giúp việc đếm phân loại cột chính xác và độ chính xác phát hiện đạt trên 0.9. Kết quả thu được từ thử nghiệm video cho thấy phương pháp này hiệu quả trong việc phát hiện và đếm trạng thái của cột đường dây truyền tải trên không trong mạng lưới phân phối.
Từ khóa
#UAV #YOLO #phát hiện cột #đếm cột #mạng lưới phân phối điệnTài liệu tham khảo
Yang P, Pan X, Liu J, Guo R (2017) Optimal fault-tolerant control for UAV systems with time delay and uncertainties over wireless network. Peer Peer Netw Appl 10(3):717–725
Adabo GJ (2014) Long range unmanned aircraft system for power line inspection of Brazilian electrical system. J Energy Power Eng 8(2):394–398
Katrasnik J, Pernus F, Likar B (2010) A survey of mobile robots for distribution power line inspection. IEEE Trans Power Deliv 25(1):485–493
Abbasi E, Fotuhi-Firuzabad M, Abiri-Jahromi A (2009) Risk based maintenance optimization of overhead distribution networks utilizing priority based dynamic programming. In: 2009 IEEE power and energy society general meeting. IEEE, pp 1–11
Deng C, Wang S, Huang Z, Tan Z, Liu J (2014) Unmanned aerial vehicles for power line inspection: a cooperative way in platforms and communications. J Commun 9(9):687–692
Yun L, Wei X, Wei W (2011) Application research on aviation remote sensing UAV for disaster monitoring. J Catastrophol 26(1):138–143
Shen YL, Liu J, Wu LX, Li FS, Wang Z (2011) Reconstruction of disaster scene from UAV images and flight-control data. Geogr Geo Inf Sci 27(6):13–17
Redmon J, Farhadi A (2018) YOLOv3: an incremental improvement. arXiv preprint arXiv:1804.02767
Varghese A, Gubbi J, Sharma H, Balamuralidhar P (2017) Power infrastructure monitoring and damage detection using drone captured images. In: 2017 international joint conference on neural networks (IJCNN). IEEE, pp. 1681–1687
Wang X, Zhang Y (2016) Insulator identification from aerial images using support vector machine with background suppression. In: 2016 International conference on unmanned aircraft systems (ICUAS). IEEE, pp 892–897
Zhao Z, Xu G, Qi Y, Liu N, Zhang T (2016) Multi-patch deep features for power line insulator status classification from aerial images. In: 2016 International joint conference on neural networks (IJCNN). IEEE, pp 3187–3194
Gubbi J, Varghese A, Balamuralidhar P (2017) A new deep learning architecture for detection of long linear infrastructure. In: 2017 Fifteenth IAPR international conference on machine vision applications (MVA). IEEE, pp 207–210
Cheng W, Song Z (2008) Power pole detection based on graph cut. In: 2008. CISP’08. Congress on 2008 image and signal processing, vol 3. IEEE, pp 720–724
Martinez C, Sampedro C, Chauhan A, Campoy P (2014) Towards autonomous detection and tracking of electric towers for aerial power line inspection,” In: International conference on unmanned aircraft systems (ICUAS). IEEE 2014, pp 284–95
Girshick R (2015) “Fast R-CNN”. In: Proceedings of the IEEE international conference on computer vision, pp 1440–1448
Ren SQ, He KM, Girshick R, et al (2015) Faster R-CNN: towards real-time object detection with region proposal networks. In: Advances in neural information processing systems, pp 91–99
Redmon J, Divvala S, Girshick R et al (2016) You only look once: Unified, real-time object detection. In: Proceedings of the IEEE conference on computer vision and pattern recognition. pp 779–788
Redmon J, Farhadi A, “YOLO9000: better, faster, stronger”. arXiv preprint arXiv:1612.08242,2016:1-9