基于无人机和深度学习的隔离开关非接触测量研究

作     者：刘伟 

作者单位：石家庄铁道大学 

学位级别：硕士

导师姓名：王硕禾;张琳娜

授予年度：2023年

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 0823[工学-交通运输工程] 082301[工学-道路与铁道工程] 

主      题：接触网 YOLOv5s模型 Ghost轻量化模块 CA注意力机制 BiFPN特征融合 机器视觉测量 

摘      要：在电气化铁路系统中,隔离开关作为其中的关键部件,它在接触网中的功能是将接触网各个分段之间的电路进行通断,从而满足检修维护和不同供电类型的需要,增加供电灵活性、安全性。而由于外界因素、恶劣环境等因素可能导致隔离开关引上线与角钢之间距离过近,低于安全规定的要求,可能产生放电现象,从而造成重大事故。而目前对于隔离开关的引上线安全距离测量完全依靠人力,导致效率低下、劳动强度大,甚至人员安全也会受到威胁。因此,本文以接触网隔离开关为研究对象,对无人机巡检获取的隔离开关影像进行识别定位以及引上线安全距离的非接触测量研究。本文首先针对由于无人机巡检数据量巨大,故障检修实时性要求高导致的隔离开关识别定位时的速度不能满足工程需要的问题,提出一种基于Ghost轻量化模块改进的YOLOv5s目标检测网络模型。利用线性变换的方式替代掉部分Conv卷积操作,从而实现参数量以及计算量的降低,使得目标检测的效率大幅度提升。其次,针对由于无人机动态采集以及接触网沿线环境复杂等导致的隔离开关识别精度不足的问题,提出了一种基于联合CA和BiFPN的YOLOv5s改进算法。CA注意力机制能够同时利用通道间关系以及位置信息,从而使改进模型既可以得到不同通道之间的联系,又能对方向与位置做出准确判断,而将BiFPN特征融合算法中增加跳跃连接的思想引入YOLOv5s模型,对不同的特征层之间实现反复多次叠加,使全局的特征不仅仅包含底层信息,也囊括了高层语义信息,增强了模型对不同尺度特征的融合能力,并将BiFPN的快速归一化特征融合方式运用到YOLOv5s网络中,尽可能少的降低模型速度。联合两种优化模块的YOLOv5s改进算法对重要特征的提取性能大幅增强,从而提高检测模型对背景杂乱图片以及清晰度不高的图像的检测平均精度,且不会带来太多的速度下降。之后将以上提到的三种优化模块共同利用到YOLOv5s的改进当中,从而实现了模型在精度和速度方面性能的共同提升。再次,完成了隔离开关的快速精确识别之后,针对隔离开关引上线与角钢之间距离的非接触测量,本文在充分考虑隔离开关结构特点的基础上,利用改进的Canny算子,获得更优异的测量效果。首先将快速自适应双边滤波引入,实现对隔离开关图像的平滑处理操作,再利用Otsu自适应的选取高、低阈值,避免人工确定阈值的灵活性问题,并通过实验证明了改进Canny算法的优秀性能;再利用单目视觉测量方法,将引上线直径作为标准件尺寸,实现隔离开关引上线安全距离的非接触测量;最终将算法的测量结果与人工测量的精确数据进行对比以及误差分析,证明测量精度满足工程实际要求,算法具有较好的实用性。最后,根据非接触测量整体流程,利用Python编程语言开发了接触网隔离开关安全距离非接触测量软件。其主要功能有视频降帧、目标检测、距离测量等。且该软件具有操作方便,实用性高等优点。