神经网络在电力系统绝缘子裂纹检测中的应用

高压输电线路智能巡检机器人是输电工程技术发展的重要内容。此类机器人系统可以在输电线路上实现监控状态下的自主行走与视觉监视，跨越杆塔等作业，可以在野外环境下完成连续巡检作业。这种作业方式，将大大减轻输电维护人员的劳动强度与难度，提高巡检效率与质量，对输电工程的安全可靠运行具有重要意义。本论文介绍了高压输电线路中绝缘子检测的研究工作。 随着数字图像处理和人工智能两门学科的不断发展，模式识别已经有了长足的进步。本文主要基于图像识别的方法，通过模拟机器人的视觉系统，检测高压绝缘子裂纹及完成裂纹类型分类。围绕该课题本文主要是以下几个方面的研究。 首先，系统设计。硬件设计包括：CCD镜头、摄像机、控制平台、云台以及电脑和图像采集卡，能够成功采集到目标的图像信息，传输给电脑。软件设计，完成程序的编写和调试。 其次，图像预处理。对图像平滑、滤波，以及运用多种边缘检测方法，包括：sobel算子、gauss算子、prewitt算子以及canny算子，并作了比较和研究。在图像分割中，介绍了最优阈值分割。在图像二值化中，提出了一种根据像素划分子块的方法，鉴别和排除非裂纹目标，并给出实验结果。 再次，特征提取。提取图像裂纹的特征值，组成特征向量。文中提出，特征向量包括五个值：水平投影、垂直投影、破损子块总数、自相关系数以及欧拉数。这五个特征值分别对五种类型裂纹比较分析，显示其各自的独特性。 最后，图像识别。将特征向量输入神经网络和支持向量机进行模式识别和分类。分别设计BP神经网络，RBF神经网络以及支持向量机的分类识别，对样本进行训练和识别。BP神经网络分类识别中，克服本身的缺陷，采用改进算法；RBF神经网络分类识别中，分别提出三种算法，比较分析各自优缺点；完成BP与RBF神经网络之间比较分析；支持向量机分类识别中，完成分类识别。最后对三种分类方法的结果比较分析。 本文的重点是绝缘子裂纹类型的分类识别。