Phát hiện hư hỏng cách điện chuỗi sứ trên đường dây truyền tải dựa trên thị giác máy tính
240 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.90.2023.30-37Từ khóa:
Chuỗi sứ cách điện; Đường dây truyền tải; Thị giác máy tính; Faster R-CNN; YOLOv8.Tóm tắt
Việc phát hiện nhanh và chính xác các chuỗi sứ cách điện bị hư hỏng đóng một vai trò quan trọng trong việc đảm bảo sự làm việc ổn định và tin cậy của lưới điện truyền tải. Trong nghiên cứu này, nhóm tác giả đề xuất phương pháp phát hiện và phân loại hư hỏng cách điện trên chuỗi sứ đường dây truyền tải điện dựa trên các mô hình thị giác máy tính. Bộ dữ liệu được sử dụng trong nghiên cứu bao gồm 1600 bức ảnh các chuỗi sứ cách điện với 18195 đối tượng được chia thành 03 loại: chuỗi sứ hoạt động bình thường, chuỗi sứ bị nứt vỡ và chuỗi sứ bị hư hỏng do sét đánh, và được chia thành 02 tập huấn luyện và tập kiểm thử với tỉ lệ 80-20. Bộ dữ liệu được huấn luyện trên 02 mô hình thị giác máy tính là YOLOv8 và Faster R-CNN. Kết quả cho thấy, mô hình YOLOv8 có thể phát hiện và phân loại được chuỗi sứ bị hư hỏng do nứt vỡ và sét đánh với độ chính xác lên đến 96.4%.
Tài liệu tham khảo
[1]. Li, X.; Su, H.; Liu, G. “Insulator Defect Recognition Based on Global Detection and Local Segmentation,” IEEE Access, vol. 8, pp. 59934–59946, (2020).
[2]. Wang, D.; Sun, J.; Zhang, T. “Self-explosion defect detection method of glass insulator based on improved generative adversarial network”. High Volt. Eng., vol. 48, pp. 1096–1103, (2020).
[3]. Saranya, K.; Muniraj, C. “A SVM Based Condition Monitoring of Transmission Line Insulators Using PMU for Smart Grid,” Environment. J. Power Energy Eng., vol. 4, pp. 47–60, (2016).
[4]. Wang, J.; Liu, G.; Yuan, J.; Wei, “G. Image fusion technology and application in power inspection,” Tech. Autom. Appl. 38, 4, (2019).
[5]. S. Santosh Kumar, K. N. Sunil Kumar, G. Prakasha, H. V. Teja, V. Shrinidhi and Nisarga, “Self-Driving Car Using Neural Networks and Computer Vision,” 2022 International Interdisciplinary Humanitarian Conference for Sustainability (IIHC), Bengaluru, India, pp. 1200-1204, (2022).
[6]. D. Castells-Rufas et al., “A Survey of FPGA-Based Vision Systems for Autonomous Cars,” IEEE Access, vol. 10, pp. 132525-132563, (2022).
[7]. D. Mery, E. Svec, M. Arias, V. Riffo, J. M. Saavedra and S. Banerjee, “Modern Computer Vision Techniques for X-Ray Testing in Baggage Inspection,” IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol. 47, no. 4, pp. 682-692, (2017).
[8]. C. Mao, L. Yao and Y. Luo, “ImageGCN: Multi-Relational Image Graph Convolutional Networks for Disease Identification With Chest X-Rays,” IEEE Transactions on Medical Imaging, vol. 41, no. 8, pp. 1990-2003, (2022).
[9]. J. Sun, C. Li, X. -J. Wu, V. Palade and W. Fang, “An Effective Method of Weld Defect Detection and Classification Based on Machine Vision,” IEEE Transactions on Industrial Informatics, vol. 15, no. 12, pp. 6322-6333, (2019).
[10]. N. Zeng, P. Wu, Z. Wang, H. Li, W. Liu and X. Liu, “A Small-Sized Object Detection Oriented Multi-Scale Feature Fusion Approach With Application to Defect Detection,” IEEE Transactions on Instrumentation and Measurement, vol. 71, pp. 1-14, (2022).
[11]. Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks”, arXiv:1506.01497, (2016).
[12]. Juan Terven, Diana Cordova-Esparza, “A Comprehensive Review of YOLO: From YOLOv1 and Beyond”, arXiv:2304.00501, (2023).
[13]. Dillon Reis, Jordan Kupec, Jacqueline Hong, Ahmad Daoudi, “Real-Time Flying Object Detection with YOLOv8”, arXiv: 2305.09972v1, (2023).
[14]. “YOLOv8.” https://github.com/ultralytics/ultralytics
[15]. Zhaohui Zheng, Ping Wang, Wei Liu, Jinze Li, Rongguang Ye, Dongwei Ren, “Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression”, arXiv: 1911.08287, (2019).
[16]. Zheng, J.; Wu, H.; Zhang, H.; Wang, Z.; Xu, W. “Insulator-Defect Detection Algorithm Based on Improved YOLOv7”. Sensors, 22, 8801, (2022).
[17]. Lian, X., & Wang, D. “Insulator defect detection algorithm based on improved YOLOv5”. Frontiers in Computing and Intelligent Systems, 3(2), 44–47, (2023).
[18]. J. Tang, J. Wang, H. Wang, J. Wei, Y. Wei and M. Qin, “Insulator Defect Detection Based on Improved Faster R-CNN,” 2022 4th Asia Energy and Electrical Engineering Symposium (AEEES), Chengdu, China, pp. 541-546, (2022).
