针对架空线路无人机智能巡检的应用,开发基于无人机巡检视频的避雷器计数器仪表智能识别系统,研究了利用深度学习对巡检视频中的避雷器计数器进行目标检测定位,以提取避雷器计数器的目标区域位置,用于下一步的读数识别.采用基于拉普拉斯算子方差的模糊检测算法对样本进行筛选,构建用于目标检测模型训练的避雷器计数器样本集;并分别采用更快的基于区域的卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)、YOLOv3(you only look once version 3)目标检测、单步多框目标检测(single shot multibox detector,SSD)3种主流的目标检测模型对视频中的避雷器计数器进行检测定位.研究结果表明:Faster R-CNN对研究中构建的测试集的检测准确率可达到99.21％,远高于YOLOv3和SSD.

针对架空输电线路下大型机械设备线下施工外力破坏引发线路断裂、短路事故频发的问题进行研究,设计出一套有效的防大型机械施工破坏的输电线路监控装置,以期能够有效减少或消除大型机械施工破坏事故,提高输电线路安全运行和智能化管理水平.将视频识别技术、北斗导航以及近线电磁感应等技术组成的多通道视频采集分析终端和近线识别设备,通过视频分析和近线监测对大型施工机械进行协同监控.由视频分析和近线监测构成的协同监控装置从多角度获取机械设备的位置及状态信息,能够很好地适应架空输电线路下大型机械施工场景的复杂性,对架空输电线路下大型机械进行有效的监控.

提出了一种Mesh快速栅格化的方法,能从分页的多层次的表面纹理 Mesh模型中提取DEM和DOM.根据提取的DEM和DOM匹配点,利用RANSAC下的SVD方法对两个邻近架次的模型进行配准,解决了起伏地形纹理特征不可靠,平坦地形位置信息特征不可靠的问题.通过引入控制点和邻近架次的姿态约束,完成了所有架次模型的整体配准,解决了传统的利用所有特征点平差处理带来的运算量巨大的问题.

输电线路杆塔基础边坡众多,如何对不同危险程度的塔基边坡进行分类,并采取对应的运维策略成了关注的重点.文章以500kV鹏深线为例,通过杆塔倾斜监测、工程地质调查、地基承载力复核、稳定性计算四个方面对杆塔基础边坡进行稳定性综合评估.根据评估结果把杆塔基础边坡危险程度分成Ⅰ、Ⅱ、Ⅲ、Ⅳ四个等级,其中Ⅰ级危险程度最高,Ⅳ级危险程度最低,并且根据不同的危险等级提出相应的运维策略.对于需要采取治理措施的塔基,需要提出简要治理方案和预估费用,为其他线路杆塔稳定性的综合评估提供了很好的借鉴意义.

高压输电线路在强风荷载作用下的倒塔情况是影响输电线路安全运行的重要因素之一,选用Tian-Ma-Qu作为输电塔的角钢本构模型,利用脉动风脉动风中一维单变量下的随机平稳高斯过程,求解多变量的高斯随机过程,并拟合风速时程.建立三塔四线体系,将不同风攻角和不同风速下的风时程荷载输入.结果表明:0°风攻角下,前两个塔架(Z1、Z2)倒塌,风速为50m/s;45°和90°风攻角下,中间塔架(Z2)塔倒塌,风速分别为38,34m/s;随着风向角的由小变大,导致输电塔线体系破坏的风速逐渐变小;不同的风攻角会导致不同的输电塔倒塌.

以深圳电力线巡线时所获得的高分辨率航空影像为例,提出了基于集成卷积神经网络的架空铁塔护坡自动提取方法.该方法首先通过Faster R-CNN目标检测网络在多幅航空影像中框取护坡目标,然后通过SegNet语义分割网络进一步分割目标框中的护坡与背景,获取精确的护坡掩膜信息.与直接应用SegNet模型的"一步式"护坡提取方法相比,"先定位后分割"的方法在2个实验数据上的虚警率下降超过38.1％;与基于Mask R-CNN卷积神经网络提取方法相比,该方法在2个数据上的正确率均高于98％,优于Mask R-CNN所达到的95.96％.