دکتر محمد دوستی زاده نشریه علمی-تخصصی دستاوردهای نوین در برق،کامپیوتر و فناوری 4 ۱۰ 2024 06 11 Defect detection of insulations of power transmission lines based on improved lightweight network model with the help of computer vision شناسایی عیب عایق های خطوط انتقال برق بر اساس مدل بهبودیافته شبکه سبک وزن با کمک بینایی کامپیوتری 26 47 10.22051/jera.2021.31891.2698 FA مجید دانشگاه فنی حرفه ای پسران یاسوج پویا دانشجو دانشگاه فنی و حرفه ای پسران یاسوج 2024 05 30 The purpose of this work is to ensure the safe operation of power transmission lines and reduce maintenance costs and problems. It examines the application of computer vision (CV) in identifying faults in power transmission lines. In addition, this work proposes a method to improve the lightweight network model to provide an effective identification model to solve the power transmission line fault problem. In the first step, GraphCut and Laplace segmentation algorithms are used to expand and refine the image of the electricity transmission line. Secondly, according to the depth separable complexity algorithm, a network based You Only Look Once 4 (YOLOv4) fault detection model for power transmission line insulation is proposed. In addition, MobileNetV1 is used to improve this lightweight network model. Finally, this work uses ImageNet, a large public dataset, to test the proposed model. The research results show that: (1) in the model test results, all the research indices of the model are more than 90%. The excellent detection of this model. (2) The improved YOLOv4 model can increase the detection speed to 53 fps at the cost of 2.4% accuracy. (3) The improved YOLOv4 model can detect the insulation defects to a certain extent The above results show that the improved YOLOv4 model can predict more efficiently and reduce unnecessary false positives. This shows that the proposed model is feasible and expected in practice for detecting power line faults These findings fully demonstrate the critical value of this work in increasing the efficiency and accuracy of prediction, thus providing a strong preference for transmission line fault detection in practical applications. هدف این کار اطمینان از عملکرد ایمن خطوط انتقال برق و کاهش هزینه ها و مشکلات نگهداری است. به بررسی کاربرد بینایی کامپیوتری ( CV) در شناسایی نقص خطوط انتقال برق می پردازد. علاوه بر این، این کار روشی را برای بهبود مدل شبکه سبک وزن برای ارائه یک مدل شناسایی موثر برای حل مشکل نقص خط انتقال برق پیشنهاد می‌کند. در مرحله اول، الگوریتم‌های تقسیم‌بندی GraphCut و لاپلاس برای گسترش و وضوح تصویر خط انتقال الکتریسیته استفاده می‌شوند. ثانیا، با توجه به الگوریتم پیچیدگی قابل جداسازی عمق، یک مدل تشخیص عیب برای عایق خط انتقال برق بر اساس شبکه( You Only Look Once 4 (YOLOv4)پیشنهاد شده است. علاوه بر این، MobileNetV1 برای بهبود این مدل شبکه سبک وزن استفاده می شود. در نهایت، این کار از ImageNet، یک مجموعه داده عمومی بزرگ، برای اعتبارسنجی آزمایشی مدل پیشنهادی استفاده می‌کند. نتایج تحقیق نشان می‌دهد که: (1) در نتایج آزمایش مدل، همه شاخص‌های تحقیقاتی مدل بیشتر از 90 درصد هستند که نشان‌دهنده دقت تشخیص عالی این مدل است. (2) مدل بهبودیافته YOLOv4 می تواند سرعت تشخیص را تا 53 فریم بر ثانیه با هزینه 2.4 درصد دقت افزایش دهد. (3) پس از وضوح تصویر، مدل بهبود یافته YOLOv4 توانایی تشخیص عیوب عایق را تا حد معینی ارتقا داده است. نتایج فوق نشان می‌دهد که مدل بهبود یافته YOLOv4 می‌تواند کارآمدتر و دقیق‌تر پیش‌بینی کند و موارد مثبت کاذب غیرضروری را کاهش دهد. این نشان می دهد که مدل پیشنهادی امکان پذیر است و انتظار می رود در عمل برای شناسایی نقص خطوط انتقال برق اعمال شود. این یافته‌ها به‌طور کامل ارزش حیاتی این کار را در افزایش کارایی و دقت پیش‌بینی نشان می‌دهد، بنابراین ترجیح قوی برای شناسایی نقص خطوط انتقال برق در کاربردهای عملی ارائه می‌دهد. /downloadfilepdf/1576863