Συντάχθηκε 27-02-2020 14:15
Θέμα
Αλγόριθμος Ανίχνευσης Σφαλμάτων σε Γραμμές Μεταφοράς Ηλεκτρικής Ενέργειας με Χρήση Κατάλληλα Εξοπλισμένου Μη-Επανδρωμένου Αεροσκάφους (UAV) - Power Transmission Lines Fault Detection Algorithm Using Properly Equipped Unmanned Aerial Vehicle (UAV)
Εξεταστική Επιτροπή
Καθηγητής Κωνσταντίνος Καλαϊτζάκης (επιβλέπων)
Καθηγητής Μιχαήλ Ζερβάκης
Αναπληρωτής Καθηγητής Παναγιώτης Παρτσινέβελος
Περίληψη
Η επιθεώρηση και συντήρηση του δικτύου μεταφοράς και διανομής ηλεκτρικής ενέργειας ήταν και συνεχίζει να αποτελεί σημαντική πρόκληση για την εξασφάλιση σταθερότητας. Η παρούσα εργασία εξετάζει την αποτελεσματικότητα εφαρμογής σύγχρονων μεθόδων επεξεργασίας εικόνας και τεχνητής νοημοσύνης και την εξέταση των περιορισμών τους προς διευκόλυνση της επιθεώρησης. Η προτεινόμενη μεθοδολογία, γραμμένη σε γλώσσα Python, αποτελείται από τρία στάδια. Στο πρώτο γίνεται εντοπισμός των αγωγών μέσω ενός νευρωνικού δικτύου εκπαιδευμένου για τη συγκεκριμένη εφαρμογή. Στο δεύτερο στάδιο γίνεται προσπάθεια ανίχνευσης της τραβέρσας, αποκλειστικά στα κομμάτια της εικόνας που υπάρχουν αγωγοί. Το φίλτρο Gabor επιτρέπει τον εντοπισμό της σε διάφορες διευθύνσεις φιλτράροντας την εικόνα με αντίστοιχο kernel. Στο τρίτο και τελευταίο στάδιο, προτείνονται δύο επιμέρους μεθοδολογίες για τον εντοπισμό των μονωτήρων. Η μία βασίζεται σε φιλτράρισμα με μορφολογικούς συντελεστές και η δεύτερη στην εκπαίδευση ενός νευρωνικού δικτύου για τον εντοπισμό του σώματος του μονωτήρα. Τέλος, αντιστοιχούνται τα εντοπισμένα pixels στην εικόνα υπέρυθρου φάσματος για την εξαγωγή της θερμοκρασίας καθενός μονωτήρα και την αναζήτηση για σφάλμα.
Abstract
The inspection and maintenance of the electricity transmission and distribution network has been and continues to be a major issue to ensure its stability. This paper examines the effectiveness of modern methods of image processing and artificial intelligence and also examines their limitations for facilitating inspection. The proposed methodology, written in Python, consists of three stages. The first locates the powerlines through a neural network trained for the specific application. In the second stage, an attempt is made to detect the crossarms, exclusively in the parts of the image where powerlines have been detected. The Gabor filter allows the crossarm to be located in different directions by filtering the image with a corresponding kernel. In the third and final stage, two separate methodologies are proposed to detect the insulators. One is based on morphological filtering and the other on training a neural network to locate the body of the insulator. Finally, according to the detected pixels, the infrared image is searched to extract the temperature of each insulator and to detect errors if any.
Τόπος: Λ - Κτίριο Επιστημών/ΗΜΜΥ, 2041
Έναρξη: 03/03/2020 13:30
Λήξη: 03/03/2020 14:30
