Detekce a lokalizace izolátorů vedení vysokého napětí pomocí syntézy dat z lidaru a kamery na bezpilotním vzdušném prostředku

Abstract

Izolátory na vedení vysokého napětí musí být pravidelně kontrolovány, protože jejich poškození může vést k výpadkům elektrické energie. Současné inspekce s pilotovaným vrtulníkem jsou nákladné a neefektivní. Tato diplomová práce navrhuje metodu autonomní inspekce pomocí bezpilotního prostředku, která využívá fúzi dat z LiDARu a kamery pro detekci a lokalizaci izolátorů. Navržená metoda využívá neuronovou síť YOLOv3-tiny pro detekci izolátorů z obrazu, projektuje bodová mračna z LiDARu do obrazu, provádí jejich shlukování algoritmem DBSCAN, rozpozná izolátory prostřednictvím autokorelace a odhaduje orientaci izolátoru metodami RANSAC nebo PCA. Práce dále navrhuje metodu plánování inspekce okolo stožáru a navádí bezpilotní prostředek k pozicím pro pořízení snímků detekovaných izolátorů. Metoda byla otestována v simulaci na dvou typech věží a výsledky prokázaly funkčnost obdržením snímků všech izolátorů.

Insulators on high-voltage power lines must be regularly inspected, as damage can lead to power outages. Traditional inspections using manned helicopters are costly and inefficient. This paper proposes a method for autonomous UAV-based inspection by fusing LiDAR and camera data to detect and localize insulators, which are to be inspected. The proposed method uses YOLOv3-tiny for object detection from image data, projects LiDAR points into the image, clusters them with DBSCAN, recognizes insulators using autocorrelation, and finally estimates orientation using RANSAC or PCA. The thesis also proposes an inspection planning algorithm that operates near the tower structure and guides the UAV to visit optimal viewpoints for capturing images of the detected insulators. The method was validated in a simulation using two types of towers, demonstrating its effectiveness through the successful acquisition of images for all insulators.