Детальная информация

Тема выпускной квалификационной работы: «Разработка модели автоматического распознавания дефектов воздушных линий электропередач на основе анализа изображений, полученных с беспилотных летательных аппаратов (БПЛА)». В данной выпускной квалификационной работе разработана и обучена модель нейронной сети для автоматического распознавания дефектов воздушных линий электропередач (ВЛЭП) на основе анализа изображений, полученных с беспилотных летательных аппаратов (БПЛА). Также реализовано программное обеспечение для компьютера, позволяющее автоматически обнаруживать и классифицировать дефекты ВЛЭП. Задачи, которые решались в ходе исследования: 1) Проведение анализа предметной области, включая исследование современных методов и технологий для мониторинга состояния воздушных линий электропередач. 2) Сравнение существующих архитектур нейронных сетей и выбор оптимальной модели для решения задачи автоматического распознавания дефектов ВЛЭП. 3) Разработка и обучение модели нейронной сети на основе датасета, содержащего изображения различных типов дефектов ВЛЭП. 4) Анализ качества обучения модели и интерпретация полученных результатов. 5) Реализация программного обеспечения для компьютера, позволяющего загружать изображения с БПЛА и автоматически распознавать дефекты ВЛЭП. 6) Тестирование разработанной модели и сравнение её эффективности с существующими аналогами. 7) Оценка результатов работы и формулировка выводов о применимости разработанной модели для реальных задач мониторинга ВЛЭП. Работа выполнена в формате приложения. В процессе работы были обучены нейросетевые модели для детекции элементов ВЛЭП на основе архитектур Faster R-CNN и RetinaNet. Представлена визуализация процессов обучения моделей в виде графиков различных показателей на валидационных данных. Было создано приложение на основе модели с лучшими для данной задачи показателями. Оно предназначено для загрузки изображений, а также детекции элементов ВЛЭП и дефектов на них.

The topic of the final qualifying thesis: "Development of a model for automatic recognition of overhead power line defects based on image analysis from unmanned aerial vehicles (UAVs)." This final qualifying work presents a developed and trained neural network model for the automatic recognition of defects in overhead power lines (OPL) based on the analysis of images obtained from unmanned aerial vehicles (UAVs). In addition, software has been implemented for computers that allows automatic detection and classification of OPL defects. Tasks solved during the research: 1) Conducting an analysis of the subject area, including a study of modern methods and technologies for monitoring the condition of overhead power lines. 2) Comparing existing neural network architectures and selecting the optimal model for solving the problem of automatic defect recognition in OPL. 3) Development and training of a neural network model based on a dataset containing images of various types of OPL defects. 4) Analysis of the model’s training quality and interpretation of the results obtained. 5) Implementation of computer software that allows uploading images from UAVs and automatically recognizing OPL defects. 6) Testing of the developed model and comparison of its effectiveness with existing analogues. 7) Evaluation of the results and formulation of conclusions regarding the applicability of the developed model for real-world OPL monitoring tasks. The work was implemented in the form of an application. During the project, neural network models for detecting OPL elements were trained using Faster R-CNN and RetinaNet architectures. The training process is visualized through graphs showing various performance metrics on validation data. An application was developed based on the model with the best performance for this task. It is designed for uploading images and detecting OPL components and associated defects.