Nghiên cứu ứng dụng trí tuệ nhân tạo vào đánh giá chất lượng thiết bị thuộc hệ thống truyền tải điện

BỘ GIÁO DỤC VÀ ĐÀO TẠO UBND TỈNH THANH HÓA TRƯỜNG ĐẠI HỌC HỒNG ĐỨC - - LÊ NHÂN ĐỒNG NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO VÀO ĐÁNH GIÁ CHẤT LƯỢNG THIẾT BỊ THUỘC HỆ THỐNG TRUYỀN TẢI ĐIỆN LUẬN VĂN THẠC SĨ MÁY TÍNH Chuy n ng nh: Kho họ m y t nh M số: 8 Người hướng dẫn kho họ : TS Nguyễn Thế Cường THANH HÓA NĂM LỜI CAM ĐOAN Tôi xin m đo n luận văn “Nghiên cứu ứng dụng trí tuệ nhân tạo vào đánh giá chất lượng thiết bị thuộc hệ thống truyền tải điện” cơng trình nghiên cứu củ nhân tơi hướng dẫn TS Nguyễn Thế Cường, trung thực không chép tác giả khác Trong toàn nghiên cứu luận văn vấn đề đượ trình b y tìm hiểu nghiên cứu cá nhân tơi hoặ l trích dẫn từ nguồn tài liệu có ghi tham khảo rõ ràng, hợp pháp Tôi xin chịu trách nhiệm hình thức kỷ luật theo quy định cho lời m đo n n y Ngƣời cam đoan Lê Nhân Đồng i LỜI CẢM ƠN Luận văn “Nghiên cứu ứng dụng trí tuệ nhân tạo v o đ nh gi hất lượng thiết bị thuộc hệ thống truyền tải điện” hồn thành khơng nhờ nỗ lực cá nhân tác giả mà cịn có trợ giúp giúp đỡ từ nhiều tập thể cá nhân Trước hết, tác giả xin chân thành cảm ơn tất thầy giáo, cô giáo Khoa Công nghệ thông tin & Truyền thông Trường Đại học Hồng Đứ đ nhiệt tình giảng dạy, bảo, tạo điều kiện thuận lợi cho tác giả trình học tập, nghiên cứu ho n th nh hương trình học tập khóa học Đặc biệt, tác giả bày tỏ lòng biết ơn sâu sắ đến thầy TS Nguyễn Thế Cường, thầy hướng dẫn trực tiếp luận văn tác giả đ d nh thời gian bảo tận tình giúp tác giả hoàn thành luận văn Tác giả xin cảm ơn gi đình bạn bè đồng nghiệp đ động viên tiếp thêm nghị lự để tác giả hoàn thành khóa học luận văn Tác giả xin cảm ơn tập thể công ty Cổ phần ThinkLABs, cán thuộc Công ty truyền tải điện (EVN NPT ) đ hỗ trợ tác giả việc thu thập gán nhãn liệu Mặ dù đ ó nhiều cố gắng, song luận văn khó tr nh khỏi thiếu sót Tác giả mong bảo, góp ý nhà khoa học, thầy cô giáo đồng nghiệp Xin trân trọng cảm ơn! Tác giả Lê Nhân Đồng ii MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN CỦA TÁC GIẢ ii MỤC LỤC iii DANH MỤC CÁC HÌNH v MỞ ĐẦU 1 Lý họn đề t i Mụ ti u v nhiệm vụ nghi n ứu Đối tượng v phạm vi nghi n ứu Phương ph p nghi n ứu Kết đạt đượ Ý nghĩ kho họ v thự tiễn Bố ụ ủ luận văn CHƢƠNG ĐẶT VẤN ĐỀ 1.1 Giới thiệu b i to n nghi n ứu li n qu n 10 1.2 C Nhận dạng đối tượng 13 Phân t h lỗi 16 Giải ph p gi m s t 21 Kết luận hương 23 CHƢƠNG CƠ SỞ LÝ THUYẾT 24 2.1 Tổng qu n mạng nơ ron t h hập 24 Mạng nơ ron nhân tạo (Artifi i l neur l networks – ANN) 24 Mạng nơ-ron t h hập .26 2.1.3 Kiến trú mạng nơ ro t h hập 27 Thự h nh mạng t h hập 36 2.2 Mơ hình huấn luyện YOLO 37 2.2 Giới thiệu 37 C phi n ủ YOLO 40 iii 2.2.3 YOLOv4 .43 Ứng dụng mơ hình YOLO v o b i to n nhận dạng thiết bị 46 Kết luận hương 48 CHƢƠNG XÂY DỰNG MƠ HÌNH NHẬN DẠNG ẢNH THIẾT BỊ .49 3.1 Tổng qu n nhận dạng thiết bị thuộ hệ thống truyền tải điện 49 Huấn luyện mơ hình 52 Môi trường huấn luyện .52 Cấu hình mạng huấn luyện 53 3.2.3 Dữ liệu huấn luyện .53 3.3 Thự nghiệm v đ nh gi kết 56 33 Thự nghiệm mơ hình 56 3.3.2 Kết thự nghiệm v đ nh gi kết 63 V i trò ủ module nhận diện hệ thống thơng tin quản lý qu trình kiểm tr đ nh gi sử hữ bảo dưỡng hệ thống truyền tải điện .67 Những vấn đề ần lưu ý xây dựng liệu v g n nh n liệu 69 Kết luận hương 70 KẾT LUẬN 71 Kết đạt đượ 71 Hạn hế .71 Hướng ph t triển 71 TÀI LIỆU THAM KHẢO 72 iv DANH MỤC CÁC HÌNH Hình 1.1: Giải ph p tổng qu n quản lý hệ thống truyền tải điện sử dụng drones Hình 1.2: Quy trình ho việ nhận dạng đối tượng ủ hệ thống truyền tải điện 13 Hình 1.3: Chất liệu Hình 1.4: Cột điện h điện (sứ h điện) 13 o (tháp) 14 Hình 1.5: Dây dẫn điện 14 Hình 1.6: C Hình 1.7: Sứ thiết bị phụ trợ 14 h điện bị lỗi 15 Hình 1.8: C bất thường tr n ột điện (th p) 15 Hình 1.9: C bất thường li n qu n đến hệ thống dây dẫn 15 Hình 1.10: C bất thường thiết bị phụ trợ 16 Hình 1.11: Quy trình hẩn đo n bất thường tr n hệ thống 17 Hình 1.12: Giải ph p sử dụng dron để thu nhận liệu hệ thống truyền tải điện 21 Hình 2.1: Th nh phần h nh ủ mạng nơ ron nhân tạo [ ] 24 Hình 2.2: Minh họ t h hập 27 Hình 2.3: Kiến trú ủ mạng t h hập [ 7] 28 Hình 2.4: Mơ phịng khối đầu v o ủ mạng nơ ron t h hập [ 7] 29 Hình 2.5: Hình minh họ xếp khơng gian [15] 31 Hình 2.6: Hình minh họ hoạt động ủ lớp tổng hợp mơ hình t h hập [ 6] 34 Hình 2.7: Minh họ lớp Pooling mơ hình t h hập 35 Hình 2.8: Hình minh họ mạng nơ ron t h hập Nguồn nntuan8.com 35 v Hình 2.9: C h thứ hoạt động ủ mơ hình YOLO Nguồn [ 5] 38 Hình 2.10: C lớp mơ hình mạng D rknet Nguồn [ 7] 39 Hình 2.11: Cấu trú ủ mạng YOLO với đồ đặ trưng đầu r k h thướ 7x7x toạ độ ủ ó nhằm sử dụng ho việ dự đo n nh n v hộp vật thể Nguồn [ ] 39 Hình 2.12: Dự đo n bounding box (m u x nh) thơng qu qu trình huấn luyện để tinh hỉnh th m số Nguồn [ 6] 41 Hình 2.13: Cấu trú FPN v SLC v D rkNet-53 đượ mơ hình ho mơ hình YOLOv3 Nguồn [5] 42 Hình 2.14: Mơ hình ấu trú hệ thống YOLOv [2] 43 Hình 2.15: Hình vẽ mơ tả kiến trú ủ mạng xương sống với mơ hình CSPDarkNet-53 Nguồn [ 8] 44 Hình 2.16: Ne k l l m gi u đặ trưng từ đồ đặ trưng l đầu r ủ khối B kbone thông qu nối đặ trưng ( on ten tion) th y ộng Nguồn [ ] 44 Hình 2.17: He d l nhận dạng đối tượng bằn h điều hỉnh toạ độ hiều d i hiều rộng ủ đối tượng thông qu th m số hộp neo ( n hor box) tương tự YOLOv3 theo mứ độ nhằm dò đượ nhiều đối tượng với k h thước khác [2] 45 Hình 2.18: Cho phép ghép v th y ảnh Nguồn dothanhblog.wordpress.com 45 Hình 2.19: Kỹ thuật tăng ường ảnh Mos i 46 Hình 2.20: Quy trình nhận dạng v đ nh gi hất lượng thiết vị ó hỗ trợ ủ tr tuệ nhân tạo 46 Hình 2.21: Mơ hình hoạt động ủ hệ thống sử dụng AI để nhận dạng ảnh ph t hỏng hó 48 Hình 3.1: Mơ tả ấu hình phần ứng Col b ung ấp 53 vi Hình 3.2: Giao diện ủ ông ụ g n nh n ảnh Nguồn Pypi org 55 Hình 3.3: V dụ vế định dạng tệp nh n 55 Hình 3.4: V dụ tệp nh n ủ ảnh đ đượ g n nh n 56 Hình 3.5: M n hình gi o diện ủ Col b 57 Hình 3.6: Thiết lập phần ứng l GPU để hỗ trợ qu trình xử lý ảnh v huấn luyện mơ hình 58 Hình 3.7: Cấu hình phần ứng Col b ung ấp (phi n Col b Pro) 58 Hình 3.8: Đồ thị ho thấy gi trị loss ver ge hội tụ s u khoảng Hình 3.9: Kết thể độ h nh x ủ mơ hình huấn luyện tr n tập test .64 Hình 3.10: Gi o diện minh họ khả nhận dạng đường dây tải điện bướ 63 thiết bị hư hỏng tr n o 68 Hình 3.11: Giao diện kết nhận diện từ module AI ó thể đượ ập nhật thêm thông tin 68 Hình 3.12: Sừng phóng điện bị g n nh n s i th nh khung định vị 69 Hình 3.13: Sứ h điện bị g n nh n s i nh n g n qu gần nh u 69 Hình 3.14: Nh n đ nh huỗi đỡ dây hống xét bị g n nh n qu rộng 70 Hình 3.15: Nh n g n qu nhỏ so với k h thướ thật – Sứ h điện đơn g n bị thiếu 70 vii MỞ ĐẦU Lý chọn đề tài Hiện nay, số công ty truyền tải điện đ ứng dụng thiết bị bay không người l i để thực nhiệm vụ theo dõi đ nh gi hất lượng thiết bị thuộc hệ thống truyền tải điện Giải pháp cho thấy số ưu điểm quan trọng: + Quan sát khu vực đường dây b o qu t (hiện trạng mặt khu vự đường giao thơng giao chéo, tình hình trồng rừng khai thác rừng, họ t động vui v sản xuất gần đường dây thả diều vật b y đốt pháo ho ph o dù phương tiện xe máy cơng trình qua lại làm việc gần hành l ng đường dây… Từ nhìn nhận v đ nh gi nguy ảnh hưởng đến vận h nh đường dây tốt + Qu n s t tình trạng dây dẫn, mối nối khó néo h điện, phụ kiện thiết bị đường dây cao chi tiết (đèn b o không sơn b o không cầu b o không đèn b o hiệu đường thủy) Khả tiếp cận phát nhanh hư hỏng dây dẫn, dây chống sét, cáp quang thiết bị đường dây mà không cần thiết phải cắt điện đường dây Ghi nhận thực tế trạng hình ảnh video … hất lượng tốt, góc quan sát rõ, bị hạn chế góc quan sát giúp thông tin ghi nhận đượ phân t h đ nh gi + Thực kiểm tr h nh x ung đoạn đường dây bị tắ đường, ngập lụt địa hình phức tạp khó khăn nguy hiểm công tác di chuyển kiểm tr s u mư bão, không tiếp cận đượ mù mư Th y hiệu kiểm tra thủ công ung đoạn đường dây qu địa hình phức tạp như: Thung lũng khoảng vượt sơng lớn địa hình bị chia cắt kênh rạch, sơng ngịi… ( ung đoạn khơng thể kiểm tra mắt thường ống nhòm) + Phát nguy h y rừng gây cố đường dây từ xa, nhanh, bao qu t (quy mô đ m h y khu vự h y điều kiện địa hình, nguồn nước, đường mịn…) để từ bố trí nhân lực, phương tiện chữa cháy chống cháy lan hợp lý hiệu + Giảm mứ độ nặng nhọ nâng o n to n v suất, hiệu cho người l o động công tác kiểm tra (Trèo cao; Tiếp xúc thiết bị m ng điện với điện từ trường lớn; Tiếp cận với loại động vật nguy hiểm ) Tuy nhiên, việ đ nh gi trạng thái thiết bị cịn thực thủ cơng, tốc độ xử lý chậm, phụ thuộc nhiều v o trình độ kinh nghiệm cán kỹ đơn vị, dẫn đến không thống thuật củ h đ nh gi Việc kiểm tr đ nh gi tiêu tốn nhiều thời gian kiểm tra liệu với khối lượng lớn, dễ gây cảm giác nhàm chán, mệt mỏi ho người kiểm tra Giải pháp cho vấn đề áp dụng cơng nghệ trí tuệ nhân tạo (AI) vào qu trình đ nh gi Một kỹ thuật trí tuệ nhân tạo thường áp dụng vào toán phân lớp, nhận dạng kỹ thuật học sâu (deep learning) Mơ hình học sâu hệ thống giúp phát điểm bất thường ảnh chụp thiết bị v đường dây điện Sự hỗ trợ cơng nghệ AI giúp qu trình đ nh gi đượ h nh x Tất ảnh chụp đư v o hệ thống đượ mô đun AI phân t h v đư r kết sơ Người dùng tiếp tục đ nh gi th m chỉnh sửa, xóa kết sơ m mô đun AI đư r Những đ nh gi đư r gắn liền vào ảnh cụ thể thiết bị cụ thể Độ xác kết sơ AI đư r cải thiện nhờ việc học theo đ nh gi ủ người dùng trình hoạt động Chính lí trên, tơi định chọn đề tài nghiên cứu "Nghiên cứu ứng dụng trí tuệ nhân tạo vào đ nh gi t hất lượng thiết bị thuộc hệ thống truyền tải điện." nhằm hỗ trợ công đ nh gi hất lượng thiết bị thuộc hệ thống truyền tải điện Mục tiêu nhiệm vụ nghiên cứu Xây dựng mơ hình đ nh gi hất lượng thiết bị thuộc hệ thống truyền tải điện có áp dụng trí tuệ nhân tạo Để thực mụ đ h ý tưởng củ đề tài, cần nghiên cứu tiến hành triển khai nội dung: - Tìm hiểu phân t h quy trình đ nh gi hất lượng thiết bị liên quan đến hệ thống truyền tải điện - Nghiên cứu xây dựng mơ hình đ nh gi dựa trí tuệ nhân tạo áp dụng cho nhận dạng v đ nh gi thiết bị Bước 6: Tải mơ hình pretrain dự án YOLO huấn luyện nhiều model pretrain Những mơ hình n y xây dựng liệu ảnh mẫu lớn như: COCO P s l VOC Imagenet, CIFAR Đây l liệu ó định dạng format chuẩn đượ đảm bảo tổ chức viện nghiên cứu lớn giới nên hồn tồn yên tâm chất lượng liệu Ở phạm vi luận văn n y t giả sử dụng sử dụng pretrain model yolov4.conv.137 huấn luyện từ liệu Im geNet Trước tiên clone file weight google drive !wget https://github.com/AlexeyAB/darknet/releases/download/darknet_y olo_v3_optimal/yolov4.conv.137 Bước 7: Cấu hình darknet Để huấn luyện đượ mơ hình x x định thơng tin cấu hình cho darknet + Tạo tệp yolo.names Tệp yolo.name luận văn cấu s u: + Tạo tệp yolo.data Tệp kh i b o o Số lượng classes o Đường dẫn tới file train.txt, test.txt o Đường dẫn tới file obj.names o Thư mục backup mơ hình huấn luyện 61 thơng tin như: + Tạo tệp cấu hình model ( onfig model) Đây l bước quan trọng để cấu hình mơ hình huấn luyện Tác giả sử dụng mơ hình YOLOv để huấn luyện nên đ hỉnh sửa tệp cấu hình mơ hình địa cfg/yolov4-custom.cfg thư mục darknet Một số thông tin điều chỉnh: o Tại dòng 970, 1058, 1146 thiết lập biến classes = (9 lớp đối tượng cần nhận dạng) o Tại dòng 963, 1051, 1139 thay số lượng filters = 42 (theo công thức số lượng filter = (số lớp + 5) x 3) o max_batchs số lượng bước huấn luyện tối đ Theo nghi n cứu m x_b t hs khơng bé số lớp x 2000 (tác giả để 18.000) o steps = tương ứng với 80% 90% max_batchs o Do máy có cấu hình khơng cao, thiết lập batch=64; subdivisions=32 Bước 8: Huấn luyện mơ hình Sử dụng lệnh s u để huấn luyện mơ hình Để đ nh gi đượ độ xác mơ hình, sử dụng công cụ map Kết đ nh gi lưu tệp yolov4- ustom log để phục vụ việc kiểm tr độ hội tụ mô hình !./darknet detector train yolo.data cfg/yolov4custom.cfg backup/yolov4-custom_last.weights -map dont_show > yolov4-custom.log 62 3.3.2 Kết thực nghiệm đánh giá kết Do mơ hình có liệu tương đối lớn nên thời gian thực nghiệm tương đối lâu ước tính khoảng 48 tiếng để huấn luyện xong mơ hình Tuy nhiên, theo nghiên cứu tài liệu liên quan cho thấy, việc thực nghiệm dừng giá trị hàm loss hội tụ Kết thực nghiệm chạy mơ hình theo mơ hình YOLO4, với thơng tin cấu phần trước Việc thực nghiệm dừng sau hoàn thành khoảng batch = ~2400, thời gian chạy mơ hình khoảng tiếng Kết huấn luyện mơ hình qua step đượ lưu v o file yolov4-custom.log Chúng ta sử dụng tệp n y để visualize hàm loss function Ý tưởng xử lý khơng có khó, tìm log dịng có Average Loss trích xuất giá trị loss function hiển thị biểu đồ Kết hiển thị tệp log ho mơ hình đ thực hiện: Hình 3.8: Đồ thị cho thấy giá trị loss average hội tụ sau khoảng 100 bước 63 Kết đ nh gi theo ông ụ m p s u: Hình 3.9: Kết thể độ xác mơ hình huấn luyện tập test Một số ví dụ sử dụng mơ hình nhận diện: Predicted in 51.753000 milli-seconds Ta chong rung: 32%; Ta chong rung: 34%; Chuoi cach dien don: 44% ;Chuoi cach dien kep: 47% 64 Predicted in 52.763000 milli-seconds Chuoi cach dien don: 50% Predicted in 52.756000 milli-seconds Cach dien kep compo: 81% Sung phong dien: 68% Ta chong rung: 92% 65 Predicted in 52.766000 milli-seconds Chuoi cach dien kep: 93% Vong corona: 42% Vong corona: 49% Predicted in 52.771000 milli-seconds Chuoi cach dien kep: 41% Chuoi cach dien kep: 32% 66 Hiện độ xác việc nhận dạng thiết bị mơ hình cịn hư o L phần liệu thu nhận liệu gốc, thực việ th y đổi k h thướ v dung lượng ảnh để phù hợp với mơ hình YOLO hư đượ tăng ường phép biến đổi (do thời gian thu nhận liệu lâu v điều kiện giãn cách xã hội đị điểm thu nhân liệu) k h thước liệu hư đủ lớn Ngoài ra, việc gán nhãn cho ảnh cịn có chỗ hư h nh x (xem mục 3.5) Một lý việc sử dụng công cụ Col b để huấn luyện nên có hạn chế thời gian huấn luyện liên tục (Colab hủy phiên huấn luyện sau không thấy có tương t hệ thống) 3.4 Vai trị module nhận diện hệ thống thông tin quản lý trình kiểm tra, đánh giá, sửa chữa bảo dƣỡng hệ thống truyền tải điện Module nhận diện có hỗ trợ việc nhận dạng thiết bị đường dây từ đ nh gi trạng thái thiết bị Khi tổ công tác thực công việc kiểm tra trường, tổ cơng tác sử dụng điện thoại di động thiết bị b y không người lái drone để chụp ảnh hạ tầng, nhằm tìm kiếm tồn hạ tầng Sau trình chụp ảnh lượng ảnh chụp thu nhiều thời gi n để tổ cơng tác xem kỹ tìm kiếm tồn mắt thường Module nhận dạng giải vấn đề việc tự động phân tích tồn ảnh chụp mà tổ cơng tác thu thập tồn có ảnh Lúc tổ cơng tác việc rà soát lại vấn đề bất thường mà AI phát xác nhận vấn đề h y s i Chứ phân t h hình ảnh AI tự động phân tích hình ảnh tổ công tác tải l n v đư r vấn đề tồn có Các vấn đề tồn ảnh định rõ nằm thiết bị n o Đồng thời khung hình có tồn ũng đượ đ nh dấu lại dạng đường bao hình chữ nhật để nhân viên tổ cơng tác dễ d ng x định 67 Hình 3.10: Giao diện minh họa khả nhận dạng thiết bị hư hỏng đường dây tải điện cao Sau nhân viên tổ ông t x định tồn xác, tồn tự động thêm vào kết kiểm tra kèm theo hình ảnh có tồn Hình 3.11: Giao diện kết nhận diện từ module AI cập nhật thêm thông tin Để hệ thống nhận diện đượ liệu luyện Khi hư hỏng hạ tầng thiết bị, cần bổ sung trường hợp hư hỏng thiết bị v o sở liệu huấn trường hợp hư hỏng đượ xem xét l Trong phạm vi luận văn n y t lớp độc lập với giả hư thực phân lớp cho trường hợp liệu li n qu n đến thiết bị hư hỏng liệu 68 trường hợp hư hỏng l kh khó để thu thập Dữ liệu tạo sử dụng phần mềm xử lý ảnh Tuy nhiên, thời gian không nhiều, vấn đề n y đượ xem hướng phát triển luận văn tương l i 3.5 Những vấn đề cần lƣu ý xây dựng liệu gán nhãn liệu Một vấn đề quan trọng việc phát triển mơ hình phát đối tượng ó độ xác cao liệu huấn luyện phải đủ lớn, công việc gán nhãn phải ó độ xác cao Dữ liệu hạ tầng truyền tải điện thu thập qua nhiều thiết bị drone v gán nhãn nhiều người n n đơi có số liệu đượ g n nh n hư thực xác Cụ thể số lỗi gặp q trình gán nhãn liệu Hình 3.12: Sừng phóng điện bị gán nhãn sai thành khung định vị Hình 3.13: Sứ cách điện bị gán nhãn sai, nhãn gán gần 69 Hình 3.14: Nhãn đánh chuỗi đỡ dây chống xét bị gán nhãn rộng Hình 3.15: Nhãn gán nhỏ so với kích thước thật - Sứ cách điện đơn gán bị thiếu 3.6 Kết luận chƣơng Trong hương n y t giả đ giới thiệu toán nhận dạng thiết bị hệ thống truyền tải điện Tác giả ũng đ trình b y cách thu nhận liệu, gán nhãn liệu xây dựng mơ hình liệu huấn luyện kiểm thử Tác giả đ trình b y bước cần thiết để thực việc huấn luyện mơ hình v đ nh gi kết mơ hình Trong trình xây dựng, thử nghiệm đ nh gi t giả ũng đ hỉ số vấn đề cần lưu tâm qu trình xây dựng liệu, gán nhãn liệu huấn luyện mơ hình công cụ Colab 70 KẾT LUẬN Kết đạt đƣợc * Về mặt khoa học - Tác giả đ x định toán cần xử lý toán nhận dạng thiết bị cho hệ thống truyền tải điện bối cảnh việ x định v đ nh gi thiết bị hệ thống truyền tải điện gặp nhiều khó khăn cách thức phương tiện thu nhận - Tác giả đ trình b y đượ sở lý thuyết cho toán nhận dạng, tổng quan mạng nơ ron mạng nơ ron t h hập mơ hình YOLO (các phiên bản) - Tác giả đ xây dựng đượ sở liệu huấn luyện kiểm thử cho mơ hình nhận dạng thiết bị, liệu xây dựng cho loại đối tượng cần nhận dạng * Về mặt thực tiễn - Tác giả đ thực nghiệm huấn luyện mơ hình tr n sở liệu đ xây dựng - Tác giả đ đ nh gi đượ mơ hình v đề xuất phương n triển khai mơ hình hệ thống thông tin quản lý chung kiểm tr gi m s t v đ nh gi hệ thống truyền tải điện Hạn chế Tuy nhiên, hạn chế kết là: - Độ xác nhận dạng củ mơ hình hư dạng ảnh chụp - Tác giả sử dụng hư gó o ịn ó hỗ hư nhận ó độ tương phản thấp, ảnh phức tạp mơ hình đ xây dựng sẵn cho tốn ó cải tiến việc thiết lập mơ hình Hƣớng phát triển Nghiên cứu để điều chỉnh mơ hình cho phù hợp với toán nhận dạng thiết bị thuộc hệ thống truyền tải điện hư hỏng để mơ hình nhận dạng Nghiên cứu bổ sung liệu đượ hư hỏng thường gặp hệ thống truyền tải điện 71 TÀI LIỆU THAM KHẢO Tiếng Anh [1] D Anderson and G McNeill (1992), Artificial neural networks technology, Utica, New York [2] A Bochkovskiy, C.-Y Wang, and H.-Y M Liao (2020) “YOLOv : Optimal Speed and A ur y of Obje t Dete tion” arXiv, 2004.10934 [3] J Han et al (2019) “A method of insul tor f ults dete tion in eri l images for high-voltage transmission lines inspection”, Applied Sciences (Switzerland), vol 9, doi: 10.3390/app9102009 [4] Y Hao et al (2018) “I ing ondition ssessment of in-service glass insul tors b sed on gr phi l shed sp ing nd gr phi l shed overh ng”, Energies, vol 11, doi: 10.3390/en11020318 [5] Y Q Huang, J C Zheng, S D Sun, C F Yang, and J Liu (2020), “Optimized YOLOv3 dete tions”, Appl lgorithm Sci., vol nd its 10, ppli tion in tr ffi no 9, pp 1–15, flow doi: 10.3390/app10093079 [6] S Li, H Zhou, G Wang, X Zhu, L Kong, and Z Hu (2018) “Cr ked Insulator Detection Based on R-FCN”, Journal of Physics: Conference Series, vol 1069, no doi: 10.1088/1742-6596/1069/1/012147 [7] Z Ling, D Zhang, R C Qiu, Y Zhang, X He, and H Liu (2019) “An accurate and real-time self-blast glass insulator location method based on faster R-CNN and U-net with eri l im ges”, CSEE J Power Energy Syst., doi: 10.17775/cseejpes.2019.00460 [8] Y Liu, J Shi, Z Liu, J Huang, and T Zhou (2019) “Two-layer routing for high-voltage powerline inspection by cooperated ground vehicle and drone”, Energies, vol 12, no 2019 doi: 10.3390/en12071385 [9] K Maeda, S Takahashi, T Ogawa, and M Haseyama (2017) “Autom ti estimation of deterioration level on transmission towers via deep extreme le rning m hine b sed on lo l re eptive field”, 2017 IEEE International Conference on Image Processing (ICIP), pp 2379–2383 72 [10] K Maeda, S Takahashi, T Ogawa, and M Haseyama (2018), “Estim tion of Deterior tion Levels of Transmission Towers via Deep Le rning M ximizing C noni l”, IEEE J Sel Top Signal Process, vol 12, no 4, pp 633–644 [11] C Martinez, C Sampedro, A Chauhan, J F Collumeau, and P Campoy (2018) “The Power Line Inspe tion Softw re (PoLIS): A versatile system for utom ting power line inspe tion”, Eng Appl Artif Intell, vol 71, pp 293-311 [12] V N Nguyen, R Jenssen1, and D Roverso (2019) “Intelligent Monitoring and Inspection of Power Line Components Powered by UAVs nd Deep Le rning”, IEEE Power Energy Technol Syst J, vol 6, no 1, pp 11–21 [13] V N Nguyen, R Jenssen, and D Roverso (2019), “Intelligent Monitoring and Inspection of Power Line Components Powered by UAVs and Deep Le rning”, IEEE Power and Energy Technology Systems Journal, vol 6, no pp 11–21, doi: 10.1109/jpets.2018.2881429 [14] A Poltavsky (2019) “Re l-time object detection using YOLO upon Google Colab in minutes” [15] J Redmon, S Divvala, R Girshick, and A Farhadi (2016) “You only look once: Unified, real-time obje t dete tion”, IEEE Conference on Computer Vision and Pattern Recognition You, pp 779–788 [16] J Redmon and A Farhadi (2017) “YOLO9 : Better F ster Stronger”, Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, vol 2017-Janua, doi: 10.1109/CVPR.2017.557 [17] J Redmon and A Farhadi (2018) “YOLOv3: An In rement l Improvement ”, ArXiv, 1804.02767 [18] P Rugery (2020) “Expl n tion of YOLO V one st ge dete tor ” [19] C Sampedro, J Rodriguez-Vazquez, A Rodriguez-Ramos, A Carrio, and P Campoy (2019) “Deep Le rning-Based System for Automatic Re ognition nd Di gnosis of Ele tri l Insul tor Strings”, IEEE Access, vol pp 101283–101308, doi: 10.1109/ACCESS.2019.2931144 73 [20] Y Song et al (2015) “A vision-based method for the broken spacer dete tion”, 2015 IEEE International Conference on Cyber Technology in Automation, Control and Intelligent Systems, IEEE-CYBER 2015, pp.715–719, doi: 10.1109/CYBER.2015.7288029 [21] X Tao, D Zhang, Z Wang, X Liu, H Zhang, and D Xu (2020), “Dete tion of power line insul tor defe ts using eri l im ges n lyzed with onvolution l neur l networks”, IEEE Trans Syst Man, Cybern Syst, vol 50, no 4, pp 1486–1498, doi: 10.1109/TSMC.2018.2871750 [22] W Wang, Y Wang, J Han, and Y Liu (2016) “Re ognition nd DropOff Dete tion of Insul tor B sed on Aeri l Im ge”, Proceedings - 2016 9th International Symposium on Computational Intelligence and Design, ISCID, vol 1, pp 162–167, doi: 10.1109/ISCID.2016.1045 [23] L Yang, X Jiang, Y Hao, and L Li (2017) “Re ognition of n ture i e type on in servi e gl ss insul tors b sed on texture”, IEEE Trans Dielectr Electr Insul Vol, vol 24, no [24] Y Zhai, D Wang, M Zhang, J Wang, and F Guo (2017) “F ult dete tion of insul tor b sed on s lien y nd d ptive morphology”, Multimedia Tools and Applications, vol 76, no 9, pp 12051–12064, doi: 10.1007/s11042-016-3981-2 [25] Y Zhai, R Chen, Q Yang, X Li, and Z Zhao (2018) “Insul tor f ult dete tion b sed on sp ti l morphologi l fe tures of eri l im ges”, IEEE Access, vol 6, pp 35316–35326, doi: 10.1109/ACCESS.2018.2846293 Internet [26] CS n “Convolution l Neur l Networks”, https://cs231n.github.io/convolutional-networks/ [27] A Deshpande (2019) “Underst nding CNNs”, https://adeshpande3.github.io/adeshpande3.github.io [28] Terra Drone (2019) “Terr Drone l un hes UAV AI-based solution for power asset inspection developed after inspecting over 90,000 km power lines by BVLOS”, 74 https://www.terra-drone.net/global/2019/10/03/terra-drone-launches-uavai-based-solution-for-power-asset-inspection-developed-after-inspectingover-90000-km-power-lines-by-bvlos/ [29] S O’He r (2020) “Skyqr ft st rtup using AI nd drones for ele tri ity power-line inspection, raises $505K”, https://techcrunch.com/2020/01/13/skyqraft/ 75