基于改进SSD模型的输电线路巡检图像金具检测方法

为了解决航拍图像金具智能检测问题,提出一种基于改进SSD模型的输电线路航拍巡检图像金具目标检测方法。对巡检图像进行多角度旋转并自适应裁剪扩充样本,以解决金具在图像中占比过小导致大量漏检问题,使用改进的IoU得到对目标尺度更敏感的默认框；进一步针对图像中金具目标密集问题,在模型中加入对密集目标检测有效的斥力损失,提高模型对密集遮挡金具的检测效果。在包含6934个训练目标框和1879个测试目标框的11类金具数据集中进行实验,使用文中方法的金具检测准确率达到了75.64%,相对于使用原始SSD模型检测准确率提升了4.73%,且检测框更贴合目标。     

基于改进SSD算法的交通标识检测方法研究

针对目前SSD算法对小目标检测精确度低,泛化能力弱,且存在误检、漏检等问题,提出一种基于SSD网络的交通标识检测方法。为增加对目标的检测精度,使用ResNet-50网络作为SSD算法的骨干网络,在额外添加层中加入BN层,提高训练速度;使用sub-pixel来代替上采样,提高识别目标分辨率,并加入MFPN模型融合低层与高层特征信息,避免出现漏检问题。实验结果表明与现有的SSD算法相比,改进的SSD算法在公开数据集CCTSDB和GTSDB数据集上mAP值分别提高4.2%和3.1%,FPS保持在87.2 f/s,检测精度显著提升。满足对交通标识实时检测的要求,在无人驾驶领域具有广泛的应用前景。     

基于改进Faster-RCNN的输电线路巡检图像检测

针对传统输电线路目标巡检图像识别方法响应速度慢,准确率不高的问题,提出一种改进Faster-RCNN深度学习识别算法。文中通过卷积神经网络ZFnet提取图像特征,并重置模型参数以获取更多目标细节;利用Faster-RCNN对目标进行检测,由子网络区域提议模型生成目标候选框和子网络Fast-RCNN进行参数调优,并在Faster-RCNN网络输出部分引入精炼阶段,增加目标特征的分类细化和回归细化,将存在目标的多个边界框合并,实现精确分类以及坐标定位。实验结果表明：改进Faster-RCNN算法可有效识别线路设备及设备缺陷,总体识别率达到93.5%,响应时间在1s内。与图像识别法或SSD、YOLO深度学习法相比,所提算法提高了电力设备的识别精度与响应速度,在输电线路智能巡检中具有一定的优越性。     

基于 SSD目标检测的硬压板图像识别

为了减少变电站运维人员由于人为记录而导致硬压板状态误投退操作,本文提出了对传统SSD目标检测法进行改进,运用所改进的SSD网络模型对变电站中的硬压板图像进行识别,通过收集来的硬压板图片进行数据扩充、网络训练,得到能够识别硬压板状态的改进型SSD目标识别网络,最后通过验证集进行网路验证,结果证明了所提出的改进型SSD目标检测算法能够很好的识别硬压板状态,提高了变电站智能化水平.     

改进SSD方法在电缆隧道明火识别中的应用

针对单次多重检查(single-shot detector, SSD)方法对小目标物体检测的鲁棒性较差的问题,提出了一种改进的单次多重检查方法应用于电缆隧道明火识别中,通过选取不同层次的特征映射图进行多尺度检测,并引入一组不同大小和长宽比的默认边界框,以增强对小范围明火识别的鲁棒性。首先,构建SSD网络模型,选取6组不同尺寸的特征映射图,并对采集到的明火图像进行预处理;然后,对整个SSD网络进行训练并对默认边界框的大小等参数选取进行优化;最后,得到应用于电缆隧道明火识别的SSD网络,并通过测试集对该方法的识别速度和准确率进行了检验。应用结果表明该方法具有计算速度快、识别准确度高等特点,在电缆隧道明火识别中具有工程应用的参考意义。     

基于深度学习的钢筋绑扎机器人目标识别定位

为了解决钢筋绑扎机器人对绑扎点识别准确率低,定位精度差的问题,提出一种基于深度学习的钢筋绑扎机器人目标识别与定位方法。首先采用YOLOv4算法对绑扎点目标框识别和裁剪,完成绑扎点初始定位;其次设计轮廓角点选取方法,利用角点计算绑扎点的图像坐标;之后通过融入CBAM注意力机制改进Monodepth算法的特征提取部分,解码部分引入路径增强PAN结构,以提高模型的特征提取能力,进一步提高立体匹配精度;最后通过双目立体视觉定位技术获得绑扎点深度信息,并由坐标变换求解钢筋绑扎机器人手眼坐标系映射关系,从而实现对绑扎点的精确识别和定位。实验结果表明：该方法针对绑扎点目标框的识别准确率达到了99.75%,每秒传输帧数达到54.65;在空间中的定位精度最大误差为11.6mm。可较好地识别定位绑扎点位置,为自动绑扎工作提供有力支持。     

基于改进的 YOLOv5 的交通锥标检测系统

针对中国大学生无人驾驶方程式赛车目标检测系统当前算法检测速度较慢,在不同场景下容易出现检测精度低,漏检、 误检现象严重等问题,文章设计了一种适用于锥标颜色的整体检测系统,在识别模块中,首先,为了提高原 YOLOv5 基础模型检 测速度和识别精度,采用 CIoU 作为边界框回归损失函数,针对训练时收敛速度慢和算法识别精确度低的问题,将原加权非极大 抑制方式更改为 DIoU_NMS,测试精度为 0. 963,相较于原算法提高了 2. 1%,结果表明改进后的算法更适合比赛场景下锥标颜 色识别。 其次,在跟踪模块中,对深度表观特征锥标颜色重识别模型进行训练,将单目标跟踪算法改为可以对多种类别目标进 行跟踪,相比于单一的目标检测算法,有效降低漏检现象,最后,添加测距模块,利用检测框高度信息进行车载摄像头到锥桶的 测距,90 m 以内的平均误差小于 9%。 整个系统的帧率达到 20 FPS,实现锥标颜色识别和距离的有效测量,为比赛提供更多的 数据支持。     

基于YOLOv5的轻量化端到端手机检测方法

针对监控图像中手机尺寸较小、分辨率低且特征不明显等问题，给检测算法研究带来了困难。提出了一种改进的YOLOv5网络模型方法用来识别手机的使用。改进的检测算法引入轻量级网络GhostNet作为主干提取网络，将GhostConv模块、C3Ghost模块分别代替主干网络中的Conv基本卷积模块和C3模块，减小网络参数和复杂度；同时，将注意力机制CBAM引入到主干网络中，减少融合后冗余特征的影响，提取到目标区域中更加关键的特征信息；使用四尺度特征检测，在原算法基础上对应的增加检测层，用以提高更小目标的检测精度。实验结果表明，改进后的YOLOv5算法准确率达到95.7%,平均精度达到97.1%,比改进前训练的准确率和平均精度分别提升了2.5%和1.8%,运算量和参数量较改进前分别减少了14.3%和24.5%。改进的YOLOv5算法不仅具有轻量化优势，同时保证了准确率和平均精度。该方法为智能监测技术行业违规使用手机提供了理论依据和技术参考。     

基于 YOLOv5 算法的交通标志识别技术研究

针对传统方式识别交通标志算法存在的检测精度较低的问题,提出了一种改进YOLOv5算法的交通标志识别方法.首先改进YOLOv5算法的损失函数,使用EIOU损失函数代替YOLOv5算法所使用的GIOU损失函数来优化训练模型,提高算法的精度,实现对目标更快速的识别;然后使用加权Cluster非极大值抑制(NMS)改进YOLOv5本身所使用的加权NMS算法,提高生成检测框的准确率.实验结果表明,改进后的YOLOv5算法在由长沙理工大学制作的CCTSDB交通标志数据集上训练的模型的mAP值达到了84.35％,比原始的YOLOv5算法提高了6.23％.所以改进YOLOv5算法在交通标志识别中有更高的精度,能够更好的应用到实践当中.     

基于改进RetinaNet的白酒瓶盖缺陷检测方法

针对瓶装白酒包装质检存在的检测准确度低,小目标重合度高导致误检漏检的情况,提出一种基于RetinaNet的目标检测优化算法,主要使用白酒瓶盖瑕疵数据集进行检测。方法将网络Backbone替换为Swin Transformer,其包含的窗口注意力机制运算有效提升瓶盖瑕疵检测精度同时降低复杂度节省了计算量。在Neck阶段使用神经架构搜索特征金字塔网络(FPN)代替FPN,利用自动架构搜索选出最佳特征融合层,为后续检测提供更高质量的模型,最后采用Soft-NMS降低检测框置信度保留一定真实框,有效的防止瓶盖瑕疵过近或重叠造成漏检。实验证明,改进算法能够精准的识别出各类瓶盖瑕疵,检测精度在白酒瓶盖瑕疵数据集达到了93.53%,相较于原网络提升了8.02%。     

一种改进的压板状态识别SSD算法

在变电站二次侧管理中,压板承担着重要作用.文章提出了一种改进SSD图像识别算法,用以实现对压板状态的识别.新算法通过在SSD目标识别算法中,嵌入注意力机制,利用注意力机制挖掘了每个特征通道的重要程度,提升有用特征的权重,抑制了无效特征,提升了原有算法的检测精度.为了解决训练样本不足的问题,新算法通过对样本的扩充和迁移学习的方式,训练得到了提出的新SSD算法中的各个参数,并通过仿真实验进行验证.实验结果表明,改进后的SSD算法,其识别准确率达到96％,召回率达到94％,每秒可以检测23张图片,能够有效提升变电站内压板状态识别的效率.     

Space-Based Passing Time Estimation on a Freeway Using Cell Phones as Traffic Probes

This paper examines the usability of mobile cellular networks to obtain traffic information on a freeway. The question of whether a mobile station (cell phone) can play an acceptable role as a probe for collecting traffic information on a freeway is examined. A space-based approach, wherein the probe vehicles transmit information to roadside devices as they pass through reference points, is exploited rather than a time-based approach, wherein the probe vehicles report information for every specific instant of time. The latter has been of concern to most researchers interested in the use of a mobile cellular network for collecting traffic data. First, a simple analytical model is introduced to address the usability of cell phones as traffic probes and to pinpoint which factors affect the qualification of probe phones when the space-based approach is adopted. Second, simulation experiments are also employed to deal with more realistic traffic conditions as supplementary tools for the analytical model. Finally, the actual traffic data on a freeway was considered to validate the above two hypothesized traffic conditions. The findings show that there are three main factors that affect the qualification of cell phones as a traffic probe: 1) the speed profile of the probe phone in cell coverage; 2) the variability of handoff location where the probe phone switches its jurisdictional cell; and 3) the locational relationship between a reference point and a speed jump (or drop) point in cell coverage.      

基于OpenCV+SSD深度学习模型的变电站压板状态智能识别

目前,变电站保护硬压板信息管理处于完全依赖于人工巡检的状态.伴随着人工智能上升为国家战略,深度学习技术进一步发展,提出一种基于OpenCV+SSD深度学习模型的压板状态识别方法.在图像二值化并高斯滤波基础上,基于霍夫直线检测算法进行保护屏柜角点检测,并通过透视变换实现压板图像矫正,从而避免拍摄图像的角度变化对识别结果的...     

视觉与二维激光雷达的目标检测方法

为了改进单一传感器对目标物体的检测范围小、检测特征少以及检测准确率较低的问题,提出一种视觉与二维激光雷达的目标检测方法。在视觉检测方面提出一种改进的GoogLeNet算法实现视觉对目标物体的识别,该方法相比GoogLeNet算法在对6种目标物体的识别准确率上提高了0.7%。在二维激光雷达检测方面采用欧氏聚类算法对二维激光雷达的点云数据聚类,接着使用RANSAC算法对聚类簇中的数据点进行筛选,最后使用卡尔曼滤波算法对目标物体的位置进行预测,实现二维激光雷达在特定平面上360°对目标物体进行跟踪检测和定位。实验结果表明,该方法使得移动机器人扩大了检测范围、增加了检测特征并提高了识别准确率。     

基于改进Faster RCNN的小尺度入侵目标识别及定位

为实现无人值守变电站视频监控系统对动态小尺寸入侵目标体的识别与定位,提出一种基于改进Faster RCNN的快速神经网络辨识方法。该方法通过构建深度卷积网络计算目标样本的强语义特征,并利用密集连接的传输通道融合位置信息,从而得到适应于小目标检测的基础骨干网络;然后利用锚框挑选出目标可能存在的区域,采用双线性插值法计算定位框的坐标以实现像素级别的精确定位。使用采集的变电站监控图像对模型进行训练,得到适应小尺寸异物的改进Faster RCNN检测模型。通过对比实验结果表明,所提改进方法在进行小尺寸异物检测时能够保持高精度并具有时效性,具备一定的工程实用价值。     

基于特征融合的风机叶片表面缺陷检测模型

针对风机叶片表面缺陷检测识别率低、且易受光照影响的特点。提出一种基于卷积神经网络特征融合局部二值模式特征及核极限学习机的风机叶片表面缺陷检测方法。利用引入注意力机制的卷积神经网络提取图像深层次信息,然后提取描述图像浅层纹理信息的局部二值模式特征,采用主成分分析方法降低局部二值模式特征维度;将两种从不同层面描述图像的互补特征串行融合。用改进的麻雀搜索算法优化核极限学习机参数,利用融合的特征训练模型,得到最优模型进行缺陷识别。通过实验,在自建数据集训练后的分类准确率达到了97.5%,kappa系数达到95.1。相比利用单一特征检测,分类准确率有明显的提高。经风电场实际验证,本模型的平均分类准确率为96.3%,Kappa系数为94.5,漏报率明显降低。     

Mobile Phones: Bad for Your Health?

Mobile phones use electromagnetic fields to establish a wireless communication link to the nearest base station. When someone speaks on a mobile phone, that phone is sending out electromagnetic waves (EM). When someone listens on a mobile phone, that phone is capturing electromagnetic waves. Electromagnetic waves go out and come into a mobile phone through its antenna. That antenna is located very close to the user's head, and people have naturally wondered about the health effects of radiation from mobile phones since their inception.     

基于机器视觉的配网工程安全管控检测方法

针对配电网工程在施工现场受外界环境干扰因素多、现场监管难度大等问题,提出了一种基于改进的YOLOv5网络模型的配电网工程实时检测方法,并对配电网工程图像精确识别及缺陷检测进行了研究。首先,对配电网工程现场样本数据集进行标注,改进YOLOv5网络的特征提取网络,以加快多尺度融合并提高小目标物体检测的精度。在此基础上,改进损失函数、非极大值抑制模块,提高模型的识别精度与收敛速度。最后,经过Darknet深度学习模型对识别样本进行多次迭代训练,保存最优权重数据用于测试集的测试。算法通过 TensorBoard 可视化工具显示训练和测试结果。测试结果表明,每种配电网样本的平均识别准确率可达到95%以上,图片的识别速度可达到140 帧/s。同时,所改进算法检测准确率高,实时性强,满足工程现场实时使用需求。