基于Faster R-CNN的复杂背景下绝缘子目标检测

由于无人机巡检图像中复杂背景的干扰以及航拍角度等外在因素的影响,会给绝缘子目标的识别带来一定的难度。常用的Faster R CNN模型在进行复杂背景下绝缘子目标检测时,存在远处的或被遮挡的小目标绝缘子的漏检问题,所以本文在现有的Faster R CNN模型上选择ResNet101作为骨干网络,引入FPN结构提高对被遮挡的小目标绝缘子的检测精度,降低了受遮挡影响的目标的漏检率,并增加通道注意力机制SENet以增强绝缘子特征,提高特征表达能力。实验结果表明,该基于Faster R CNN的改进模型在复杂背景下绝缘子目标检测中达到精度AP50为932%,相较于基线模型AP50提高了64%,并且优于目前一些先进的目标检测模型,对复杂背景下绝缘子的检测精度高,解决小目标绝缘子误检和漏检问题。     

基于生成对抗网络的自爆绝缘子检测模型设计

随着输电线路的持续建设,无人机逐步代替人工成为巡线工作的主要工作方式。绝缘子在输电线路中具有重要作用,然而,因自爆绝缘子导致的事故尤为频繁,从大量的航拍图像中识别自爆绝缘子,是一个亟待解决的任务。在航拍图像中,大部分绝缘子数据均是无损绝缘子,自爆绝缘子数量较少,因而无法满足识别算法的训练要求。针对现有输电线路无人机巡检中自爆绝缘子数据量稀缺的问题,该文提出了一种基于生成对抗网络的自爆绝缘子检测模型。通过生成器和鉴别器的对抗训练,该模型仅使用无损绝缘子数据训练即能完成对自爆绝缘子的检测。在此基础上,该文优化了生成对抗网络的训练过程。通过引入指导网络,解决了生成对抗网络的模式崩塌问题,提高了对自爆绝缘子检测的召回率;通过对鉴别器的输入添加扰动,解决了生成对抗网络中的样本不均衡问题,提高了对自爆绝缘子检测的精确度。通过与其他异常检测算法的对比实验,证明了该文方法的可靠性。并通过对模型各部分的消融实验,证明了该文方法各部分的可靠性。实验结果证明,该生成对抗网络模型有效避免了传统生成对抗网络中的缺陷,完成了对自爆绝缘子的高效自动检测。     

基于改进生成式对抗网络的电网异常数据辨识方法

基于数据驱动的电网异常数据辨识方法已成为电网安全领域研究的重点,由于实际电力发电统计数据中异常数据样本数极少,给通过数据挖掘方法辨识异常数据情况带来了极大困难。文章提出了一种基于Wasserstein生成式对抗网络(Wasserstein generative adversarial networks, WGAN)和孤立森林算法(isolation forest,iForest)的发电统计异常数据辨识方法。首先,利用WGAN交替训练生成器和判别器学习发电统计数据的分布特性并生成样本,用生成异常样本对原始异常样本进行增强,根据异常数据辨识精度确定异常样本的扩充比例;然后,在扩充后得到的平衡数据集上利用孤立森林算法实现异常数据辨识;最后,通过扩充样本前后模型的准确率、查全率以及查准率来比较模型异常数据的辨识效果。算例结果表明,文章提出的异常样本增强方法能够有效地改善辨识模型对于多数类的分类偏好问题,提升整体辨识精度。     

一种瓷支柱绝缘子红外图像目标检测算法

利用红外热像法检测瓷支柱绝缘子是否存在异常发热,是变电站支柱绝缘子故障诊断的主要方法之一。结合计算机视觉技术提出了一种针对瓷支柱绝缘子红外图像的轻量级目标检测模型。首先,在深度可分离卷积中加入膨胀卷积核,有效增大输出单元的感受野,减少参数量。然后,使用得到的DMobilenet网络结构替换YOLOv7中的主干网络ELANCSP,并采用SJS（剪切、抖动、缩放）方法扩充样本数量,同时引入迁移学习、Mosaic数据增强、余弦退火等算法提高模型泛化能力。最后,将该模型与YOLOv4、YOLOv5、YOLOv7、G-Adaboost目标检测算法进行了性能对比。实验结果表明,该模型在保证准确率和速度的同时,具有更强的鲁棒性和泛化能力,且模型更轻量化。     

基于改进FasterRCNN的绝缘子异常检测

绝缘子在保证电力传输安全性方面起着重要作用,为提高绝缘子异常检测效率,提出了一种基于改进的FasterRCNN目标检测模型并将其应用于绝缘子检测中。首先,通过无人机采集航拍的图像样本,利用水平翻转、旋转变换、色域变换等通用图像增强方法扩增样本数量,采用LabelImg标注工具对各图像样本进行标注,完成绝缘子数据集的搭建。通过K-means聚类计算得到绝缘子数据集的最优先验锚框。针对破碎绝缘子占比小的问题,提出一种拷贝数据增强的方法,解决绝缘子不均衡问题。最后,通过实验对比分析了主干网络、拷贝数据增强和FocalLoss对网络性能的影响,得出结论:所提出的改进FasterRCNN模型提升了绝缘子检测的准确率,通过ResneSt101主干网络、拷贝数据增强以及FocalLoss,最终绝缘子数据集的mAP(平均精度均值)达到了68.3%,高于FasterRCNN基线6.8%。     

基于视觉的绝缘子定位与自爆缺陷检测

设计了一种绝缘子识别定位与自爆缺陷检测方法。识别定位算法首先使用最大类间方差法对绝缘子进行分割,然后提取绝缘子不变矩特征值,最后使用Adaboost分类器定位绝缘子位置。针对自爆绝缘子的形状特点,设计了计算相邻绝缘子的欧氏距离的检测方法。自爆缺陷检测方法在处理多个自爆点时检测效果较好,准确率达到87%。通过实验得出,方法准确率较好,更加适合在实际场景中应用。     

基于深度学习算法的航拍绝缘子检测*

针对无人机航拍图像中绝缘子等设备因背景复杂、过度遮挡而产生的检测准确性差的问题,提出了一种基于CornerNet-Lite网络模型的改进算法.该算法应用LeakyReLU函数设计了更为合理的损失函数,在coco数据集和自建绝缘子数据集上进行试验.对比原网络模型检测结果可知,该方法将绝缘子检测准确率提升至93％,有效解决了绝缘子目标被塔架等间断性遮挡及多目标聚集时模型出现漏检现象的问题,尤其是在目标被过度遮挡时更能体现优势.     

基于Cycle-GAN的绝缘子图像生成方法

深度学习模型应用于输电线路绝缘子目标检测时,在训练样本方面存在公开样本集缺乏和优质样本不足的问题,为此提出一种基于循环一致性生成对抗网络(cycle-generative adversarial networks,Cycle-GAN)的绝缘子图像生成方法。首先分析绝缘子样本集,对绝缘子图像基于背景色彩特征进行风格域划分;之后在划分好的绝缘子风格域样本集基础上,采用Cycle-GAN生成绝缘子图像样本;最后,搭建分类网络验证生成图像用于扩充的有效性,并进一步探究了生成图像不同扩增比例对分类性能的影响。结果表明:绝缘子生成样本可一定程度上替代真实样本;生成图像不同扩充比例对网络性能影响不同,当扩充比例在40%~50%时,分类网络性能提升效果最佳。     

应用于绝缘子缺陷检测的轻量化YOLOv4研究

针对YOLOv4主干网络庞大、参数量多,应用于绝缘子缺陷检测中无法满足实时性要求的问题,提出一种轻量化的YOLOv4检测模型。首先,引入含ECA集成组件的GhostNet作为特征提取网络,保证特征提取能力的同时大幅减少模型参数,加快模型推理速度。其次,使用K-means++聚类算法确定出初始锚框尺寸,以适应绝缘子缺陷大小,提升缺陷定位精度。最后,在交叉熵损失函数的基础上引入Quality Focal Loss改进损失函数,进一步提升模型检测性能。实验结果表明,改进后的轻量化YOLOv4与原始YOLOv4相比,模型大小压缩至原来的62.47%,每秒帧率提升了68.83%,绝缘子缺陷检测的准确率提升了1.07%,在显著提升检测速度的同时保证了算法检测精度,且在小目标和复杂背景下表现突出。     

基于二阶段目标增强网络的低照度复杂环境下绝缘子故障检测方法

从低照度户外环境中航拍采集的绝缘子影像,存在照度低、背景复杂、绝缘子故障目标小等缺陷,严重影响低照度环境下绝缘子故障检测准确性。为解决上述问题,文章提出一种基于TOE-Net的低照度复杂环境下绝缘子故障检测方法,提出TOE-Net进行图像预处理方法,再使用YOLOv7-OL作为故障检测模块检测小目标绝缘子故障。在二阶段目标增强网络(two-stage object enhancement network,TOE-Net)中,设计零目标图像增强损失函数实现预增强网络(preparationenhancementnetwork,PreEnNet)和深度增强网络(deep enhancement network,DeepEnNet)的无监督学习;使用信道级注意力模块跳跃式通道注意力机制(skip squeeze excitationnetwort,Skip＿SENet)和跳跃式通道注意力机制(skip convolutional block attention module,Skip＿CBAM)模块改进原始小目标特征增强单次多框检测算法(smallobject detectionenhanc...     

基于关键点的遥感图像旋转目标检测

高分辨率的遥感图像与普通图像相比,遥感图像目标具有方向多样性和尺度变化较大等特点.针对遥感图像目标检测问题,提出一种R-CenterNet遥感图像目标检测算法.首先,对CenterNet网络重新设计,在网络结构中加入旋转因子为检测框提供角度信息;其次,增加网络深度,提高网络检测性能;最后,为聚合不同区域的信息,进一步提...     

基于深度学习的目标检测算法综述

传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求.深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法.首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向.     

基于增强特征金字塔和可变形卷积的绝缘子缺陷检测

绝缘子广泛应用于电力系统的各个环节,对保障电网安全稳定运行起到重要作用。现有方法只能识别自爆缺失、异物等明显缺陷,无法应对局部破损、裂纹等情况。针对上述问题,提出一种基于增强特征金字塔和可变形卷积的绝缘子缺陷检测方法:在原有高、低特征融合的基础上,增加增强的自底而上的路径,改善高、低特征图之间的信息传递,实现局部缺陷特征的有效提取;引入可变形卷积,自适应改变局部采样点,减小背景干扰的影响,进一步提升模型的适用性。利用多场景采集的绝缘子图像进行对比实验,结果显示在不同基础网络上,所提方法检测精度较传统方案均取得了较大程度的提升,该方法可广泛应用于变电站、高压输电线等各类绝缘子应用场景。     

基于跨模态特征融合的RGB-D 显著性目标检测

RGB-D显著性目标检测因其有效性和易于捕捉深度线索而受到越来越多的关注。现有的工作通常侧重于通过各种 融合策略学习共享表示,少有方法明确考虑如何维持RGB 和深度的模态特征。提出了一种跨模态特征融合网络,该网络维 持RGB-D显著目标检测的RGB 和深度的模态,通过探索共享信息以及RGB 和深度模态的特性来提高显著检测性能。具体 来说,采用RGB 模态、深度模态网络和一个共享学习网络来生成RGB 和深度模态显著性预测图以及共享显著性预测图。提 出了一种跨模态特征融合模块,用于融合共享学习网络中的跨模态特征,然后将这些特征传播到下一层以整合跨层次信息。 此外,提出了一种多模态特征聚合模块,将每个单独解码器的模态特定特征整合到共享解码器中,这可以提供丰富的互补多 模态信息来提高显著性检测性能。最后,使用跳转连接来组合编码器和解码器层之间的分层特征。通过在4个基准数据集 上与7种先进方法进行的实验表明,方法优于其他最先进的方法。     

基于单阶段目标检测算法的变电设备红外图像目标识别及定位

针对红外图像中变电设备的识别和定位问题,提出了一种基于改进YOLOv3算法的变电设备检测方法.在现场采集的变电设备红外图像集的基础上,首先使用基于Retinex的图像增强算法以及阈值分割等图像处理方法对图像集进行预处理;然后基于变电设备红外图像对YOLOv3算法进行参数优化,并通过迁移学习的策略对改进YOLOv3网络进...     

基于ORB特征的快速目标检测算法

在动态场景运动目标检测下提出了一种新颖的快速目标检测算法,针对SURF算法不能满足实时性的需要,提出基于ORB(oriented FAST and rotated BRIEF)特征的特征点匹配算法,接着采用八参数旋转模型,结合最小二乘法求解全局运动参数进行运动补偿,最后使用帧差法来获得运动目标。在此过程中采用PROSAC(progressive sample consensus)算法来去除外点。实验结果表明,该算法不仅保持了SURF本身的优越性,而且提高了检测速度,可以实时准确的检测出运动目标。     

基于自适应校准和多分支注意力的遥感目标检测

面向复杂多变的遥感场景下目标检测易受干扰的问题,提出了结合自校准模块和D_Triplet Attention的任意方向目标检测模型SD-Centernet。该方法在网络结构中引入旋转角度,为检测框提供角度信息。在Dlanet特征提取网络中引入self-Calibrated模块,通过自适应校准操作融合来自两个不同空间尺度的信息,增大输出特征的感受野。同时为了加强图像局部信息的聚焦,引入D_Triplet Attention,更好的解决了跨维度交互问题。SD-Centernet在HRSC-2016数据集上的检测精度达到86.25%,检测速度达到14.9帧/秒,有效提高了遥感航拍中多方位目标的检测效果。     

基于概率密度增强的高效多角度物体检测

许多物体检测工作都涉及目标物体的面内旋转问题.为了提高多角度物体检测的精度,在Gualdi等提出的以物体位置和尺度的概率密度采样为核心的粒子窗口方法基础上,提出充分利用不同角度物体分类器的相关性,通过用一个角度的分类器来增强另一个角度分类器所对应的采样概率密度,使得概率密度更快的收敛到待检测物体的位置和尺度上.在人手检测上的实验表明,所提方法比传统基于遍历滑动窗口的方法和基于现有基于粒子窗口的方法有更高的检测效率和精度.     

基于YOLO v3的交通场景目标检测方法

针对复杂交通场景下的目标检测准确率和实时性要求,以交通场景中的汽车、行人为目标,提出了一种基于YOLO v3的交通场景目标检测方法。首先构建了交通场景的数据集,其次采用K-means方法对YOLO v3重聚类出适用于交通场景的锚框,基于新的锚框对YOLO v3进行重训练,最后在构建的交通数据集上检验了目标检测效果。实验结果表明,基于改进的YOLO v3的交通场景目标检测方法满足准确率和实时性要求。     

基于混合非凸性二阶全变分和重叠组稀疏的非盲图像去模糊算法

为了解决凸性全变分正则化模型会使重构结果出现非闭合轮廓和非齐整边缘等缺点,设计了混合非凸性全变分耦合重叠组稀疏的图像去模糊算法.重叠组稀疏正则化项很好地考虑了相邻元素之间相互交叉的关系,非凸性二阶lp范数正则化项较好保持了图像的边缘形状信息,同时将这两个正则约束项融入到全变分函数中,可以准确地恢复边缘结构特征以及消除平...