基于改进高斯卷积核的变电站设备红外图像检测方法

在无锚点算法CenterNet模型的基础上,针对基于红外图像的目标检测算法检测精度低、耗时长的问题,给出了一种基于改进高斯卷积核的变电站设备红外图像检测方法,该目标检测方法模型网络结构精简,模型计算量较小。通过现场变电站巡检机器人设备收集数据样本,进行算法模型的训练及验证,实现红外图像变电站设备精准识别及定位。本文以变电站巡检机器人搭配红外热成像仪采集到的红外图像库为基础,用深度学习方法对数据集进行训练和测试,研究变电站红外图像的目标检测技术。通过深度学习技术判断设备中心点位实现目标分类和回归。实验结果表明,该方法提高了变电站目标检测方法的识别定位精度,为变电站设备红外图像智能检测提供了新的思路。     

基于改进Mask-RCNN模型的电力设备锈蚀识别

针对变电站电力设备锈蚀检测问题,文章提出了一种基于改进Mask-RCNN模型的锈蚀检测方法。使用残差网络Resnet101作为模型的基础网络,使用改进后的非极大值抑制(Non-Maximum Suppression,NMS)算法,提升语义分割的检测准确率。针对设备锈蚀数据集,使用dropout算法对Mask-RCNN提取的特征图进行处理,防止网络出现过拟合的现象,提升了召回率。实验结果表明,改进后模型的准确率和召回率均优于原始的Mask-RCNN网络。