共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
3.
定期对复合绝缘子的憎水性进行检查,及时更换严重老化的复合绝缘子,是保障电网安全稳定运行的关键。为实现无人机图像拍摄后复合绝缘子憎水性的准确判别,提出一种基于候选区域的快速卷积神经网络绝缘子憎水性分析方法,利用训练得到的Faster R-CNN深度神经网络模型精确定位复杂背景中的复合绝缘子伞裙,通过位置修正提取其中水迹信息区域,最后送入图像分类卷积神经网络完成憎水性等级的判定。测试结果表明,该方法在无人工参与的情况下,能在复杂背景图像中准确定位复合绝缘子伞裙水迹区域,憎水性等级判定结果达到了较高的准确率。 相似文献
4.
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932%,相较于基线模型AP50提高了64%,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。 相似文献
5.
传统的图像识别方法不能有效地检测出电力部件的具体位置,同时在干扰物较多的场景下识别准确率较低。针对上述问题,提出来一种改进的Faster R-CNN的电力部件识别算法,使用深度卷积网络自动从图像中提取最适合电力部件特征。Faster R-CNN方法,利用"Hot Anchors"代替均匀采样的锚点来避免大量额外的计算,提高检测效率。最后,21检测框架被修改成4类电力部件检测。实验结果表明:改进的Faster R-CNN的电力部件识别算法,在检测效率和准确率方面分别提升了16.1%和3.8%。 相似文献
6.
太阳能在可再生能源中扮演越来越重要的角色,但是积灰和鸟粪等影响因素会降低太阳能电池板的发电效率,针对太阳能电池板的缺陷识别十分重要,为此基于改进的FasterR-CNN(fasterregion-basedconvolutionalneural network)算法对太阳能电池板的缺陷识别进行研究。网络的改进内容如下:实验样本量较少,首先采取了色域转换、旋转等操作以及mosaic数据增强方法,将主干网络替换为效果更好的RestNeSt-50网络;由于检测目标中积灰和鸟粪目标尺寸相差较大,采取了目标尺寸均衡策略;为了使分类和回归任务独立学习,采用了参数不共享双分支策略;并采用了Cosine学习率策略避免网络陷入局部最小值。以上改进方法使得评价指标平均准确率(mean average precision,m AP)值从基准模型的78.91%提升至94.05%。最后成功将单个太阳能电池板从无人机拍摄的图像中提取并修正角度,同时利用改进的FasterR-CNN算法进行缺陷识别,结果表明所提方法可以更准确地识别出积灰和鸟粪等缺陷。 相似文献
7.
变电站作为电力运输的中转站,是城市运转,人民生活的重要基础设施。变电站在运行过程中,经常发生由于位置偏僻,不支持机器人和无人机直接进行探测而造成的设备运作温度检测不及时的问题。传统的变电站设备缺陷识别算法是基于机器学习算法,精确度低,只适合单个设备类别的缺陷检测,易受到环境影响。基于此,文中出一种改进的识别变电站设备红外缺陷方法。首先,基于Faster R-CNN的目标设备检测,对6种类型的变电站设备包括套管、绝缘体、电线、电压互感器、避雷针和断路器进行目标检测,以实现设备的精确定位;然后,基于稀疏表示分类(SRC)来识别不同的类,因此可以获得输入样本的实际标签;最后,基于温度阈值判别式算法,在设备区域中识别温度异常缺陷。文中算法实现了在红外线图像下的设备识别和检测,使用文中算法对6类设备的红外图像进行检测,准确率达到91.58%,不同类型设备的缺陷识别率为97.63%,缺陷识别准确率达到87.62%。实验结果表明该方法的有效性和准确性。 相似文献
8.
9.
针对电缆隧道内积水的问题,提出了一种改进的基于区域建议的卷积神经网络(Faster R-CNN)方法,并将其应用在电缆隧道积水定位识别中。考虑到Softmax分类方法的正则化参数选取会引起概率计算产生问题,改用支持向量机(SVM)进行图像分类,以增强分类的置信度。使用区域建议网络(RPN)提取隧道积水原图中的区域建议,然后用Fast R-CNN检测网络在建议框中进行图像识别、SVM分类和位置精修。实验结果表明,所提方法计算速度快、识别精度高,在实际工程中表现出较高的效率。 相似文献
10.
《电网技术》2020,(1)
电网公司的巡检工作主要依靠人工完成,需要大量人力物力,且实时性较差。针对该问题,提出一个基于区域推荐卷积神经网络的图像目标监测系统,其中核心算法为Faster R-CNN算法。利用深度学习对摄像装置所采集的现场图像进行分析,执行目标检测任务,若发现威胁电网安全运行的隐患将及时通知工作人员。深度学习发挥其优势需要有效样本达到一定数量,包含隐患的真实样本较少,有些异物种类甚至没有合适的样本,往往不能满足深度学习算法的训练要求。因此研究了一种用于扩充样本的样本生成算法,将隐患目标与背景图像按照一定规则进行融合,达到批量扩充样本集的目的。使用该算法生成的样本进行测试,测试结果表明扩充后的训练集可以使系统性能得到一定提升。此外,通过测试发现,对训练集做一定的预处理可以提升模型的识别性能。 相似文献
11.
《电网技术》2020,(8)
随着人工智能和自动化水平的提高,机器人被越来越广泛地应用于变电站巡检,为图像采集带来了便利,但是指针式仪表图像的读数识别准确性问题尚未很好解决,成为了瓶颈。基于Faster R-CNN目标检测和U-Net图像分割技术,提出了指针式仪表读数自动识别方法。首先引入Faster R-CNN检测仪表图像中的表盘、指针所在区域,并对仪表进行分类;然后以图像分割技术取代图形检测算法,结合仪表图像特点,改进了U-Net网络,有效提取了区域中的刻度线和指针。针对分割类别不平衡问题,构造了U-Net的Dice损失函数;针对仪表旋转问题,提出了基于图像分割信息的透视变换方法对图像进行校准。最后通过算例对比了文中方法和传统机器学习算法、霍夫变换在指针式仪表图像读数识别上的效果。结果表明,文中方法在检测识别复杂图像中小目标的准确性和实用性上提升明显。 相似文献
12.
13.
针对小样本及复杂环境下接触网关键设备缺陷检测难等问题,文中提出了一种基于改进型Faster R-CNN的接触网设备缺陷检测技术。针对原始的Faster R-CNN网络,采用ResNet-101替代VGG-16来构建基础卷积层,维护目标的原始结构,提升检测速度。通过对不同卷积层的特征图进行多尺寸融合,提高对多种设备缺陷的检测精度。实验结果表明,改进后的Faster R-CNN能够在复杂接触网设备中实现零部件的精确检测,mAP达到88.28%,每张图片检测时间仅需0.15秒。与相同条件下的其它检测算法相比,综合性能最佳。 相似文献
14.
在研究战斗部战斗力与评价目标毁伤效能时,战斗部爆炸破片运动参数测试属于至为关键内容.破片的高速、小尺寸、多目标、发散性等特征和强火光烟尘环境使得破片群目标的检测和处理更有挑战性.经深入研究与探讨,提出了基于快速卷积神经网络(Faster R-CNN)的复杂背景下破片群检测法.破片图像通过Fast R-CNN的多层卷积和... 相似文献
15.
16.
由于传统检测算法对棉布包装缺陷检测不够准确、对小目标缺陷识别率不够高,所以提出改进的Faster R-CNN深度学习网络,对棉布包装存在的破损、污渍、孔洞、杂质、线头等5种缺陷进行检测。通过对图像进行预处理实现图像增强,然后改进Faster R-CNN中的RPN和ROI结构,为加强小目标缺陷的检测能力,在主干网络中融合特征金字塔网络结构,最后对ROI进行双线性插值以解决多次量化引起的像素偏差问题。实验表明,改进后的网络对棉布包装表面缺陷检测的平均精度均值mAP为91.34%,与传统算法相比,mAP值提高了9.08%。 相似文献
17.
针对监控图像中电厂雨排口出现的废弃油污泄漏问题,提出一种基于改进Faster区域卷积神经网络(Faster R-CNN)的电厂雨排口污染物泄漏检测算法。改进Faster R-CNN检测算法首先使用ResNet-50作为主干网络,在此基础上构建多尺度特征图金字塔结构(FPN),实现高层语义和低层语义之间的信息融合,提高了检测精度;其次采用CIoU损失和DIoU-NMS方法,提高Faster R-CNN中边框回归的准确度;最后引入Focal Loss损失函数,解决了区域建议网络(RPN)生成的锚点冗余导致R-CNN阶段出现正负样本不均衡问题。实验结果表明,此改进算法在真实样本中表现良好,平均准确率达到90.2%,与原Faster R-CNN算法相比较,准确率提高,误报率和漏报率明显下降,可有效应用于实际生产环境中。 相似文献
18.
基于双流Faster R-CNN的图像拼接篡改定位算法因综合考虑彩色图像及其噪声图像作为输入而获得良好性能.但是,它仍存在两个不足,定位精度只是块级且经过隐写分析富模型产生的噪声图易夹杂大量冗余非篡改区域信息.为此,提出一种基于双流Faster R-CNN的像素级拼接篡改定位模型.针对第一个缺陷,增加一个全卷积网络分支... 相似文献
19.
电网公司的巡检工作主要依靠人工完成,需要大量人力物力,且实时性较差。针对该问题,提出一个基于区域推荐卷积神经网络的图像目标监测系统,其中核心算法为Faster R-CNN算法。利用深度学习对摄像装置所采集的现场图像进行分析,执行目标检测任务,若发现威胁电网安全运行的隐患将及时通知工作人员。深度学习发挥其优势需要有效样本达到一定数量,包含隐患的真实样本较少,有些异物种类甚至没有合适的样本,往往不能满足深度学习算法的训练要求。因此研究了一种用于扩充样本的样本生成算法,将隐患目标与背景图像按照一定规则进行融合,达到批量扩充样本集的目的。使用该算法生成的样本进行测试,测试结果表明扩充后的训练集可以使系统性能得到一定提升。此外,通过测试发现,对训练集做一定的预处理可以提升模型的识别性能。 相似文献
20.
为了解决传统算法对于铁路货运列车车号识别准确率不高问题,提出了一种面向铁路货车车号定位的 Faster R-CNN 神
经网络。 通过调整特征提取网络的相关尺寸参数及连接方式增强了最后一层卷积特征图的细节特征。 并采用 k-means++聚类
算法求取车号区域长宽比改进 anchor 尺寸设计,使目标检测框与实际车号区域更加贴合。 实验过程中,采用了数据增广、
dropout 方法提升网络的鲁棒性。 结果显示,改进 Faster R-CNN 网络在铁路货车车号定位精度达到了 93. 15%,召回率 90. 76%,
综合 F1 指标 91. 94%,也说明该方法能够对铁路货车车号准确定位,并为车号识别过程提供可靠的数据支持。 相似文献