融合多层卷积特征的绝缘子目标检测

提出了一种基于多层卷积特征融合的Faster R-CNN绝缘子检测算法,首先对卷积神经网络中包含更多目标细节信息的浅层特征图与特征信息更加明显的深层特征图进行融合,提高算法对目标特征的提取能力;然后根据绝缘子的形状特点改进锚框的比例,减小锚框尺寸,提升对小尺度绝缘子的检测能力,并在训练过程中加入多尺度训练,降低不同尺度绝缘子对识别率的影响。结果表明,在检测速度基本不变的情况下,所提出的算法平均精度均值(mAP)可达93.6%,比原始算法Faster R-CNN高出6.8%,对多尺度绝缘子的识别性能更优。     

基于改进YOLOv3的火焰检测

针对基于深度学习的目标检测算法YOLOv3在火焰检测时对疑似火焰物体误检率高、小火焰漏检率高的问题,提出了一种基于改进YOLOv3算法的火焰检测算法。首先构建包含多种复杂场景的火焰数据集;其次采用k-means++聚类算法初始化候选框,降低原始候选框与标记不符导致的误检率;然后基于YOLOv3算法改进多尺度特征融合结构,在特征融合过程中提出同尺度特征密集相连结构和空间金字塔卷积运算,降低因浅层位置特征信息融合不足导致的漏检率。实验结果表明,所提方法的检测准确率、召回率和F_1值分别达到了100%、97.64%和98.81%,能有效解决复杂场景下对疑似火焰物体误检率高、小火焰漏检率高的问题。     

融合多尺度特征的轻量级YOLOv7绝缘子缺陷检测算法

针对目前绝缘子缺陷检测算法检测精度与速度不平衡以及对小目标绝缘子缺陷检测效果不佳等问题，提出一种融合多尺度特征的轻量级YOLOv7绝缘子缺陷检测算法。以YOLOv7为基础框架，使用CA-GhostNet作为主干网络；将头部预测网络中的残差卷积替换为深度可分离卷积；在颈部网络设计Light-SPPCSPC特征提取模块；在特征金字塔部分将不同尺度的特征图融合。实验结果表明，所提算法实现了精度与速度的平衡，降低了绝缘子缺陷的漏检率。     

基于改进YOLOv5的路面病害检测模型

为进一步提高路面病害检测精度,文章在YOLOv5的基础上,提出针对路面病害特征改进的检测模型Pavement Damage-YOLO (PD-YOLO)。PD-YOLO在网络结构中引入Space-to-depth层,以适应低分辨率和路面病害目标小的检测任务。此外,模型在池化层利用SPPFCSPC,在特征提取时获取不同的感受野,有效解决路面病害检测图像中目标大小差异较大的情况;在特征融合层引入ASFF模块使模型自适应学习不同特征间的联系,加强模型对病害目标区域的关注度。在对多组测试数据集测试中,与YOLOv5相比,PD-YOLO模型同时提高了检测结果的准确率、召回率、F1值以及mAP@0.5值,证明了PD-YOLO有着更强的特征提取能力和特征融合能力,在路面病害的检测上有更优越的表现。     

基于ScSGB-RCNN网络的输电线路航拍绝缘子目标检测

输电线路绝缘子故障影响电力系统供电可靠性,为了实现航拍图像中绝缘子的准确检测,本研究提出了一种基于改进Faster-RCNN网络的输电线路航拍绝缘子目标检测方法(ScSGB-RCNN),主要工作有：1)针对检测算法精度低的问题,采用自校准卷积结构(Self-calibrated convolutional Network, ScNet)和ConvNeXt网络构建了ScConvNeXt主干网络,通过融合多个卷积注意力模块,扩大网络的全局感受野,提升检测精度。2)为优化不同尺度绝缘子目标的特征提取能力,提出一种轻量化的特征金字塔结构SFPN,融入到ScConvNeXt网络中,降低计算参数量。3)为提高模型收敛速度和检测精度,采用GeLU激活函数改进FRN (Filter Response Normalization, FRN)归一化函数,提升网络的非线性输出能力。4)设计了BIoU并重新构建定位损失函数。实验结果表明,本研究提出的方法较原算法精度提高22.4%,模型收敛速度提升4倍,FPS提高8.7帧/秒,优于Faster-RCNN、SSD、YOLOv3、YOLOv5、YOLOv7等算法。...     

基于深度学习的绝缘子精确识别

针对大量高分辨率的无人机航拍影像中自爆绝缘子的检测问题,提出一种基于SSD检测网络改进的MFPSSD网络(Multidirectional Feature Pyramid Single Shot Detector,MFPSSD),实现绝缘子目标的精确识别.第一,利用K-means算法对训练数据进行聚类分析得到绝缘子数据集中的样本形状分布特征,然后设置默认框参数.第二,将多向特征金字塔结构引入SSD目标检测算法,实现低层网络与高层网络的多向连接,有效将底层信息与高层信息进行特征融合.实验结果表明,与SSD、Faster R-CNN等算法相比较,MFPSSD目标检测算法在检测速度和检测精度两方面性能更好.     

基于深度学习和无人机的混凝土结构裂缝检测方法

混凝土裂缝检测是结构检测的重点内容之一。近年来,基于无人机的裂缝检测系统已得到广泛研究,并且深度学习也被用于从图像中自动识别裂缝。然而,仍然难以简单地实现裂缝尺寸的量化。该文旨在开发一种基于深度学习和无人机的裂缝检测方法,可以在没有参照标记物的情况下实现混凝土裂缝的准确检测和有效量化。首先提出了采用多尺度特征融合结构的裂缝特征金字塔网络,用于多种裂缝的图像分割。并在多尺度和多场景的裂缝数据集上进行了训练和测试。接下来提出了一种改进方法来标定无人机云台相机的图像尺度场,并建立了全场尺度。最后,通过获得的分割结果和全场尺度完成裂缝定位和定量测量。利用无人机系统进行了现场实验,验证了该方法的可行性。结果表明,在不同测量距离和角度下,裂缝宽度测量的最大误差均小于5%。研究成果有望为混凝土结构的裂缝检测提供一个具有前景的解决方案。     

基于鱼眼图像的目标检测算法研究

鱼眼图像在使用前一般会先进行畸变矫正,但畸变严重图像的矫正会降低图像质量。为了提高目标检测精度与速度,文章提出了一种利用单个下视鱼眼摄像头代替多个普通摄像头的目标检测方案。其采用特征金字塔结构检测多尺度物体,并结合下视鱼眼的旋转与畸变特性进行算法优化,直接在原始鱼眼图像上进行目标检测。通过构建下视鱼眼数据集并进行实验,结果显示,所提出的鱼眼目标检测模型不仅精度较高,而且还能在嵌入式设备上快速运行。     

融合位置注意力的无人机影像多目标检测方法

无人机能够在城市规划、侦察、监视等场景下,通过目标检测技术提供准确的目标位置和类别信息,为后台处理提供详细的信息,但现有方法在无人机影像检测时存在场景泛化能力不足、小目标漏检率高等问题。鉴于此,提出一种基于回归的检测方法,在骨干网络中使用位置注意力机制为正负样本特征赋权,提高模型对正样本的学习能力;构建四个输出尺度的特征图融合金字塔,并采用改进的非极大值抑制算法精准筛选最终的输出检测框。为降低正负样本不均衡带来的影像,一方面采用交叉熵损失函数,另一方面对训练数据集进行样本增强处理。实验结果表明,所提出模型在测试数据集上的检测精度明显优于对比模型,并且在不同场景下表现出良好的泛化能力,其测试速度可达到实时检测的水平。     

高效并行递归高斯SIFT算法的实现

针对传统尺度不变特征变换scale invariant feature transform(SIFT)算法中计算复杂度高、实时性差的问题,提出一种基于多核处理器的数据级并行递归高斯-尺度不变特征变换(recursive Gaussian filter-scale invariant feature transform,RGFSIFT)算法。利用四阶递归高斯滤波逼近尺度不变特征变换算法中的线性高斯滤波,通过EDMA数据传输技术,将图像数据分割为多块,分配到多个DSP核并行处理。实验结果表明:并行递归高斯-尺度不变特征变换算法的特征点重复率比SIFT算法的高;在图像特征点个数小于或等于500的情况下,多核并行递归高斯-尺度不变特征变换算法的平均加速比为17.97倍。