基于YOLOv5的安全帽智能检测

安全帽作为防止人员头部受到伤害的防护用品,在进入电厂等高危场所时,要求必须佩戴。在实际工作中,不佩戴安全帽进入作业现场的情况时有发生。为解决这一问题,提出了一种基于安全帽的智能化检测技术。该技术使用YOLOv5算法对数据进行训练,并采用YOLOv5系列中网络深度和宽度最小的YOLOv5s模型。试验结果表明,在自采数据集中训练并检测,平均精度达95.4%,能够满足电厂等高危场所对人员不按规定佩戴安全帽的实时监测要求。     

基于改进Faster R-CNN的电厂雨排口污染物泄漏检测

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。     

基于YOLOv5的人员安全帽检测告警算法∗

佩戴安全帽可有效保障作业人员安全,避免事故的发生,然而安全帽佩戴的实时监控问题却一直未得到良 好的解决.为了缓解电力场所安全监控压力,基于 YOLOv５目标检测算法设计了一套人员安全帽佩戴检测和危险区 域告警算法,通过对锚框进行重聚类并引入注意力机制等对原始网络进行改进,结合公开数据集和自建数据集对网络 进行训练,检测精度达到89.9％.最后通过JetsonXavierNX等硬件设备将该算法部署到机器人上进行巡检,可实现 对作业现场人员的实时监管,有效保障作业现场人员安全.     

基于深度学习的安全帽识别算法研究与模型训练

针对作业人员不按规定佩戴安全帽和非作业人员误入作业现场的问题,设计了基于深度学习的安全帽和语音识别智能终端算法。对于安全帽的检测,采用了人体关键点检测模型和基于深度学习的YOLO3算法。将智能摄像头得到的视频文件,先利用人体关键点模型提取现场人员图像,再结合YOLO3算法检测现场作业人员佩戴安全帽的情况,对于未正确佩戴安全帽的人员发出告警信息。通过模型训练验证了所提模型的实用性。     

基于Mask R-CNN的轮毂缺陷分割技术

汽车轮毂在铸造过程中不免有缺陷的产生,为实现工业检测自动化的需要,提出了基于Mask R-CNN的汽车轮毂缺陷自动分割方法,采用卷积神经网络模型训练参数来代替传统的人工设定参数。首次将Mask R-CNN应用于轮毂缺陷图像的识别,通过深层次的卷积网络训练可以使模型识别轮毂缺陷特征并将不同缺陷类型标注并分割开来,从而实现轮毂X射线图像的自动分割。实验表明,使用Mask R-CNN模型对复杂轮毂缺陷的识别率有93%以上,并对不同的缺陷类型都有效果,且每帧检测时间达到0.24s/帧,满足工业轮毂缺陷检测的要求。     

基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测

由于背景复杂、目标所占像素比例较小,掩膜区域卷积神经网络（Mask R-CNN）模型对输电线路绝缘子缺陷检测能力不足,该文提出一种改进的MaskR-CNN模型。具体地,首先,在特征提取网络中引入卷积注意力模块（CBAM）,分别从通道和空间提升小目标特征保持性;其次,使用全局交并比（GIoU）计算目标间的相似度,提升定位准确性;最后,使用Tversky损失计算掩膜分支的损失,以提升不平衡样本下的检测效果。使用某输电运检中心无人机巡检作业所得具有自爆缺陷的绝缘子照片作为数据集对该模型进行验证,实验结果表明,与原始Mask R-CNN模型相比,该方法的平均精确率AP50:90、AP50和AP75分别提升至0.56、0.79和0.72;与三种经典目标检测算法相比,该算法具有较高的检测精度,模型的分割性能有一定提升,且比原始模型具有更好的鲁棒性,可以满足电力巡检中准确性和快速性的要求。     

基于改进特征金字塔的目标检测

特征金字塔网络(feature pyramid network,FPN)已经成为目标检测中提取多尺度特征的有效框架。然而,FPN存在着由于通道减少导致语义信息丢失、高层特征只包含单尺度的上下文信息和具有语义差别的不同层特征直接融合造成混叠效应等问题。针对上述问题,本文提出了基于注意力增强指导的特征金字塔网络。该模型由通道特征增强模块、上下文增强模块和注意力指导特征融合模块三个部分组成。具体来说,通道特征增强模块通过建模特征之间的依赖关系减轻由于通道减少造成的信息损失,上下文增强模块利用不同级别特征进行上下文信息提取以增强高层特征,注意力指导特征融合模块利用注意力机制指导相邻层特征学习来增进彼此语义信息的一致性。将Faster R-CNN和Mask R-CNN目标检测器中的FPN替换为本文模型并在不同的数据集上进行实验,实验结果表明,改进后的Faster R-CNN检测器在PASCAL VOC和MS COCO数据集上的平均精度分别提高1.5%和1%,改进后的Mask R-CNN检测器在MS COCO数据集上也分别将Mask AP和Box AP的性能提升了0.8%和1.1%。     

基于改进 Cascade R-CNN 的输电线路多目标检测

针对无人机巡检图像中小目标难以检测、障碍物遮挡目标、正负样本不平衡等问题,提出基于改进Cascade R-CNN的输电线路多目标检测方法.改进了Cascade R-CNN的特征提取网络,基于ResNet101基础网络结构,设计6层新型特征金字塔网络(FPN)与之融合,提高了对小目标、重叠目标的检测能力;引入了高斯形式的软非极大值抑制(Soft-NMS)方法,降低了受遮挡影响的目标的漏检率;利用Focal损失改进损失函数,缓解了正负样本不平衡对检测精度的影响.训练过程中,基于添加噪声、亮度变换、尺度放缩等数据增强方法扩充数据集,提升了训练模型的泛化性能.实验结果表明,改进的模型在复杂背景下能够对3种瓷质绝缘子、瓷质绝缘子缺陷、相间棒、防震锤以及鸟窝同时检测,平均精度均值(mAP)达到94.1％,为输电线路的智能巡检提供了一种新思路.     

基于改进Centernet的变电设备红外检测方法

变电站红外图像中小目标众多并且环境复杂,导致现有检测算法精度较低,因此本文提出一种基于改进Centernet的变电设备红外检测方法。首先以Centernet作为基础模型,将FPN结构引入上采样网络以充分利用小目标特征信息,从而解决小目标难以被精确检测的问题;然后,为提升网络在复杂环境中检测的鲁棒性,通过在主干网络resnet50中嵌入注意力机制来提升网络对重要目标的关注;最后,采用CIOU损失替换中心点偏移损失和宽高损失的训练策略以加速网络收敛、提升训练效果。实验结果表明,本文方法在小目标检测和复杂环境检测中都能有较好的检测效果,检测精度相比改进前提升3.1%,达到92.7%,相比Faster R-CNN等现有方法精度更高,在变电设备红外检测中具有一定参考价值。     

基于改进 YOLOv5s 的电力作业人员安全帽 检测算法研究

传统的电力施工现场安全帽检测算法的网络计算复杂度高、在复杂场景下对于远处目标和密集群体存在漏检等问题,提出一种改进后的轻量化YOLOv5s-GCAE算法,主干网络首先用GhostNet网络中的深度可分离卷积GhostConv,以此降低网络的计算量和参数量。其次在特征提取阶段中嵌入CA注意力机制,填补了引入轻量化网络时精度的缺失。引入自适应空间特征融合(ASFF)网络以有效融合多尺度特征,提高模型丰富的语义特征表示使网络更好的适应复杂的电力施工现场。最后引入损失函数EIOU,促使网络专注于高质量的锚点以提升在复杂场景下安全帽检测精度。构建了一个包含开源图片和自行收集的图片共9 326张的安全帽佩戴检测数据集。实验结果表明,该算法的安全帽检测准确率为93.4%,比YOLOv5s算法高2.1%,符合电力场景下安全帽检测的精度要求。     

改进YOLOv3的安全帽佩戴检测方法

针对目前安全帽佩戴检测模型在复杂环境下对于密集目标和遮挡目标存在漏检的问题,基于YOLOv3框架,提出了一种新的安全帽佩戴检测算法YOLOv3-H。YOLOv3-H算法在主干网络提取的3个特征层后加入多尺度自注意力机制,提升模型捕捉有用信息的能力;同时对K-means聚类算法进行优化,获得适合安全帽佩戴检测的最优先验框,从而提升网络模型的检测精度;最后采用GIOULoss作为目标定位损失函数,使得网络可以沿着预测框与真实框重叠度高的方向进行优化,从而加快模型的收敛速度。在Safety Helmet Wearing detect公开数据集上进行实验,结果表明,YOLOv3-H算法相比原有YOLOv3,平均检测精度提升了7.05%。     

基于改进YOLOv3算法的熔断器故障检测研究

近年来,随着神经网络和深度学习在工业工程中广泛应用,计算机视觉算法在边缘端计算方面得到了极大提高.在计算机视觉领域,传统的目标检测方法通常基于低层特征训练一个特定类别的学习(如 SVM),通过滑动局部窗口来检测单个类别的图像,因此可能不适用于灵敏度高、目标类型多、环境复杂的电网故障图像.对此提出在 YOLOv3算法中加入FPN (特征金字塔)和 Anchor的 K-means聚类,使整个改进的 YOLOv３算法在电气多类故障检测上比传统方法更高效、更准确.从技术角度讲,使用darknet框架并行训练 YOLOv3模型,在训练过程中将小批量提升到128张,改进的 YOLOv3能同时快速检测出熔断器断开故障.     

基于级联网络的散乱堆叠物体分割算法

提出了一种针对处理散乱堆叠物体的改进方法。在 YOLOv5模型中采用了加权双向特征金字塔网络(BiFPN) 替代 路径聚合网络(PANet), 结合 Gfocal损失函数,使得漏检和误检问题得到有效改善,平均精度均值(mAP)mAP@0.5 达到了 90.1%。利用Mask R-CNN进行目标物体分割,使用轻量化的 Mobilenetv3替代 ResNet101 主干网络以减少参数量,同时借 用CFNet 思想加强特征融合机制,使得分割精度提高至92.1%。通过级联改进后的 YOLOv5 和改进后的 Mask R-CNN,算 法在实时性和精确性上得到了平衡,在有效感兴趣区域(region of interest,ROI)中提取准确的物体形状信息。与单独使用实 例分割算法相比,检测速度提升了1 s。实验证明所提出的算法不仅提高了推理速度,还提高了分割精度,解决了复杂堆叠场 景下物体特征提取效果差且检测速度慢的问题。     

基于Fine Mask RCNN的110～220kV输电铁塔涉鸟故障识别与评估

随机突发的输电铁塔鸟害事故通常较难应急处理,传统的鸟害事故图像处理算法泛化能力弱,而现有的深度学习检测算法应用对象又较为单一,因此,亟需稳定有效地实现输电铁塔全类别鸟害事故辨识。鉴于此,该文提出一种基于精细化的掩膜区域卷积神经网络(finemaskregionswith convolutionalneuralnetworkfeatures,FineMaskRCNN)的110～220kV输电铁塔涉鸟故障识别与评估算法。该方法首先通过残差模块(residual network-50,ResNet-50)+特征金字塔网络(feature pyramid networks,FPN)感知巡检影像特征;其次,针对Mask RCNN细节信息丢失的问题,引入具有多尺度卷积核运算的信息融合模块进行丢失信息补偿,增强网络模型对于输入影像的特征表达与提取;最后,根据Fine Mask RCNN识别结果,结合传统图像处理技术,实现鸟巢类故障、鸟啄类和鸟粪污染绝缘子类故障评估与结果修正,形成了由故障识别到评估的一体化机制。实验结果表明,相较于掩膜区域卷积神经网络(Mask RCNN)、快速地区域卷积神经网络(F...     

改进型 Faster R-CNN 网络在电子元件 LED 气泡缺陷检测中的应用

电子元件LED缺陷当前主要检测方法是通过效率低下的人工目检,而传统机器视觉检测速度慢,且识别精度通常难以满足实际应用要求.为了克服这些缺点,提出了一种改进的Faster R-CNN网络为框架的电子元件气泡缺陷检测方法.为了提高网络的鲁棒性和泛化能力,对数据集以添加噪声、改变亮度的方式进行扩充.以Resnet50和FPN网络作为主干网络提取图像特征,并根据其特征金字塔不同特征预测层的特性调整anchor的尺度,构建网络进行训练.最后在数据集上通过对试验结果定量分析表明,该方法对LED元件气泡缺陷的总体准确率达到了 95.6％,召回率提高20.8％,单幅图片检测时间约为100 ms,满足生产中自动化检测的要求.     

面向电力系统现场作业的安全风险管控智能检测算法

针对电力现场作业下的安全管控存在场景复杂、目标多样且部分遮挡而导致智能安全监测困难的问题，提出一种基于YOLOv7-Tiny的改进算法。首先，搭建了YOLOv7-Tiny检测网络，并在该算法框架中融合通道重组的注意力机制，从而有效提升通道之间的交互能力，增强复杂场景下目标区域的显著度；其次，在特征融合阶段，构建基于残差跳连的多尺度特征融合结构Res-PANet(Residual Path-Aggregation Network)来有效融合多尺度目标，提升场景中的多目标检测能力；同时，在模型的输出检测头中结合Swin-Transformer模块，提升模型的感受野，增强模型对特征图的全局感知，提高模型在部分遮挡情况下的检测能力；接着，在训练时采取改进的Mosaic数据增强方式，提升小目标的分布数量，达到丰富目标场景、提高模型泛化能力的目的；最后，以电力人员安全帽及安全服的穿戴、电力围栏以及电力警示牌为安全作业的监测对象进行改进算法的验证，同时采取基于Score-CAM的热力图分析进一步验证模型改进的有效性。实验结果表明：融合改进模型的平均检测精度达90.1%，图像检测速度为46帧/s，在嵌...     

基于改进YOLOX的安全帽佩戴实时检测

在建筑行业中,因未佩戴安全帽而导致的安全事故占比较大。针对安全帽检测中存在的干扰性强、小目标准确率低等问题,提出了一种基于YOLOX的改进算法。首先,在加强特征提取网络中加入ECA-Net注意力机制,进行跨通道交互,根据生成的对应通道权重值,抑制干扰信息,加强模型对目标特征的关注度,再将重校准后的特征图进行更深度地特征融合,提高目标特征的表达能力。其次,使用CIoU来计算损失,将两框中心点距离和长宽比考虑进惩罚项,不断调整更新损失函数,加快模型收敛速度。最后,构建了一个真实施工场景下的小目标安全帽数据集。实验结果表明,改进后的算法mAP达91.7%,比原YOLOX算高出1.2%,对已佩戴安全帽的工人检测平均精度达93.9%,对未佩戴安全帽的检测平均精度达89.5%,检测速度达到71.9帧/s,保证安全帽佩戴情况实时检测的同时有较高准确率。     

基于改进Mask R-CNN的硬化混凝土离析程度评价北大核心CSCD

水工混凝土钻孔图像中骨料的精准分割对于硬化混凝土离析评价至关重要。然而,传统的骨料图像分割方法存在精度低和泛化性能差的问题。针对上述问题,本文提出了一种改进Mask R-CNN的硬化混凝土骨料分割模型,通过在Mask R-CNN模型的主干网络中引入高效通道注意力模块(efficient channel attention,ECA)与空间注意力模块(stage attention module,SAM),实现卷积网络对通道与空间权重的自适应调整,从而提升模型对目标骨料边界与位置分布的检测性能;进一步提出硬化混凝土离析程度定量评价方法,通过量化目标骨料的面积、边界以及在高程方向上的分布,实现混凝土离析程度的定量评价。工程案例表明,所提骨料分割模型平均精度(m AP@0.5)达到了0.8752,相比未改进模型提高了4.19%,在多种复杂环境下的分割效果均优于传统骨料图像分割方法,且混凝土离析程度定量评价平均误差仅为4.85%,验证了所提方法的有效性与优越性,为混凝土离析程度科学评价提供了新的技术手段。     

基于DBSCAN-FPN的输电线路螺栓缺销检测方法

螺栓作为输电线路上数量最大的紧固件,其缺陷检测是输电线路巡检工作中的一项重要内容.针对螺栓缺销为小目标,其定位困难、特征难提取的问题,提出一种基于DBSCAN算法与FPN模型相结合的螺栓缺销检测方法.首先,利用FPN模型定位螺栓缺销目标区域,同时基于DBSCAN聚类算法对具有相同形态结构的区域进行聚类;然后,改进FPN...     

融合迁移学习的绝缘子缺陷分级检测方法

针对Faster R-CNN算法对复杂环境下的小样本绝缘子缺陷检测精度不高的问题，本文提出了一种融合迁移学习和主体局部的绝缘子缺陷分级检测方法。整个方法使用融合残差模块和特征金字塔结构的卷积神经网络作为骨干网络进行特征提取，用于适应不同尺度的缺陷目标，保留更多有效信息。首先使用迁移学习的方法改善对缺陷所在绝缘子主体的检测效果；然后对检测出的绝缘子主体进行自动裁剪来改善复杂背景对缺陷区域检测的影响，使得模型能够更有效地挖掘出缺陷特征；最后将裁剪后的缺陷绝缘子局部图像送入第二阶段进行训练，进一步提高模型准确率。通过对无人机航拍采集的绝缘子缺陷图像进行检测实验。结果表明，本文方法相较于Faster R-CNN基线模型平均精度提高了37.5%，达到了89.6%。在对自爆和破损检测上，精度分别提高了34.9%和60.2%。