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。     

基于改进型YOLO v3的绝缘子异物检测方法

绝缘子作为输电线路重要的组成部件,其功能完整性对电网的安全运行至关重要。绝缘子所处的户外环境极易导致其存在异物搭挂,有必要监控绝缘子的运行状态。提出一种基于改进型目标检测算法(YOLO v3)的绝缘子异物检测方法:Dense-YOLO v3,设计密集网络(Dense-net)替代原网络其中一个卷积层,实现绝缘子的多层特征复用和融合,提高了检测精度。扩增了训练集以提升网络的训练效果;提出误检代价函数以度量误检的风险。实验结果表明,Dense-YOLO v3在测试集上的检测精度达到94.54%,误检代价低于YOLO v3和Faster-RCNN,可初步应用于输电线路的无人机巡检作业。     

基于YOLO v3的贴装元器件检测技术

印制电路板表面贴装元器件的识别分类技术在现代化电子产业生产过程中起重要作用,以PCB表面的贴装电阻、贴装电容、芯片等为目标,提出了一种基于YOLO v3的目标检测方法.首先利用工业相机搭配光学镜头构建贴装元器件数据集,其次重新设计了YOLO v3的特征金字塔结构FPN,接着采用K-means方法对贴装元器件数据集进行聚...     

基于YOLO v4优化的航拍绝缘子缺陷图像检测模型

针对现有绝缘子缺陷检测模型检测精度低、实时性差和网络参数多的问题,提出了一种基于YOLO v4改进的绝缘子缺陷检测模型。首先,利用改进的VGG卷积神经网络实现了主干特征提取。其次,在加强特征提取网络和预测网络中引入深度可分离卷积,降低了模型的复杂度。再次,在加强特征提取网络中融合通道注意力机制对重要特征进行增强,提升了模型对绝缘子缺陷的目标辨识能力。最后,以平均精度、帧率、参数量等作为评价指标,对基于公共数据集CPLID构建的新数据集进行了消融实验和对比实验。实验结果表明,改进的YOLO v4模型对绝缘子缺陷的检测精度为98.35%,相比于传统的YOLO v4模型提高了6.4%,并且其检测速度和参数量分别为传统YOLO v4模型的1.5倍和37.5%,可实现对航拍绝缘子缺陷图像的高精度实时有效检测。同时,改进的模型相比YOLO v5-M和Faster R-CNN模型在检测精度,速度和模型复杂度上也更具优势。     

基于图像处理的输电线路绝缘子缺陷检测

由于绝缘子一般处于输电线路铁塔顶端,检测环境复杂,人工检测效率不高,危险程度较高。针对这一问题,本文提出采用直升机搭载智能检测工具的方法,对离地较高的绝缘子进行智能检测,通过对绝缘子进行全方位扫描,智能发现缺陷部分,并进行标识,自动识别出玻璃绝缘子损伤的区域。采用图像处理的智能方面,降低了人工检测的危险性,并且提高了检测速度,通过实际绝缘子的图像处理,验证了该方法的有效性和实用性。     

基于AI的输电线路导线断散股缺陷检测方法

针对现有方法对输电线路导线断散股缺陷检测时存在的缺陷检测准确率较低的问题,提出了基于AI技术的 输电线路导线断散股缺陷检测方法.首先对所采集的输电线路导线图像进行降噪和增强等处理;然后利用LBG算法 完成K-means算法的优化,应用改进后的算法对导线图像进行分割提取;最后采用AI技术中的卷积神经网络算法, 实现对输电线路导线断散股缺陷的检测.实验结果表明,采用所提方法对导线断散股检测时,其检测准确率均高于 ９５％,优于对比方法,具有一定应用价值.     

基于改进YOLOv5的输电线路鸟巢缺陷检测方法

鸟巢侵占是输电线路经常发生的一个故障情况。鸟类在铁塔上筑巢将会影响铁塔的绝缘性能，造成跳闸事故的发生。传统的输电线路鸟巢识别方法效率低且安全性不足。为此，本文提出了一种改进YOLOv5模型的输电线路鸟巢检测算法。通过在主干网络中加入CBAM注意力模块，以较小的计算代价提升主干网络的特征提取能力。在颈部网络中引入自适应特征融合模块替换原始结构，加强多尺度特征融合效果。使用更加稳定和平滑的Mish激活函数作为激活函数，以提升分类精度和泛化能力。实验结果表明，相较于原始YOLOv5s模型，改进方法在召回率以及平均精度均值方面分别提升4.4%和2.3%。对于遮挡目标以及远近距离目标均表现出良好的性能，验证了改进方法的有效性。     

基于改进SSD的输电线路销钉缺陷检测

销钉在输电线路中起着连接关键部件的重要作用,其缺陷直接引起部件变形、不稳定甚至造成电力停电事故.针对已有单发多盒探测器(single shot multibox detector,SSD)模型对输电线路复杂背景下销钉缺陷检测能力不足的问题,提出基于残差网络和多层级特征融合策略的改进SSD模型.首先,改进SSD网络结构,...     

基于改进YOLOv3的输电线路缺陷识别方法

为解决在无人机巡检输电线路现场中出现的图像识别算法对硬件要求高、计算耗时长,训练集图片较少且复杂多变等问题,提出了一种基于改进YOLOv3算法的输电线路缺陷检测方法。提出了在YOLOv3原基本框架下加入空间金字塔池化(spatial pyramid pooling,SPP)模块的方法,使得该算法能在同一层内提取多尺度深度特征,以适应巡检现场输入尺寸不同、复杂多变的图片检测;提出了对添加了SPP模块的YOLOv3进行通道减少、框架瘦身的剪枝处理方法,以优化YOLOv3的轻量化性能,降低对巡检时车载服务器的硬件要求、减少计算时长。使用数量较少的输电线路缺陷图像数据集对该改进算法进行验证。测试结果表明,改进的模型对硬件依赖性较小,检测精度几乎不变,平均每步迭代时间减少了0.81 s,整体性能提升25%。     

基于深度学习的输电线路销钉缺陷检测

销钉是输电线路中的重要器件,起到固定螺母的作用,一旦出现故障,可能造成大面积停电等隐患。由于销钉缺陷目标较小,对于目标检测算法来说是一种很大的挑战。针对特征金字塔算法做出了改进,提出Pin Net。首先,特征提取层换为残差网络的最新变体SCNet,提取更具辨别力的特征。其次,在FPN的基础上,设计了Pin FPN,进一步增强了底层的语义信息和位置信息,提高检测小目标的能力。最后,针对数据集不足的问题,采用多种方式的数据增强,扩充训练样本,提高模型的鲁棒性。在测试集上,相比于原算法,该模型在销钉缺失目标上的AP值提高了4.2%,与其他主流的算法相比,也具有很大的优势。为了进一步证明算法的有效性,在其他输电线路小目标缺陷数据集上测试,同样可以取得不错的效果。     

基于Cascade R-CNN算法的输电线路小目标缺陷检测方法

输电线路无人机航拍图像缺陷识别是维护线路安全运行的重要巡检手段,但目前的识别算法对于销钉、螺母等小目标缺陷存在识别精确度低、易漏判等问题。将Cascade R-CNN算法应用于输电线路缺陷检测中,利用ResNet101网络进行特性提取,增强的网络的特征提取能力,并利用多层级联检测器对输电线路小目标进行判别和分类。基于无人机航拍图像数据集进行实验,实验结果表明,相比于Yolov3检测器和Lighthead R-CNN检测器,Cascade R-CNN算法提高了小目标缺陷检测中的召回率和精确度。     

高压输电线路电晕放电缺陷的检测方法研究

为提高电晕放电的检测水平和质量,及早制定预防措施和治理方案,本文对高压输电线路电晕放电缺陷的检测方法进行了深入研究,提出了一套基于射频频段分析的电晕放电缺陷的检测方法,能准确监测到高压输电线路的电晕放电,对提高电力系统输电线路运行稳定性具有重要意义。     

基于改进YOLO的绝缘子缺陷检测算法

针对绝缘子缺陷检测任务中,由于绝缘子缺陷部分在画幅中占比小、绝缘子易被遮挡、输电线路背景复杂等原因导致陷识别准确率低的问题,提出了一种基于改进YOLO的绝缘子缺陷检测算法。首先,在YOLOv7模型的基础上设计一个小目标检测层,使其更准确地进行小目标检测任务;其次,在模型中引入SimAM注意力机制,提高模型对绝缘子及其缺陷的关注度,提升模型检测性能;最后,选择SIoU Loss作为模型的损失函数,加快网络的收敛速度,降低其损失值。实验结果表明,改进后算法精度相较基准模型由84.9%提升至90.2%,损失值由2.23%下降至2.20%,改善了小目标检测精度,为绝缘子检测提供了参考。     

基于弱光增强与YOLO算法的锯链缺陷检测方法

在基于机器视觉的锯链缺陷实时检测过程中,油污、粉尘等因素影响图像亮度和质量,导致目标检测网络的特征提取能力下降。为保证复杂环境下锯链缺陷检测的准确率,本文设计了一种结合弱光增强和YOLOv3算法的锯链自动化缺陷检测方法。首先使用RRDNet网络自适应增强锯链图像亮度,恢复图像暗区的细节特征;然后采用改进YOLOv3算法对锯链零件进行缺陷检测,增加FPN结构特征输出图层,利用K means聚类算法对先验框参数重新聚类,并引入GIoU损失函数来提高小目标的缺陷检测精度。最后搭建一套锯链缺陷在线检测系统,对所提方法进行验证。实验结果表明,该方法能够显著提高弱光环境下的锯链图像照度、恢复图像细节,改进YOLOv3算法的mAP值为92.88%,相比原始YOLOv3提高14%,最终系统整体的漏检率降低到3.2%,过检率也降低到9.1%。所提出的方法可实现弱光场景下锯链缺陷的在线检测,并且对多种缺陷有着较高的检测精度。     

基于网络平台的输电线路异常检测方法

随着城市的快速发展,各个城市纷纷建立了智能电网,智能电网对电力的要求非常大,与此同时对输电线路的要求也很高,因此必须加强对智能电网输电线路的把控,一旦输电线路出现了异常,就要及时进行故障检测和定位,而传统的输电线路异常检测方法存在检测时间过长、定位不准确的问题.因此,本文通过利用新的网络平台定位输电线路图层的方法来解决...     

基于GIM模型的输电线路通道隐患快速检测

为解决现有输电线路电网信息模型(grid information model, GIM)通道隐患检测方法检测效率低、优化算法存在漏检的问题,提出一种基于等线长点集化和球体包含原理的通道隐患快速检测方法。首先,采用等线长间隔采样方式将导线由空间曲线转化为离散点集,使离散点集在电力线上均匀分布以解决传统等水平间隔采样方式离散点集分布不均匀、特殊档精度较差问题;其次,在地物点到电力线离散点最近距离计算过程中引入球体包含原理对地物点隐患可能进行判断,对不存在隐患可能的地物点跳过邻近点搜索计算,实现通道隐患快速检测。实验表明,该方法在导线点集化方面,对于普通档、特殊档均能保证采样点均匀分布,在线长间隔为10 cm的情况下将最近点的定位误差始终控制在5 cm以内;在检测效率方面,在保证检测精度的前提下将隐患检测耗时优化为传统逐点检测耗时的6.9%,具有较强的实际应用价值。     

基于深度学习的无人机巡检架空输电线路金具锈蚀缺陷检测方法

为了提升架空线路无人机巡检效率,提高架空线路金具锈蚀缺陷智能检测效率,提出了一种基于深度学习的巡检架空线路销钉缺陷检测方法。由于架空输电线路的金具锈蚀缺陷智能检测存在环境背景大、目标小、拍摄角度和拍摄光线差异大等特点,采用图像预处理算法拓充数据集,将MobileNet替换YOLO的主干特征提取网络来提升算法的泛化能力和鲁棒性,并用实际巡检图像进行实验测试。测试集验证中,当置信度阈值取0.5时,P为0.92、R为0.84、A_P为91.34%。结果表明,此方法对架空线路金具锈蚀缺陷有较好的检测效果,可以给设备健康状态评估提供参考。     

基于改进YOLOv4模型的输电线路杆塔图像缺陷检测方法研究

针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNetV2网络替换CSPDarkNet53网络,提高特征提取速度,在SPP模块中采用平均池化替换最大池化,提高算法对小目标的检测精度,引入注意力机制CBAM增强特征表达。通过试验验证了所提方法的可行性和优越性。结果表明,所提方法与常规检测方法相比,在输电线路杆塔图像缺陷检测中具有更优的检测精度和速度,检测精度达到94.40%,检测速度为60 FPS。所提研究为输电线杆塔缺陷检测方法的发展提供了一定的参考。     

输电线路热缺陷红外检测与处理

介绍输电线路热缺陷红外检测的判断方法,并阐述热缺陷的相应处理方案.     

高压输电线路热缺陷红外检测初探

讨论了高压架空输电线路红外检测中热缺陷的分析方法以及故障原因,并对线路的连接金具等导体的红外检测提出了一些建议。