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.     

基于注意力机制和Faster R-CNN深度学习的海洋目标识别模型

为进一步提升对复杂海洋目标的检测能力,引入自适应尺度的注意力机制,提出一种适应多尺度复杂海洋目标的改进Faster R-CNN模型,该模型通过将卷积网络与SKNet网络相结合,增强模型的特征提取能力与特征有效性,并针对船舶、蚝排、红树林、海岸线4类典型海洋目标,利用91卫图助手与无人机高清影像建立了12 000张样本库,分别基于改进的Faster R-CNN模型与原模型进行对比测试试验。结果表明:改进的模型虽然略微增加了计算量,但其特征提取能力与目标检测能力明显强于原模型,整体识别准确率为87.1%;在4类典型海洋目标中,船舶的识别准确率最高,可达94.4%,而红树林由于其特征比较复杂,边界不明显,其整体识别准确率为75.1%。研究表明,引入SKNet网络的Faster R-CNN网络模型,不仅增强了模型对多尺度复杂目标的特征提取能力,更适用于对复杂海洋目标的检测与识别。     

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。     

轻量级遥感影像目标检测方法研究

常规目标检测模型在推理中需要消耗较多的计算资源,而在计算能力有限的星载或机载硬件中很难直接部署并进行流畅运行。针对以上问题,提出一种轻量级遥感影像目标检测模型。首先,采用分组卷积构建附有注意力机制的特征提取层;其次,构建双层的多尺度特征金字塔进行特征图语义信息强化;此外,利用改进的非极大值抑制算法输出最终的检测框。以高分辨率遥感影像集“Aerial Image和UCMerced＿LandUse”为基础数据,通过数据增强处理,构建数据集,并以MobileNet-v3、MobileNet-SSD、shuffleNet作为对比模型,通过精度均值、平均精度均值、模型占内存大小,计算量等指标对模型进行评价。实验结果表明,所提出模型对于单类别目标的最高精度均值可达89.62%,对于所有类别目标的平均精度均值能达到86.05%,相比其余三组对比模型分别提高9.01%、15.04%以及12.58%。在检测速度、计算量以及内存大小等方面均有明显优势,说明本文所提出模型在算力有限的嵌入式硬件环境中能够对遥感影像中的多类别目标实施快速精准检测。     

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Faster R-CNN的交通标志检测方法

文章提出了一种基于Faster R-CNN的交通标志检测方法。首先,通过采集公路两侧交通标志的图像建立数据集;其次,使用预训练的VGG16对Faster R-CNN模型的相应参数进行初始化;最后,对Faster R-CNN模型进行训练。实验表明,其mAP可达81.21%,可以满足实际需求。     

基于核相关滤波的多尺度绝缘子目标跟踪

针对输电线路巡检视频中的绝缘子目标跟踪背景复杂,不能适应绝缘子尺度变化的问题,提出了一种基于核相关滤波的多尺度绝缘子目标跟踪算法。该算法首先提取绝缘子Hog特征,通过最小化决策函数来训练一个分类器,得出绝缘子目标位置,最后引入多尺度估计方法,来确定绝缘子目标的大小,从而提高了绝缘子跟踪的精度。实验结果表明,本文提出的跟踪算法能够适应绝缘子尺度变化且与传统Camshift的算法相比,具有较好的跟踪性能。     

基于有效感受野的目标检测算法

提出一种有效增大感受野的小目标检测算法。首先以单阶段多尺度特征预测的神经网路结构为基础,利用自顶向下的结构将深层语义特征融合到浅层特征中,为小目标提供全局上下文信息来增大有效的感受野;然后利用空洞卷积在不降低分辨率的情况下提供多样性的感受野,可以进一步获取多尺度的局部上下文信息,而且不需要引入额外参数。实验结果表明,本文提出的目标检测算法能够较好地解决不同尺度、形变、遮挡、模糊程度和照明度等情况下的小目标定位问题。     

基于Faster R-CNN的高分二号遥感影像特定目标识别

针对当前遥感影像特定目标识别效果较差的现状,基于深度学习网络对高分二号遥感影像特定目标进行准确识别。首先通过引入部分噪声增强样本数据建立样本库并在TensorFlow框架下配置Faster R-CNN网络学习目标特征建立可用于高分二号遥感影像特定目标识别的卷积网络。而后为判别深度学习网络的识别效果,选取遥感影像目标识别效果较好的约束能量最小化(constrained energy minimization,CEM)算法与之比较。最后在待识别遥感影像内生成房屋的包围框并标注识别房屋的置信度,得到总体房屋识别的置信度为95.61%以上。实验中CEM法房屋目标识别率为76.4%,而深度学习法可达到90.9%,深度学习法目标识别率比CEM法高14.5%。实验结果表明Faster R-CNN适用于高分二号遥感影像的特定目标识别,相较于CEM法识别率有明显提升。     

基于改进的YOLOv4绝缘子掉片故障检测方法

针对现有输电线路无人机巡检使用的目标检测算法速度较慢且模型文件较大的问题,提出了一种改进的YOLOv4目标检测算法.使用轻量型的MobileNetv2网络作为模型的主干特征提取网络,并将模型后续的标准卷积运算变为深度可分离卷积,减少了运算参数.使用K-means聚类得到了9种绝缘子及掉片故障锚框尺寸的先验知识.使用h-...