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。     

基于图像特征的火灾火焰识别方法

针对火灾火焰识别算法复杂和对环境要求高的特点,提出了基于图像特征的火灾火焰识别方法。首先采用颜色模式预判断火灾图像,排除不具有火焰颜色的物体,然后采用图像灰度化和二维熵最大阈值法进行预分割,得到火焰疑似区域,再通过提取火焰纹理特征和形状特征等对火焰图像进行分析、决策,最终判断出是否有火焰产生。实验结果表明,该方法具有较高的探测率,能降低误报漏报率且抗干扰能力强。     

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。     

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。...     

基于改进YOLOv3 的无人机林火监测系统设计与实现

以无人机为飞行平台，基于目标检测技术设计并实现了一套林火监测系统，针对原生态YOLOv3 算法在烟雾与火焰检测时表现不佳，从增加NMS 和重新聚类Anchors 两个方面对算法进行改进，检测准确率和召回率分别提高了6.8% 、11.92%。该系统无论昼夜都可实时监测森林火灾，提高了森林防火安全防范的能力和林火预警的自动化、数字化水平。     

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算法的遥感图像油罐检测

针对遥感图像中的油罐检测问题,借鉴深度神经网络的思想,提出了一种基于改进YOLOV3算法的图像检测方法。首先在原有YOLOV3算法框架中添加空间变换网络(spatial transformer networks,STN),使其成为具备空间变换学习能力的模型;然后通过k-means聚类算法对数据集进行分析,重新设计初始候选框大小;最后训练和测试网络,建立包含9 724个油罐目标的遥感图像数据集。实验结果表明:改进的YOLOV3算法具有良好的性能,在测试集中的召回率可达到95.64%,比原算法提升了3.52%;准确率可达到93.92%,比原算法提升了2.81%。     

基于多特征融合的自适应烟雾检测算法

烟雾检测技术在火灾早期预警阶段发挥着重要的作用,准确快速地烟雾检测算法具有非常重要的实际应用价值。针对现存的烟雾检测算法抗干扰能力差、实时性不强、复杂场景下适应性差的问题,本文提出基于多特征融合的自适应烟雾检测算法。首先,算法通过改进的三帧差分法提取基于图像块的运动区域;其次,提取烟雾图像块的HSV颜色特征、纹理特征、能量特征、面积变化率和LBP特征,多特征融合之后通过支持向量机(SVM)算法训练烟雾检测模型,进行烟雾检测。为了有效评估基于多特征自适应的烟雾检测模型的有效性,在复杂的烟雾场景中进行试验,试验结果证明该烟雾检测算法具有良好的鲁棒性。     

融合注意力机制的轻量级火灾检测模型

基于视觉信息的火灾检测对消防工作具有重要意义,但现阶段相关研究提出的方法大多是基于高性能的硬件设备开展,这限制了相关成果的实际应用。在YOLOv5目标检测算法基础上使用ShuffleNetv2网络为主干构造轻量化模型,并引入SIoU损失函数提高模型目标框的定位精度,同时在模型中添加Shuffle Attention注意力机制,提高在复杂环境下对目标火焰的识别精度。试验证明,与YOLOv5原模型相比,改进后的模型在实现更好识别效果的同时,参数量减少了54.2%,检测速度提升了40.5%。将模型部署嵌入式设备验证其应用效率,结果显示,模型在实现32帧/s检测速度的同时维持了较好的识别效果。     

基于改进YOLOv4的配电线路绝缘子与避雷器快速检测研究

配电线路中绝缘子与避雷器的故障影响供电系统的可靠性，为了实现航拍图像中绝缘子与避雷器目标的快速、精准检测，笔者提出一种基于改进YOLOv4的配电线路绝缘子与避雷器快速检测方法。针对无人机航拍的配电线路图像中各目标数目不均衡的问题，采用基于GraphCut与图像融合的样本扩充方法，建立含真实和虚拟的配电线路图像样本数据库。对于目标检测网络参数多、检测速度慢导致应用性能差的问题，通过迁移轻量级ShuffleNet网络对YOLOv4主干网络进行替换，利用深度可分离卷积原理对PANet模块进行轻量化调整，并引入Complete-IoU损失函数实现模型的轻量化改进。结合学习率衰减和网络层冻结方式对改进模型进行训练与测试，并与常用的目标检测算法进行对比。结果表明，本研究模型的检测速度可达48.7张/秒，对绝缘子和避雷器目标的检测精度均值可达91.6%,优于其它模型。研究可为配电线路绝缘子与避雷器的定位与缺陷检测提供技术参考。