基于超分辨率重建与多尺度特征融合的 输电线路缺陷检测方法

针对输电线路巡检中可能存在拍摄图像质量不高的问题,以及线路缺陷目标小而分布密集而导致传统方法检测精度不高的问题,提出一种基于超分辨率重建与多尺度特征融合的输电线路缺陷检测方法。首先,使用超分辨率网络对巡检图像进行重建,提升清晰度,丰富图像中包含的特征信息;然后使用改进的YOLOX网络检测巡检图像中的缺陷,在主干网络中嵌入卷积块注意力机制,强化模型对重叠小目标的定位能力;为进一步提升小目标的检测能力,在YOLOX的特征融合网络中新增浅层检测尺度进行特征融合;最后,通过使用CIOU优化边界框损失函数提升模型收敛能力,降低缺陷目标的漏检率。实验结果表明,所提方法能在提升巡检图像质量的基础上对输电线路缺陷准确地检测,精度达到93.27%,相比SSD等经典模型,对小而密集的缺陷目标有着更强的提取能力和鲁棒性。     

基于注意力特征融合YOLOv5模型的无人机输电线路航拍图像金具检测方法

无人机采集输电线路航拍图像由于其特殊性,往往背景复杂多变,检测目标存在尺度不一及部分遮挡等问题容易造成检测过程中误检、漏检。本文从特征融合角度出发,提出基于注意力特征融合YOLOv5模型的输电线路金具检测方法。首先,在主干提取网络中引入了具有自注意力机制的AFF-Transformer模块更好的捕获全局信息和上下文信息,提高主干网络特征提取能力。其次,通过在特征融合过程中使用通道空间注意力避免了关键信息丢失。最后,利用双向加权特征融合机制使得模型更有效的将浅层特征和深层特征进行融合,以上改进有效缓解了金具在密集状态下的误检、漏检等问题。通过在自建输电线路金具数据集上进行实验,结果表明：本文提出的方法在原YOLOv5模型的基础上准确率提升了2.7%,模型召回率提高了1.5%,针对于小目标,以及漏检、误检等问题有了较好的改善。     

基于YOLOv3的电力杆塔检测算法研究

电力杆塔是支撑和架空输电线的塔架结构,杆塔检测和无人机智能巡检电网线路相结合已逐渐成为发展趋势。为提升电力设备巡检效率,提出了一种基于YOLOv3改进的目标检测模型,用于无人机巡检输电线路中对于杆塔的实时检测。通过水平镜像、旋转变换、图像错切和颜色变换等方法完成数据扩增,扩大杆塔训练样本。利用K-means聚类算法获取最适合的先验锚框,使其更符合杆塔的形状和比例。改进损失函数,采用GIoU计算边界框回归损失,提升了目标定位的准确性。实验结果表明,相对于其他算法,改进后的YOLOv3模型准确率较高,检测速度达到了每帧65 ms, mAP(多类别平均精度)达到90.8%,可以有效检测到航拍图像的电力杆塔,对无人机巡检输电线路有一定的工程应用价值。     

基于R-FCN的航拍巡检图像目标检测方法

航拍巡检是输电线路巡检的主要方式之一,目前的航拍巡检方式效率较低,受巡检员主观因素影响大,亟需一种智能检测算法自动定位并识别输电线路巡检图片中的故障。基于深度学习的航拍巡检图像目标检测技术作为一种可能的解决方案,得到了广泛关注。提出了一种利用基于区域的全卷积网络(R-FCN)的航拍巡检图像目标检测方法,并利用在线困难样本挖掘(OHEM)、样本优化、软性非极大值抑制(Soft-NMS)等改进方法进行优化。实验证明,所提方法具有目标定位准确、平均准确率高、单模型可同时检测目标种类多等特点。     

基于改进 U-Net 的金具图像小样本识别算法研究

电力金具巡检是保证电网安全运行的关键任务。针对因金具样本类别不平衡、金具图像背景复杂而导致的误检、漏检问题,提出了一种改进U型网络(U-shaped network, U-Net)的检测方法。首先,通过生成对抗网络生成虚拟金具样本扩充数据集,解决数据集中样本类别不平衡的问题;然后,提出一种前景增强方法,在网络输出的特征图中加入背景掩膜,并优化损失函数;最后,将注意力机制嵌入U-Net,以提高模型在复杂背景下提取金具特征的能力。经实验证明,改进算法对电力金具目标的检测效果良好,其金具检测准确率达到98.82%,平均交并比达到83.94%,精确率达到91.01%,召回率达到86.18%,平均精度均值达到89.73%。改进算法不仅可应用于正常金具的检测,还有效适用于生锈金具的检测,为电力金具智能化检测提供了一种新思路。     

基于改进区域候选网络的航拍图像中绝缘子目标识别方法

对航拍图像进行自动判别是无人机巡线后期的主要工作。为此提出一种改进的RPN(区域候选网络),以提高航拍图像中绝缘子目标的检测准确率。在绝缘子样本不完备的情况下,通过截取、旋转、镜像以及人工合成等方法对绝缘子训练样本进行扩充和完善;对人工标注的绝缘子样本的标注框进行聚类统计,获得标注框的宽高比分布情况,用于锚点框尺寸的初始化;对特征提取网络VGG16进行逐层分析,融合其中第二、三、五层的特征图,用于绝缘子目标识别;更改损失函数,实现动态调整正负样本的比例,从而解决训练过程中正负样本不均衡的问题。实验结果表明,改进后的RPN能够更有效地检测出航拍图像中的绝缘子目标,显著提高了检测的准确性。     

基于改进SSD的骑行人员佩戴头盔检测

为了解决骑行人员佩戴头盔检测任务中目标小、密集、准确率差、检测速度慢、应用困难等问题,本文基于SSD网络提出了EfficientNetV2-SSD算法。针对原SSD网络参数多的问题,使用改进后的轻量级网络EfficientNetV2替换SSD中的特征提取网络,减少网络参数,提升网络检测速度;针对难检测的小目标,使用自上而下与自下而上的FPN金字塔结构,最大程度丰富所有预测特征层信息,提升小目标的检测准确率;针对头盔等被检测的目标特征,重新设计先验框尺寸与比例,提高了小目标检测的准确率,同时加快网络收敛速度,减小网络体积。实验结果表示,EfficientNetV2-SSD网络对佩戴头盔的检测平均精度均值相比SSD网络提高7.01%,网络体积减少75%,具有更好的实用性。     

基于改进Faster-RCNN的输电线路巡检图像检测

针对传统输电线路目标巡检图像识别方法响应速度慢,准确率不高的问题,提出一种改进Faster-RCNN深度学习识别算法。文中通过卷积神经网络ZFnet提取图像特征,并重置模型参数以获取更多目标细节;利用Faster-RCNN对目标进行检测,由子网络区域提议模型生成目标候选框和子网络Fast-RCNN进行参数调优,并在Faster-RCNN网络输出部分引入精炼阶段,增加目标特征的分类细化和回归细化,将存在目标的多个边界框合并,实现精确分类以及坐标定位。实验结果表明：改进Faster-RCNN算法可有效识别线路设备及设备缺陷,总体识别率达到93.5%,响应时间在1s内。与图像识别法或SSD、YOLO深度学习法相比,所提算法提高了电力设备的识别精度与响应速度,在输电线路智能巡检中具有一定的优越性。     

基于YOLO的无人机电力线路杆塔巡检图像实时检测

无人机巡检已成为电力线路灾后巡检的重要方式。然而,目前的无人机巡检仍主要通过人工方式评估线路灾损,不仅费时费力,而且准确率低。提出了一种基于深度学习算法（YOLO）的实时目标检测模型,用于灾后根据无人机巡检视频实时检测电力杆塔的状态。通过对倒断类杆塔图像进行数据增广,解决了杆塔类别不平衡问题。通过使用K-means算法对杆塔数据集的目标框进行重新聚类,改进了YOLO算法参数。测试结果表明,该模型能有效检测多种环境下多种尺度的杆塔目标。改进后的模型在测试集上的召回率和交并比（IoU）较改进前有所提高,且平均均值精度（mAP）达到94.09%,检测速度达到20帧/s。此外,也对更快的简化版YOLO模型进行了测试,检测速度能达到30帧/s。     

架空输电线路巡检机器人系统设计

架空输电线路机器人可以代替人工执行电力巡检任务,解决人工巡检中效率低、劳动强度大、智能化程度不足等问题。提出了档间巡检的设计思路,开发了低成本架空输电线路巡检机器人系统,通过设计机械结构、优化识别算法等方式,实现了机器人的自主行走、无线充电、图像采集、数据处理、智能巡检等功能。在软件方面基于C#开发了专用程序及界面,并建立了基于架空输电线金具及缺陷数据集,在YOLOv4目标检测算法基础上,通过数据增强、边界框优化和模型结构改进,建立YOLOv4-M模型,优化了电力金具识别检测性能,提升了系统应用的环境适应性。通过机器人在线路上的运行和测试,识别算法在速度可以达到45fps,平均检测精度达到97.6%。     

基于改进SSD的变压器套管红外图像油位智能识别方法

为解决现有基于红外图像识别变压器套管油位存在的过于依赖温度信息、人工处理效率低下等问题,文中结合目标检测技术提出了一种基于改进单次检测器(SSD)的套管智能油位识别方法。通过引入SSD目标检测方法,检测红外图像中的套管区域,加入损失函数以改进SSD算法从而提高套管检测准确率,并进一步通过简单线性迭代聚类(SLIC)的应用实现了不依赖红外图像温度信息的油位检测。对比文中提出的基于红外图像的油位识别算法检测结果与人工油位检测结果,表明文中提出的算法不仅在效率上领先于传统的温度检测方式,且其误差较小,仅为0.08%。对比结果验证了所提算法在保证检测精度的情况下可大幅度提高检测效率,有效提升套管故障诊断效率和智能化水平。     

基于改进的SSD模型手机违规使用目标检测

针对某些对手机使用有特殊规定的场所时常面临难以准确、高效地识别手机违规使用的问题,提出了一种基于改进的SSD模型来检测手机的违规使用.利用SSD模型获取初次目标位置及区域分类,并利用改进的DenseNet模型对初次目标框进行判定,从而获得精确的手机检测边界框.为改进数据预处理流程,采用了数据扩增与图像质量改善相结合的策...     

改进 RetinaNet 的绝缘子精确定位研究

接触网图像中绝缘子部件的自动精确定位是绝缘子故障检测的基础,绝缘子在接触网图像中存在倾角,采用水平框进 行检测难以精确契合目标。 针对此问题,提出一种改进 RetinaNet 的绝缘子精确定位方法。 首先利用高效 Ghost 模块代替原特 征提取网络中的卷积操作获得多尺度特征图,减少模型计算量;其次将注意力机制嵌入网络中,抑制次要特征对目标检测的影 响;然后引入旋转框作为模型的预测框实现绝缘子精确定位,降低冗余背景噪声的干扰;最后重新定义训练过程中的正负样本, 解决了添加旋转框导致学习错误样本的问题。 实验结果表明,该方法可以精确地定位绝缘子,抑制冗余背景信息,与原算法相 比检测精度提高 2. 8%,检测速度为 25. 6 FPS,参数量减少 42. 8%,具有良好的检测性能。     

基于先验距离约束的3D卷积毫米波雷达目标检测方法

用于辅助和自动驾驶系统的各种传感器中,相机和激光雷达的感知性能受天气影响较大,而车载毫米波雷达是一种低成本且几乎不受天气影响的全天候工作器件,对于运动的物体,可提取丰富的多普勒信息。随着雷达技术和开源标注数据集的发展,基于底层雷达数据的目标检测已经成为一个非常有前景的领域。为解决车载毫米波雷达数据的角度分辨率低导致的目标检测和定位不准确的问题,并提升毫米波雷达目标检测的性能,提出了一种基于先验框距离约束的3D卷积毫米波雷达目标检测方法,以实现多种动态目标的检测及分类。在本文方法中,通过设计3D ResNet的特征提取器来表征距离-角度-多普勒张量中的目标信息,解决现有的模型因忽略来自原始3D雷达信号的多普勒信息而表征不足的问题;其次,添加了绝对距离损失函数来训练模型,克服距离对目标呈现的影响,提高目标检测的准确性和鲁棒性;此外,还提出了分距离单元区间重新设置先验框的方法,解决现有方法中先验框设计不合理的问题。所提出的模型在RADDet数据集上进行训练以及测试,实验结果表明：与目前的最先进的方法相比,本文模型在IoU阈值为0.1、0.3、0.5、0.7时均达到最优,其中IoU为0.1和0...     

基于RetinaNet的变压器图像小部件智能识别方法

变电站巡检图像中变压器小部件的自动识别是利用变压器图像进行变压器外观异常缺陷识别的基础。为了提高变压器小部件的识别准确性,提出了一种基于RetinaNet的变压器小部件识别方法。首先,对图像目标检测网络Retina Net进行改进,加入分辨率更高的融合特征图,以解决变压器小部件包含的像素信息过少的问题。然后,提出一种基于位置关联性的变压器小部件概率修正方法,利用识别难度相对较小的大部件位置与相应的小部件之间的位置关联信息,对小部件检测框的预测概率进行修正,以避免其他外形相似部件对目标部件识别的干扰。最后,通过实际变电站巡检图像对变压器小部件识别方法进行实验验证。结果表明,所提出的变压器小部件识别方法在变压器三类小部件的识别准确率以及整体识别准确率上,都具有比较显著的优势。     

结合注意力机制和密集连接网络的车辆检测方法

为提高算法对车辆检测的准确性,解决原有算法在复杂交通场景下对车辆检测效果不佳的问题,提出一种基于注意力机制和改进密集连接网络结构的车辆检测方法。首先在过渡层中使用SoftPool整合密集块之间的特征信息;其次通过轻量化通道注意力机制加强有效通道特征的表达,将其作为Darknet-53的深层特征提取层;引入CIOU损失作为模型的边界框位置预测损失项,使用深度可分离卷积缩减模型体积;与原算法相比mAP值提高2.6%,模型体积缩减为原来的42%,实验证明本算法在复杂交通场景下具有良好的检测性能。     

基于特征点检测与光流法的运动目标跟踪算法

为了解决当前运动目标跟踪算法在背景模型复杂和目标特征不明显的情况下,导致算法跟踪能力不足的问题,本文分别从特征点检测与光流法分析的角度出发,提出了基于特征点检测与光流法的运动目标跟踪算法。首先,根据图像梯度矩阵最小特征值,通过仿射变换,精确化特征点帧间匹配,排除伪特征点,达到精准检测运动目标特征点的目的。然后,基于图像像素守恒原理,进行2幅图像间变形评估,建立图像约束方程,进一步精确跟踪运动目标。最后,基于软件开发环境QTCreator实现算法,并系统集成。实验测试结果显示:与当前运动目标跟踪技术相比,本文算法拥有更高的准确性与稳定性。     

结合高光谱和机器学习的无线充电金属异物检测

金属异物侵入会造成无线充电系统效率和稳定性降低,并且可能引发安全事故,因此必须进行金属异物检测。 针对现 有技术存在检测盲区以及无法检测微小异物的问题,提出一种深度学习目标分割与机器学习目标分类相结合的金属异物检测 方法。 首先采用 YOLO v3 网络对充电区域 RGB 图像进行异物目标分割,然后通过支持向量机对各个目标区域对应的高光谱图 像进行分类,最后搭建实验平台验证方法的有效性。 结果表明,该方法不仅能够检测螺母和回形针等微小金属异物,而且具有 检测包裹金属异物的潜能;与仅采用支持向量机进行逐像素检测相比,该方法的检测速度提升了约 38. 9%。