基于改进Faster RCNN的输电线路航拍绝缘子检测

为提高航拍图像中输电线路绝缘子的检测准确性,提出一种改进的Faster RCNN网络模型.在原始Faster RCNN网络模型上运用多尺度训练,同时根据绝缘子自身特性调整滑动窗口产生的候选区域比例,并引入检测困难样本的对手生成策略,实现不同尺寸及部分遮挡输电线路绝缘子的准确检测.实验结果表明,改进的Faster RCNN网络模型相比原始Faster RCNN网络模型的检测精确度提升了4.33个百分点,能更准确地检测出目标绝缘子.     

基于改进Faster RCNN的安全帽佩戴检测研究

针对已有安全帽佩戴检测算法对部分遮挡、尺寸不一和小目标存在检测难度大、准确率低的问题,提出了基于改进的Faster RCNN和多部件结合的安全帽佩戴检测方法。在原始Faster RCNN上运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性,并引入防止正负样本不均衡的在线困难样本挖掘策略,然后对检测出的佩戴安全帽工人和安全帽等采用多部件结合方法剔除误检目标。实验表明,相比于原始Faster RCNN,检测准确率提高了7%,对环境的适应性更强。     

基于改进的Faster RCNN面部表情检测算法

针对真实环境下多目标表情分类识别算法准确率低的问题,提出一种基于改进的快速区域卷积神经网络(Faster RCNN)面部表情检测算法.该算法利用二阶检测网络实现表情识别中的多目标识别与定位,使用密集连接模块替代原始的特征提取模块,该模块能够融合多层次特征信息,增加网络深度并避免网络梯度消失.采用柔性非极大抑制(soft...     

嵌入双注意力机制的Faster R-CNN航拍输电线路螺栓缺陷检测

目的 螺栓是输电线路上最普遍、数量最多的部件,螺栓缺陷检测是输电线路视觉检测任务的一大难点。针对螺栓目标存在背景复杂、目标过小、不同类别之间差异小以及精细特征难以提取的问题,提出一种双注意力机制方法,分别对不同尺度和不同位置的视觉特征进行分析和增强。方法 对于不同尺度的特征,网络使用不同尺度的特征图计算出相应的注意力图,然后将相邻层的注意力图差异性作为正则化项加入网络中,从而增强螺栓区域的精细特征。对于不同位置的特征,先使用特征图计算出图像的空间注意力图,注意力图中每个元素表示两个空间位置的相似程度,然后利用注意力图将局部特征与全局特征融合,从而在全局视野上增强相似的区域,达到增大螺栓与背景的特征差异程度,实现提高螺栓区域的预测效果。结果 本文在航拍输电线路典型螺栓数据集上进行测试,与基线相比,结合双注意力机制的航拍输电线路螺栓检测方法的平均准确率提高了2.21%,其中正常螺栓类提升了0.29%,缺销螺栓类提升了5.23%,螺母缺失螺栓类提升了1.1%。结论 本文提出的基于双注意力机制的航拍输电线路螺栓缺陷检测方法取得了良好的效果,有效避免了螺栓缺陷检测中的误判漏判问题,为进一步对输电线路其他缺陷任务奠定了良好的基础。     

基于改进Faster RCNN的目标检测算法

近年来基于深度卷积神经网络的目标检测算法已经成为了主流,Faster R-CNN就是一种主流的目标检测算法。在Faster R-CNN卷积神经网络的基础上,使用DIoU来评价预测框和真实框的距离。针对Faster R-CNN小目标检测效果不好的缺陷,将原算法中的候选区域池化RoI Pooling改进为检测更为精确的区域特征聚集方式RoI Align。此外还改进了原算法中锚框的非极大值抑制方法,增加了算法的平均检测率。最后在公开数据集MS COCO、PASCAL VOC 2007、PASCAL VOC 2012上进行对比训练,在PASCAL VOC 2007测试集上进行验证。实验结果表明改进后的目标检测算法能够有效提高原Faster R-CNN算法的目标检测率。     

基于尺度不变特征金字塔的输电线路缺陷检测

针对现有目标检测算法在高压电力复杂巡检场景下电力部件与巡检缺陷检测精度较低的问题,提出一种基于尺度不变特征金字塔的输电线路缺陷检测方法.将主流目标检测方法用于该场景,对比得出RepPoints v2网络模型的检测精度最高.针对RepPoints v2中FPN结构不能有效提取跨层次间语义信息及角点验证过程中忽略尺度归一化...     

基于改进YOLOv5的输电线路多目标检测

针对当前目标检测网络层数加深、参数量和计算量加大,造成实时性差等问题,为了实现对输电线路部件的识别与检测,提出一种基于改进YOLOv5的输电线路多目标检测算法。首先,使用ShuffleNetv2结构作为网络特征提取的主干结构,减少网络的参数量;然后,将PANet网络中的BottleneckCSP改为Light＿CSP模块,加快特征融合的速度;其次,使用CIoU loss、DIoU-NMS方法减少预测框的位置损失和漏检问题。最后,为了验证所提算法的有效性,利用输电线路图像数据集进行训练与测试。结果表明,改进YOLOv5的参数量为7.5×106,浮点计算量为10.9,平均精度达到了87.5%,FPS达到69.2,能够满足输电线路部件检测的精度、轻量化与实时性要求。     

改进YOLO v7的绝缘子检测与定位

针对电力系统目标检测任务中绝缘子大小不一、背景干扰等影响而导致精度低、漏检率高的问题,提出了基于改进YOLO v7绝缘子检测与定位方法。在YOLO v7骨干网络中加入轻量级注意力机制（convolutional block attention module, CBAM）,使网络模型从通道、空间两个方面更加关注绝缘子特征,降低绝缘子检测中的漏检率。在网络模型深层添加集中特征金字塔（concentrated feature pyramid, CFP）,使不同尺度的特征图进行信息交换和聚合,进而获得更加全面的绝缘子特征,提高绝缘子检测精度。通过k-means算法对预选框聚类,得到最适合绝缘子预选框大小。实验结果表明,改进以后的YOLO v7网络模型平均检测精度（mean average precision, mAP）达到96.2%,精准率为90.8%,召回率为93.8%。改进的方法在电力系统绝缘子检测中具有较广泛的应用前景。     

基于改进Faster RCNN的节肢动物目标检测方法

自然生态环境下的节肢动物目标检测存在目标背景复杂、尺度差异大以及目标密集等特点,导致目标检测精度和准确率不高。为此,提出一种基于改进Faster RCNN模型的节肢动物目标检测方法 AROD RCNN。首先,设计一种有监督的并行空间与通道注意力（SPSCAT）机制,以提高复杂背景环境下节肢动物目标检测的准确率;然后,引入第二代可变形卷积重塑ResNet50中C1～C5块卷积层,并使用特征金字塔网络（FPN）对ResNet50中C2～C6块进行特征融合以解决目标尺度差异较大影响检测精度的问题;最后,通过密集局部回归（DLR）方法对回归阶段进行改进,从而提高模型回归的准确性。实验结果表明,该方法在ArTaxOr数据集上的各类别平均精度（mAP）达到了0.717,较原始Faster RCNN模型提高了0.453,而召回率达到了0.787。可见该方法能够有效解决目标遮挡和复杂背景等问题,在节肢动物密集目标与小目标检测中表现良好。     

注意力机制和Faster RCNN相结合的绝缘子识别

针对利用Faster RCNN识别绝缘子图像过程中定位不够准确的问题,提出一种注意力机制和Faster RCNN相结合的绝缘子识别方法。在特征提取阶段引入基于注意力机制的挤压与激励网络（Squeeze-and-Excitation Networks,SENet）结构,使模型能够关注与目标相关的特征通道并弱化其他无关的特征通道;根据绝缘子的特点,对区域建议网络（region proposal network,RPN）生成锚点（anchor）的比例和尺度进行调整;在全连接层运用注意力机制对周围建议框的特征向量赋予不同权重并进行融合,更新目标建议框的特征向量。实验结果表明:与传统的Faster RCNN算法相比,改进后的算法能够较好地识别出绝缘子。     

基于改进Faster RCNN的变电站红外图像多目标识别

为解决变电站红外图像中多种高压电气设备识别问题,文中提出一种基于改进Faster RCNN的变电站红外图像多目标识别方法.该方法通过VGG16提取红外图像中的多种电气设备图像特征,通过区域建议网络生成区域建议并通过边框回归调整区域建议,ROI Pooling将不同尺度的区域建议映射到尺寸固定的输出向量后送入Softmax进行分类,并按照区域建议包含关系对识别错误的部位类别进行修正.实验选取27586张红外图像制作成VOC2007格式红外数据集,并对测试集中5517张红外图像的识别结果进行统计,实验结果表明改进Faster RCNN识别准确率达到92.8％,较改进前提高了9.7％,具有较高的工程实用价值.     

改进的Faster RCNN煤矿井下行人检测算法

针对煤矿井下环境恶劣、光照差、背景混杂、行人模糊、行人多尺度等问题，提出了一种改进的Faster RCNN煤矿井下行人检测方法，使用深度卷积神经网络代替传统的手工设计特征方式自动地从图片中提取特征。利用深度学习通用目标检测框架Faster RCNN，以Faster RCNN算法为基础，对候选区域网络（Region Proposals Network，RPN）结构进行了改进，提出了一种“金字塔RPN”结构，来解决井下行人存在的多尺度问题；同时算法中加入了特征融合技术，将不同卷积层输出的特征图进行融合，增强煤矿井下模糊、遮挡和小目标行人的检测性能。实验结果表明：改进的Faster RCNN可以有效解决井下行人检测问题，在井下行人数据集上获得了90%的检测准确率，并在公测数据集VOC 07上对改进算法进行了验证。     

基于改进Cascade RCNN的车辆目标检测方法

针对车辆目标检测过程中小目标及遮挡目标的错检、漏检问题,提出改进Cascade RCNN车辆目标检测方法.使用改进的特征金字塔将浅层信息逐层融入深层网络,增强小目标及遮挡目标特征;引入多支路空洞卷积,减少下采样过程中的特征丢失;将感兴趣区域与上下文信息通过ROI Align统一尺寸后融合,增强目标特征表达.实验结果表明...     

改进Faster R-CNN的道路目标检测

针对道路场景下各目标尺度复杂导致的检测精度低问题,提出一种面向道路目标的多尺度Faster R-CNN算法。分析数据集标注的面积及长宽比分布以设置合适尺寸的锚框,提高锚框与目标的匹配度,模型对道路小目标的平均精准度提升了13%以上。在Faster R-CNN网络的特征提取部分加入特征金字塔结构,融合不同尺度特征图的信息提高检测性能。在BDD100K数据集下进行实验,结果表明该方法与原有Faster R-CNN模型相比检测速率稍有下降,mAP得分提升15.1%。     

基于改进Faster RCNN的小尺度铁路侵限算法

针对目前传统铁路异物侵线检测算法识别精度不高、对于小尺度目标异物存在漏检等问题,提出一种基于改进Faster RCNN的小尺度铁路侵限算法。在特征提取网络中利用特征金字塔模型将高层特征与低层特征相融合;通过修改锚点框尺寸和增加锚点个数来提高对目标建议区域的精确性;提出一种基于衰减得分的NMS算法;在引入迁移学习思想同时利用在线难例挖掘训练网络以解决数据缺乏、训练难收敛的问题。实验结果表明,改进的Faster RCNN与传统的Faster RCNN网络相比,mAP (mean average precision)提高了2.1%,对小目标的识别有较好准确度。     

基于Faster RCNN的行人检测方法

借鉴目标识别领域的快速区域卷积神经网络(Fast RCNN),提出了基于Faster RCNN的行人检测方法,利用CNN提取图像特征,通过聚类和构建区域建议网络(RPN)提取可能含有行人的区域,利用检测网络对目标区域进行判别和分类,并在INRIA数据集中进行了测试验证。实验结果表明:相比基于可变形的组件模型(DPM)的行人检测方法,提出的方法,在测试集上检测准确度达到92. 7%,相比现有的其他方法,其检测效果更好。     

改进的Cascade RCNN行人检测算法研究

在复杂路况下的行人检测中,行人尺寸变化大,导致小尺寸行人漏检率高,增加了行人检测的难度.为了降低行人检测漏检率,提高行人检测精度,在级联区域卷积神经网络(cascade regional convolutional neural network,Cascade RCNN)的基础上,将浅层特征与深层特征融合,进行深层特征...