基于改进YOLOv5与CRNN的电表示数识别

为了提高电表示数检测和识别的准确率，基于轻量高效的YOLOv5s网络提出了改进的目标检测网络。首先，在特征提取阶段添加CBAM注意力机制对图像的重要特征进行自主学习，并设计了一种特征融合网络D-BiFPN加强了对深层特征的提取；其次，引入CIOU损失函数，使目标框的回归更加稳定。对CRNN文本识别算法的主干网络进行改进，模型保持轻量化的特点，在移动端部署上有良好的前景。最后，在电表数据集上测试得出：相比于YOLOv5算法，所提出的算法精度均值提升了5.13%;相比于CRNN算法，所提出的文本识别算法准确率提升了7.4%。实验结果表明，改进后的文本检测算法对电表示数的检测精度较高，文本识别算法准确率和速度较高，满足电表示数检测识别的实际应用需求。     

基于深度学习的交通标志文字信息检测与识别方法

为解决无人驾驶汽车外界环境感知系统对交通标识文字信息检测问题,提出一种在自动驾驶场景下对交通标识的文本信息进行检测并识别的两阶段方法,实现了自动驾驶信息精细化采集。首先使用YOLO检测器检测交通标识,同时使用本文改进的DB检测网络对场景内文本进行检测,将交通标识检测结果与场景文本检测结果进行交集运算得到待识别文本区域;最后使用轻量化CRNN网络对待识别区域文本进行识别。使用CSCT-1600数据集和MTWI-2018数据集分别进行训练和测试。实验结果表明,交通标识信息定位算法在召回率为92.98时精确度为94.95%,交通标识信息识别算法在F1为77.2%时识别速度为25帧。     

基于文本图像修正的两阶段船名识别框架

船舶名称（牌照）识别在水路运输系统中发挥着重要的作用。针对船舶名称在内河航道中目标较小且航道两岸观测船舶存在较大倾斜角度导致难以识别的问题,提出一个以自然场景文本检测算法（differentiable binarization, DB）和文本识别算法（convolutional recurrent neural network, CRNN）为基础的船舶名称自动识别框架（automatic ship name identification,ASNI）,ASNI包括以下3个部分：船名检测、文本图像修正和识别,其中,船名文本图像修正由船名矫正模块和超分辨率重建模块构成。首先,该框架利用DB算法对图像船名候补区域特征进行自适应尺度融合处理获取特征图,通过特征映射预测生成的二值图像寻找连接区域,以此获得船名感兴趣区域（ROI）。其次,在船名检测之后引入船名矫正模块,基于透视变换对ROI中船名不规则文本进行矫正。此外,设计超分辨率重建模块,对矫正后的船名图像进行超分辨率重建处理,以提高船名图像的分辨率。最后,利用CRNN算法对文本图像修正后的ROI中船名进行识别得到最终结果。通过在内河航道船舶数据集（ship license plate,SLP）上进行训练和测试,最终实验结果显示,ASNI框架对船舶识别的平均准确率为87.50%,相比于基础框架提升了3.12%。本文设计的框架有效解决了因分辨率不足和倾斜导致船舶识别不准确的问题,相比基础框架,ASNI有更好的识别效果。     

电力设备红外图像缺陷检测

机器人在巡检过程中采集到的红外图像很难反映设备目标的纹理信息.人工方法或传统机器学习方法不能精准识别和分类电力设备缺陷,同时其他环境因素容易导致误判.采用CenterNet结合结构化定位的算法模型,通过对现场红外图像数据样本收集、训练及验证算法模型的计算,实现从复杂的红外图像中以较高的准确率将不同变电站设备及其部件识别...     

基于预训练语言模型的电力领域设备缺陷检测

电力设备缺陷种类繁多,部分缺陷会引发设备故障,及时检测电力设备存在的缺陷是防止发生设备故障的重要手段。设备缺陷检测旨在从文本中识别触发词并且将文本划分对应的设备缺陷类型。针对电力领域缺陷数据集标注不足,以及由于文本中包含大量专业术语造成语义理解难等问题,研究基于深度学习的设备缺陷检测方法,设计电力领域设备缺陷检测预训练语言模型,利用事件三元组知识。文中,构建一个电力设备缺陷检测数据集,在模型进行缺陷检测任务之前,通过事件三元组预训练的方式提高语言模型的表征能力。实验表明,基于现场设备案例数据经过预训练的模型在缺陷检测任务上具有更好的表现效果,可以有效实现对电力领域缺陷报告文本的缺陷检测。     

基于机器视觉的配网工程安全管控检测方法

针对配电网工程在施工现场受外界环境干扰因素多、现场监管难度大等问题,提出了一种基于改进的YOLOv5网络模型的配电网工程实时检测方法,并对配电网工程图像精确识别及缺陷检测进行了研究。首先,对配电网工程现场样本数据集进行标注,改进YOLOv5网络的特征提取网络,以加快多尺度融合并提高小目标物体检测的精度。在此基础上,改进损失函数、非极大值抑制模块,提高模型的识别精度与收敛速度。最后,经过Darknet深度学习模型对识别样本进行多次迭代训练,保存最优权重数据用于测试集的测试。算法通过 TensorBoard 可视化工具显示训练和测试结果。测试结果表明,每种配电网样本的平均识别准确率可达到95%以上,图片的识别速度可达到140 帧/s。同时,所改进算法检测准确率高,实时性强,满足工程现场实时使用需求。     

基于单阶段目标检测算法的变电设备红外图像目标识别及定位

针对红外图像中变电设备的识别和定位问题,提出了一种基于改进YOLOv3算法的变电设备检测方法.在现场采集的变电设备红外图像集的基础上,首先使用基于Retinex的图像增强算法以及阈值分割等图像处理方法对图像集进行预处理;然后基于变电设备红外图像对YOLOv3算法进行参数优化,并通过迁移学习的策略对改进YOLOv3网络进行训练以解决图像集样本数量较少的问题.实验结果表明,在样本数量较少的情况下,所提方法可以达到满意的检测准确率,并能快速地实现变电设备的识别和定位.     

基于改进YOLOv5n的电力巡检红外图像目标检测算法

热红外图像检测技术在电力巡检中有着非接触、快速等优点,广泛应用于电力设备的监测与诊断,电力巡检红外图像目标检测可以达到快速识别设备发热故障、图像实时处理和降低人工成本的效果。为了保障输电线路的安全与稳定,实时检测输电线路绝缘子与T型线夹的发热故障。本文结合热红外图像的特点,基于YOLOv5n算法改进了网络模型：在原模型中引入Squeeze-and-Excitation注意力机制并且将普通卷积替换为space-to-depth卷积。改进的算法在自制的红外数据集上进行了模型训练与测试,并与其他几个主流的目标检测模型进行了对比评估,结果表明：改进后的模型在对绝缘子和T型线夹的检测精度上分别提升了6.8%和6.3%,且在精度、速度和模型大小上对比YOLOv3-spp和YOLOv3-tiny等模型更具优势,更适用于无人机红外图像下的绝缘子、T型线夹的发热故障识别。     

结构化矩阵分解的网状织物缺陷检测方法

针对在网状织物缺陷检测过程中因纹理复杂造成误检问题,提出了一种结构化矩阵分解的网状织物缺陷检测方法。首先,通过Retinex算法对图像进行增强,利用所提取的底层图像特征生成特征矩阵,并将其分解为含有织物图像背景信息的低秩矩阵和含有缺陷信息的稀疏矩阵;其次,引入了高级先验矩阵和索引树两个部分,通过利用增强后图像进行获取,并对两个部分进行特征融合,实现缺陷显著性增强。通过计算稀疏矩阵的值,获得缺陷的显著性的大小;最后,通过最佳阈值分割算法分割缺陷显著图,从而得到缺陷检测结果。利用公开数据集TILDA和BASLER工业相机采集到的网状织物缺陷图像验证了算法的性能。研究表明,与其他算法相比,本文算法的识别准确率达到94.25%,召回率达到92.48%,分类准确率达到90.12%。     

基于深度迁移学习的小样本智能变电站电力设备部件检测

随着人工智能的不断普及,智能变电站电力设备图像自动化检测系统的建立迫在眉睫。由于智能变电站电力设备图像数据集样本较少、场景复杂且电力设备部件相似度较高,传统图像检测算法无法对电力设备部件做到实时定位和准确识别。针对小样本目标检测识别难题,基于网络的深度迁移学习可以在不同数据集之间建立特征上的关联,能够较好地学习现有小样本智能变电站电力设备数据集的特征。该文采用迁移学习的方法,提出一种利用单阶段多框检测器(singleshotmultiboxdetector,SSD)的智能变电站电力设备图像目标检测算法,并根据智能变电站电力设备数据集相关特点添加特征提取层,重新设计特征预测框数量及比例,采用软性惩罚非极大值抑制(softpunishnon-maximum suppression,Soft-PNMS)等改进方法进行优化,能够自适应于小样本电力设备数据集的检测。此方法通过200张智能变电站电力设备训练集、50张智能变电站电力设备测试集,实现了在小样本复杂背景下对电力设备部件的分类和定位,验证了所提算法的有效性。研究结果表明,对于绝缘子、套管、电流互感器、油枕、螺帽5类电力设备,该方法的平均精准度达到了91.1%,比常规SSD卷积神经网络分类器平均精准度提高13%,平均漏检率下降3%,平均误识别率下降4‰,该方法为小样本电力设备智能化检测奠定了理论基础。     

设备铭牌字符识别系统的开发与实现

受铭牌类型、字符倾斜和字符组合形式等因素影响,普通文字识别软件在对设备铭牌字符信息扫描录入时,其识别率和准确率较低。针对此问题开发并实现1种设备铭牌字符识别系统。通过对不同厂家30多种类型设备铭牌字符识别处理,得到铭牌字符识别结果。结果表明,该系统对铭牌字符整体识别率和准确率较高,部分字段识别准确率达100%,具有很好的稳定性和鲁棒性。     

基于Faster R-CNN算法的变电站 设备识别与缺陷检测技术研究

变电站作为电力运输的中转站,是城市运转,人民生活的重要基础设施。变电站在运行过程中,经常发生由于位置偏僻,不支持机器人和无人机直接进行探测而造成的设备运作温度检测不及时的问题。传统的变电站设备缺陷识别算法是基于机器学习算法,精确度低,只适合单个设备类别的缺陷检测,易受到环境影响。基于此,文中出一种改进的识别变电站设备红外缺陷方法。首先,基于Faster R-CNN的目标设备检测,对6种类型的变电站设备包括套管、绝缘体、电线、电压互感器、避雷针和断路器进行目标检测,以实现设备的精确定位;然后,基于稀疏表示分类（SRC）来识别不同的类,因此可以获得输入样本的实际标签;最后,基于温度阈值判别式算法,在设备区域中识别温度异常缺陷。文中算法实现了在红外线图像下的设备识别和检测,使用文中算法对6类设备的红外图像进行检测,准确率达到91.58%,不同类型设备的缺陷识别率为97.63%,缺陷识别准确率达到87.62%。实验结果表明该方法的有效性和准确性。     

融合 YOLOv5s 与 SRGAN 的实时隧道火灾检测

针对传统隧道火灾检测方法速度慢、误检率高的问题,提出了一种基于 YOLOv5s 的实时火焰检测算法,采用 K-means 重新计算锚框尺寸。 本文提出的 YOLOv5s-SRGAN 融合算法,在 1 326 幅隧道火焰图像中的召回率为 94%,是 YOLOv5s 的 1. 7 倍。 引入了 CBAM 注意力机制模块和梯度均衡机制,分别通过特征提取网络和损失函数提升模型的性能。 与原 YOLOv5s 相 比,火焰检测的平均正确率(IOU= 0. 5)提高了 44%,测试集平均检测速度为 32 FPS。 结果表明,改进后的火焰检测算法对小火 焰目标有了更好的识别效果。     

基于LSD聚类拟合与KF的轨道检测算法

针对传统无人机巡检中视觉轨道识别的识别效率低、精度差的问题，提出了一种基于LSD的约束聚类拟合与卡尔曼滤波相结合的轨道线检测算法。首先针对由于镜头视角造成的视角畸变，采用IPM算法矫正，并通过LSD算法检测出轨道轮廓，在轨道间距约束将LSD检测结果进行聚类并进行最小二乘拟合得到轨道直线。然后根据轨道几何特征和无人机动力学特性建立数学模型，并结合卡尔曼滤波器对轨道坐标信息进行跟踪估计，以保证算法的稳定性和鲁棒性。采用无人机采集多个场景的轨道图像作为测试样本，对检测算法与其他算法进行对比实验。实验结果表明，本文轨道识别算法优于其他算法，其轨道准确识别率达到92.49%,识别速率达到23 frame/s,满足轨道检测的稳定性和实时性要求。     

基于深度学习的电网调控文本知识抽取方法

电力系统的发展对电力系统知识的使用提出新的要求,为了实现非结构化电网调控文本知识的自动抽取,文中提出了基于注意力的双向长短期记忆网络和条件随机场的深度学习模型。深度学习模型从调度规程等文本数据中抽取电网运行规则和电网事故处理流程。实验结果表明,提出的模型的语料精度、召回率和F1分数分别为91.00%,89.98%和90.49%,结果略优于另外3种模型。在训练集和测试集上分别进行F1评估,识别精度差异很小,说明模型学习中没有发生过拟合现象,提出的深度学习模型具备良好的泛化能力。     

复杂环境背景下绝缘子缺陷图像检测方法研究

针对处于复杂的环境背景下的电力绝缘子以及绝缘子缺陷的检测存在检测精度低、检测速度不高的实际问题,提出了一种改进YOLOv4(you only look once v4)算法的电力绝缘子图像以及存在缺陷的绝缘子检测的方法。通过制作电力绝缘子以及绝缘子存在缺陷的数据集,使用K-均值聚类(K-means)算法对电力绝缘子图像样本进行聚类,获得不同大小的先验框参数;然后通过改进平衡交叉熵(balanced cross entropy, BCE)引入一个权重系数,来增加损失函数的贡献程度;最后,通过增加空间金字塔池化结构(spatial pyramid pooling, SPP)前后的卷积层来加深网络的深度。实验结果表明,改进模型的单张检测时间为3.27 s,对于绝缘子缺陷平均检测精度比原始的YOLOv4算法提升了24.36%。同时通过改进后的YOLOv4算法在测试集上的平均精度均值(mean average precision, mAP)的值为84.05%,比原始的YOLOv4算法提升了17.83%,充分说明了能够很好的定位和识别电力绝缘子图像存在的缺陷。