共查询到20条相似文献,搜索用时 0 毫秒
1.
随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。 相似文献
2.
绝缘子作为输电线路中重要的元器件,对绝缘子缺陷的识别和定位在电网巡检方面有重要意义.为了对雾天情况下绝缘子状态进行准确定位识别,改进了YOLOX目标检测网络.首先,为了加快网络的训练速度,改进了激活函数;其次,为了解决小目标样本相较于整体样本较少和样本不均衡的问题,改进了图像增强方法和损失函数;最后,将改进的YOLOX网络在数据集上与4种目标检测网络进行比较.实验结果表明,在雾天数据集上,改进后YOLOX的准确度、平均准确率和每秒处理图片张数都有一定提升,符合无人机巡检的要求. 相似文献
3.
轮胎内部缺陷检测能够及时发现轮胎生产中存在的潜在问题,可为工艺调整及行驶安全提供有力保障。而轮胎X光图像中的缺陷目标具有多尺度、极端长宽比、形状各异且不规则、小目标多以及正负样本不均衡等特点,致使缺陷检测精度低。针对以上情况,提出一种基于高效编码器与多尺度特征融合的轮胎缺陷检测方法。首先结合可变形注意力机制和通道注意力机制设计一个高效的编码器,以增强特征提取和表示能力,然后构建多尺度特征提取和融合模块,融合浅层与深层特征信息,来保留重要上下文信息并增强特征表示的多样性,最后在模型训练中自适应边界框回归方法,动态分配难易样本权重,减少无效样本,实现模型快速收敛、提高模型泛化能力。实验结果表明,改进后模型在轮胎缺陷数据集上的平均精度(mAP)达到95.5%,较基线网络提高3.6个百分点,为轮胎缺陷检测的实际落地应用奠定了一定的基础。 相似文献
4.
芯片的表面缺陷检测在半导体制造中具有重要意义,针对目前芯片表面缺陷面积小,缺陷外形多变,缺陷尺寸跨度大的情况,提出一种基于YOLOv5改进的芯片表面缺陷检测算法,首先基于ConvNext网络改进特征提取模块,提升网络稳定性和特征表达能力,同时提出增强卷积注意力模块(ehanced convolutional block attention module,E_CBAM),将更详细的位置信息嵌入到卷积注意力(convolutional block attention module,CBAM)之中,提升整个网络对于小面积及边缘缺陷的检测能力,而针对芯片缺陷多变尺寸跨度大的问题,研究引入了可变形卷积和双向特征金字塔网络(bi-directional feature pyramid net-work,BiFPN),一方面可变形卷积对于外形不规则的卷积有更好的提取能力,另一方面Neck部分的BiFPN在简化结构的同时保证了多尺度融合的准确性.经过实验表明,改进后的网络在芯片表面缺陷数据集(chip defect dataset,CDD)上,平均精度均值(mAP)mAP@0.5指标达到95.3%,相较于原始的YOLOv5s网络提升了3.1%,在没有过多增加网络参数的情况下,对芯片表面缺陷的精度更高,鲁棒性更强. 相似文献
5.
绝缘子广泛应用于电力系统的各个环节,对保障电网安全稳定运行起到重要作用。现有方法只能识别自爆缺失、异物等明显缺陷,无法应对局部破损、裂纹等情况。针对上述问题,提出一种基于增强特征金字塔和可变形卷积的绝缘子缺陷检测方法:在原有高、低特征融合的基础上,增加增强的自底而上的路径,改善高、低特征图之间的信息传递,实现局部缺陷特征的有效提取;引入可变形卷积,自适应改变局部采样点,减小背景干扰的影响,进一步提升模型的适用性。利用多场景采集的绝缘子图像进行对比实验,结果显示在不同基础网络上,所提方法检测精度较传统方案均取得了较大程度的提升,该方法可广泛应用于变电站、高压输电线等各类绝缘子应用场景。 相似文献
6.
针对航拍巡检时玻璃绝缘子自爆故障图像易受复杂背景干扰造成传统算法难以准确检测问题,提出一种基于超分辨深度残差网络的玻璃绝缘子故障检测算法。首先,通过超分辨率卷积神经网络减小原始图像中的噪声和模糊,实现数据集的优化和增强;然后,利用YOLOv4检测算法对经过超分辨处理后的图像进行检测并提取包含绝缘子的目标区域;最后,通过添加Dropout层和3层全连接层对resnet50网络结构进行优化,并通过迁移学习将预训练权重引入所设计的故障识别网络以进一步提升网络识别精度,从而构建出一种改进的resnet50玻璃绝缘子故障识别网络。为验证所提出算法的优势,利用某供电局近3年无人机巡检视频进行测试。实验结果表明:提出的方法可实现复杂环境下玻璃绝缘子故障的精确检测,检测精度可达94.3%,同时该算法具有较好的实时性。
相似文献7.
针对传统风机桨叶检测算法在复杂环境存在误检及检测精度低的问题,提出一种融合多尺度特征与注意力机制的风机桨叶缺陷检测方法。首先使用改进的骨干网络L-ResNet50进行特征提取,保留更多有效信息;然后对不同尺度特征层嵌入注意力机制模块,增强重点语义信息;最后对提取出的深层特征与浅层特征进行多尺度特征融合,进一步提高模型准确率。通过对无人机航拍采集的风机桨叶图像进行缺陷检测实验,结果表明,所提方法在复杂环境下的风机桨叶缺陷检测中平均准确率较原Faster R-CNN模型提高8.2%。 相似文献
8.
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。 相似文献
9.
由于绝缘子一般处于输电线路铁塔顶端,检测环境复杂,人工检测效率不高,危险程度较高.针对这一问题,本文提出采用直升机搭载智能检测工具的方法,对离地较高的绝缘子进行智能检测,通过对绝缘子进行全方位扫描,智能发现缺陷部分,并进行标识,自动识别出玻璃绝缘子损伤的区域.采用图像处理的智能方面,降低了人工检测的危险性,并且提高了检... 相似文献
10.
11.
当前输电线路显著性目标检测已取得重大突破,但在预测显著区域的“完整性”上仍存在局限性,难以完全识别及定位输电线路上绝缘子串缺陷。本文利用完整性感知网络来检测输电线路上绝缘子串,首先通过特征聚合模块来提取不同层次的特征,其次通过完整性增强模块突出显著目标通道并抑制其他干扰通道,最后通过部分-整体检验模块来确定目标特征的部分和整体是否有强烈的一致性,可提高有缺陷绝缘子串的识别准确率。本文算法与目前公开的3种流行算法进行主客观对比,发现本文算法在绝缘子串与背景融合程度较高时的显著性检测上更有优势。 相似文献
12.
设计了一种绝缘子识别定位与自爆缺陷检测方法。识别定位算法首先使用最大类间方差法对绝缘子进行分割,然后提取绝缘子不变矩特征值,最后使用Adaboost分类器定位绝缘子位置。针对自爆绝缘子的形状特点,设计了计算相邻绝缘子的欧氏距离的检测方法。自爆缺陷检测方法在处理多个自爆点时检测效果较好,准确率达到87%。通过实验得出,方法准确率较好,更加适合在实际场景中应用。 相似文献
13.
针对巡检图像中绝缘子缺陷尺度不一造成检测效果不佳的问题,提出了一种基于多尺度上下文感知的绝缘子缺陷检测网络,称为上下文感知缺陷检测网络(context aware defect detection network,CAD2Net)。该网络采用ResNeSt101架构提高了对图像的特征提取能力。设计了改进特征金字塔结构,构建不同分辨率的丰富语义特征图,以更好地检测不同尺度的目标。同时,在网络的检测单元中增加感受野自适应(adaptive receptive field,Ada-RF)模块聚合多尺度上下文信息,生成更具辨别力的特征,改善网络对不同尺度目标的检测效果。在随机生成缺陷的样本集及公开数据集上的平均检测精度分别达到91.7%及91.0%。结果表明:所提出的缺陷检测网络能够对不同尺度绝缘子的缺陷进行准确识别与定位。 相似文献
14.
针对Faster R-CNN算法对复杂环境下的小样本绝缘子缺陷检测精度不高的问题,本文提出了一种融合迁移学习和主体局部的绝缘子缺陷分级检测方法。整个方法使用融合残差模块和特征金字塔结构的卷积神经网络作为骨干网络进行特征提取,用于适应不同尺度的缺陷目标,保留更多有效信息。首先使用迁移学习的方法改善对缺陷所在绝缘子主体的检测效果;然后对检测出的绝缘子主体进行自动裁剪来改善复杂背景对缺陷区域检测的影响,使得模型能够更有效地挖掘出缺陷特征;最后将裁剪后的缺陷绝缘子局部图像送入第二阶段进行训练,进一步提高模型准确率。通过对无人机航拍采集的绝缘子缺陷图像进行检测实验。结果表明,本文方法相较于Faster R-CNN基线模型平均精度提高了37.5%,达到了89.6%。在对自爆和破损检测上,精度分别提高了34.9%和60.2%。 相似文献
15.
近年来,复合绝缘子被广泛应用于输电线路上,但是在户外条件下长期带电运行发生老化、生产不达标和运输操作不规范,都可能导致内部产生缺陷。传统的单一太赫兹特征参量成像方法面临缺陷成像结果较模糊的缺点,不利于缺陷的有效识别。该文采用基于主成分分析(principal component analysis,PCA)技术的特征参量融合方法,基于融合后数据的成像结果质量得到了显著提升。首先,搭建可进行样品扫描和太赫兹信号采集的成像平台,并进行信号幅值、信号包络面积、信号功率值和频谱幅度值的成像。通过比较发现,频谱参数成像结果信噪比低于时域参量成像结果,但对于边缘的成像效果更好。将10个频段的频谱幅度均值计算结果进行融合并用于成像,得到的成像结果包含更多的特征信息,图像质量得到了大幅提升。基于Canny算子检测了缺陷边缘,结果显示基于融合数据的成像结果缺陷面积误差率比单一特征参量成像结果更低。最后,对含裂纹缺陷平板样品和含气隙缺陷真型复合绝缘子短样开展实验,进一步验证了该方法的有效性。 相似文献
16.
在半导体制造领域,晶圆缺陷分类是确保产品质量的重要步骤。然而,由于晶圆缺陷的多样性和复杂性,现有的混合型晶圆缺陷分类网络在准确性上仍然存在不足。针对这一问题,提出了一种基于全局和局部多尺度特征融合的混合型晶圆缺陷分类网络—MLG-Net。MLG-Net由3个主要模块组成:特征提取模块、全局分支和局部分支。该网络旨在更好地提取和利用晶圆缺陷图像的全局语义信息与局部细节特征,这两种特征通过多尺度特征融合技术相结合,最终形成一个更加全面的特征表示,有助于分类器在面对复杂混合缺陷时,做出更为准确的判断,从而提升分类精度。为了验证MLG-Net的有效性,在包含38种混合类型缺陷的数据集—MixedWM38上进行了大量实验,其分类准确度达到98.84%。结果表明,MLG-Net在综合性能上优于当前主流的六种晶圆缺陷分类方法。这一结果证明了全局与局部特征融合在处理混合型晶圆缺陷分类任务中的重要性和有效性。 相似文献
17.
作为输电线路巡检中的关键技术,绝缘子的高效检测在维护输电系统安全稳定运行中发挥着重要作用.针对现有方法存在的易丢失目标位置信息,对于复杂背景下的绝缘子检测精度低等缺点,提出一种基于特征金字塔和多任务学习的绝缘子检测方法.通过融合高、低维度特征信息来构筑特征金字塔,避免目标位置等细节信息的丢失,实现复杂背景中绝缘子的高效检测;引入多任务学习算法,进一步提升模型的泛化能力,提升绝缘子检测精度.利用无人机航拍所得的绝缘子实际图像进行实验,结果表明所提方法可将绝缘子检测精度提升至95.3%,具备较高的工程应用价值. 相似文献
18.
针对绝缘子不同程度缺陷特征相似、像素信息少、不同程度缺陷检测效果不佳的问题,提出了一种基于多尺度特征融合的绝缘子缺陷程度检测网络(multi-scale feature fusion defect degree detection network,MFFD3Net).该网络采用重构的ResNeSt50 架构提高了对绝缘子缺陷程度数据集的特征提取能力.设计了基于反卷积的多尺度特征融合模块,丰富了不同尺寸特征图的表达能力,提高了对不同尺度目标的检测性能.同时,在输入检测模块的浅层特征图后增加多感受野的特征提取模块(receptive field block,RFB),使得更多绝缘子缺陷信息进入有效感受野,对最终特征图产生影响,提升不同程度绝缘子缺陷的检测精度.MFFD3Net 在绝缘子缺陷程度数据集上的全类平均精度达到 85.02%,其中绝缘子轻微破损与绝缘子轻微闪络小目标的检测精度分别为 78.37%、79.98%,能够完成不同程度绝缘子缺陷的识别与定位.因此,该文提出的MFFD3Net对于完善电力系统故障预警、保障电网安全稳定运行具有重要意义. 相似文献
19.
基于纹理特征的绝缘子检测方法 总被引:2,自引:0,他引:2
在图像/视频中自动检测和定位绝缘子是绝缘子故障诊断的重要前提,但是目前还没有高效的、成本较低的检测绝缘子方法。本文提出了一种基于纹理特征的绝缘子检测方法。首先,根据绝缘子的纹理性,利用图像的灰度共生矩阵方法产生出绝缘子的基本纹理特征;然后利用特征选择算法挑选出一组最有效、分类效果最好的特征;最后利用这组最有效特征可以准确检测到绝缘子。实验表明,该方法能够较好地在图像/视频中检测和定位绝缘子。 相似文献
20.
无人机巡检已经成为当下输电线路巡检的主流方式,绝缘子缺陷的检测是无人机巡检中的重要环节。因此,提出了一种基于改进YOLOv5的轻量化绝缘子缺陷检测算法。首先,使用轻量型的Ghost卷积代替普通卷积;然后,使用重复加权BiFPN(双向特征金字塔网络)替换原特征提取网络,提高网络对不同尺度的特征提取能力;最后,引入CA(坐标注意力机制)提高了主干特征提取效率。实验结果表明,绝缘子检测的平均精度值提升了1.7个百分点,模型大小减少了13.1%,改进后的算法模型在提升检测精度的同时更加轻量化,可实现绝缘子缺陷的快速检测。 相似文献