基于改进CenterNet的航拍绝缘子缺陷实时检测模型

针对无人机在电力巡检过程中对绝缘子及其缺陷检测的准确率较低、实时性较差的问题,提出一种改进CenterNet的绝缘子缺陷检测模型.首先,使用轻量级网络EfficientNet-B0代替原始模型的特征提取网络ResNet18,在保证模型提取能力的同时加快了其推理速度;其次,搭建特征加强模块(Feature Enhance...     

改进YOLOv3的绝缘子自爆缺陷检测方法

绝缘子作为架空输电线路的重要组成部分,直接影响着电力系统的安全和稳定.通过引入深度学习技术实时获取绝缘子的工作状态已成为当前主流的研究趋势.但是在实际的输电线路图像中绝缘子缺陷目标区域小且背景复杂,导致绝缘子缺陷检测精度低.针对该情况提出了一种基于YOLOv3改进的绝缘子缺陷检测算法GC-SPP-YOLOv3.首先借鉴了Ghost Module的思想提出了一个新的特征提取网络,在保证精度不变的情况下,显著提升了检测速度.并在其中引入了双重注意力模块提升网络的特征表达能力.接着引入空间金字塔池化模块丰富特征图的表征层次.在包含4020张绝缘子缺陷图像的数据集上进行实验,该算法相比原YOLOv3算法的mAP提升了3.43%,相比较两阶段算法Faster R-CNN的mAP提高了2.7%,并且在检测速度方面表现出显著的优势,每秒可以检测35张图片.实验结果表明,该算法在绝缘子缺陷检测中具有良好的效率和实用性.     

面向改进尺度缩放网络的绝缘子识别

目的 在电力系统中，准确地识别绝缘子目标是保障输电线路正常运行的重要前提。针对传统方法无法自动提取绝缘子特征，以及深度学习网络提取绝缘子语义信息不足的问题，提出了一种基于改进多尺度网络的绝缘子识别模型，同时满足自动识别和增强语义信息的要求。方法 改进工作主要分为3部分，首先，采用特征融合的方法，增强特征提取网络生成的特征图的语义信息；其次，特征提取后，为了避免经过多次卷积、池化操作，较小尺度绝缘子语义信息损失严重，因此，扩大网络中的小尺度特征图，进一步丰富较小尺度绝缘子的语义信息；最后，为了更好地识别尺度差异较大的绝缘子，改进锚点框的参数。完成改进工作后，通过边框回归得到绝缘子的准确位置信息，最终识别出绝缘子。结果 实验数据集由复合、玻璃和陶瓷3种材质的绝缘子构成，共有4 350幅图像。在实验数据集上进行识别，实验结果与3种不同结构的多尺度网络模型相比，模型结构最优，识别准确率为96.28%，与传统的Faster RCNN（faster region convolutional neural network）、改进的Faster RCNN等方法相比，识别准确率提高了1.98%~11.99%不等。结论 本文提出的改进模型使绝缘子识别准确率显著提高，为之后的输电线路检测工作夯实基础。     

基于改进YOLOv3的机坪工作人员反光背心检测研究

文中提出了一种基于先验知识和改进YOLOv3算法的机坪工作人员反光背心检测算法.该方法针对现有目标检测方法速度偏低的问题,基于先验知识生成反光背心检测候选区域来替换初始候选区域,以减少检测区域面积,使用Darknet-37替代Darknet-53作为骨干网络进行特征提取,提高了算法的检测速度.针对反光背心在画面中所占面...     

基于改进YOLOX的落石检测方法

山坡地区是落石频发的区域,凭人力难以及时发现灾害的发生。为及时检测到落石的发生并做出应对措施,提出一种基于改进YOLOX的落石检测方法,自动检测并报告落石的发生情况;通过自制落石数据集训练YOLOX网络,优化空间金字塔池化结构,获取更多语义信息,并引入ECA-Net(Efficient Channel Attention Module,高效通道注意力模块),提高特征的提取能力和特征间的信息传播,同时改进损失函数并使用数据增强,提高网络训练效果;实验结果表明,改进YOLOX算法的mAP@0.5为92.50%,每秒检测帧数为62.6,相较于YOLOX算法,mAP@0.5提高3.45%,每秒检测帧数上涨0.3;与原算法相比,在不损失性能的情况下,精度有较大的提升,同时满足图片与视频数据的实时检测要求。     

基于多尺度特征融合的行人检测方法

在智能监控时,由于行人目标存在分布范围广,大小不一致的问题,影响了行人检测的效果.为了提高监控下对不同大小行人的检测精度,更好地应用于公共安全领域,对YOLOv3算法进行改进.首先在检测网络的三条分支网络引入特征金字塔池化结构,进行特征拼接实现局部与全局特征相融合,增加特征提取能力.然后在预测网络前引入自适应特征融合结...     

基于CenterNet目标检测算法的改进模型

在原CenterNet算法中,以Hourglass为Backbone的目标检测模型平均精度均值高于one-stage算法,但检测速度较低。为此,基于原有CenterNet目标检测算法,对Hourglass-104模型进行改进,设计一种Hourglass-208模型,并给出双特征金字塔网络特征图融合方法。在此基础上对目标大小和训练采用smooth L₁损失函数,提出一种新的可端到端训练的目标检测算法T_CenterNet。在MS COCO数据集上的实验结果表明,该算法目标检测的评估指标AP₅₀、AP_S、AP_M分别为63.6%、31.6%、45.8%,检测速度达到36 frame/s,综合性能优于原CenterNet算法。     

基于多尺度特征融合的行人检测方法

在智能监控时,由于行人目标存在分布范围广,大小不一致的问题,影响了行人检测的效果.为了提高监控下对不同大小行人的检测精度,更好地应用于公共安全领域,对YOLOv3算法进行改进.首先在检测网络的三条分支网络引入特征金字塔池化结构,进行特征拼接实现局部与全局特征相融合,增加特征提取能力.然后在预测网络前引入自适应特征融合结...     

基于多尺度特征融合的行人检测方法

在智能监控时,由于行人目标存在分布范围广,大小不一致的问题,影响了行人检测的效果.为了提高监控下对不同大小行人的检测精度,更好地应用于公共安全领域,对YOLOv3算法进行改进.首先在检测网络的三条分支网络引入特征金字塔池化结构,进行特征拼接实现局部与全局特征相融合,增加特征提取能力.然后在预测网络前引入自适应特征融合结...     

基于MobileNetV2和IFPN改进的SSD垃圾实时分类检测方法

针对垃圾分类检测任务中检测目标尺寸不一和小目标检测精度不高等问题,构建一种基于隐式特征金字塔网络（IFPN）和MobileNetV2的改进SSD模型的分类检测方法,对垃圾进行实时分类检测。首先,将改进后的MobileNetV2引入SSD,加入带有空洞卷积的空间金字塔池化模块（ASPP）,在降低网络模型计算复杂度的同时保证网络实时性和精确性;其次,采用IFPN从网络的深层到浅层逐级融合SSD,更精确地检测出小目标;最后,使用Focal Loss函数调节正负样本之间的权重。实验结果表明,在阈值为0.4时,所提方法比传统SSD平均精确率均值（mAP）提高了4.84个百分点,检测耗时减少了72.7%,能满足边缘计算设备对模型的各项要求。     

基于实例分割的车道线检测方法

针对自动驾驶汽车在复杂环境下车道线难以识别的问题,将车道线检测视为实例分割任务,利用一种改进的双边分割网络,能识别任意数量的车道线,并直接提取分割图感兴趣行上最大概率值坐标作为车道线候选坐标点,使用最小二乘算法拟合车道曲线。使用了注意力机制和金字塔池化结构增强网络结构的特征提取能力。在数据集Tusimple和自制数据集MiniLane实验结果表明,改进的双边分割网络在检测精度和实时性上得到明显提高,能够很好地应用于自动驾驶汽车。     

基于改进Faster R-CNN的贺兰山岩画检测识别

针对贺兰山岩画传统检测识别方法存在受人力影响大、特征提取难和检测识别准确率低等限制,提出了一种基于改进型Faster R-CNN的贺兰山岩画检测与识别方法。上述方法基于残差网络结构,通过特征金字塔网络和空间金字塔池化将多层次、多尺度特征进行融合,丰富了特征图的语义信息,提升了特征图的表达能力。实验结果表明,所提改进方法对贺兰山岩画检测识别的平均精度均值(mAP)达到了84.7%,相比改进之前提高了3.3%,能够有效准确的识别贺兰山岩画目标。     

一种基于改进SSD网络的猪个体目标检测方法研究

猪个体的目标检测对实现猪养殖过程的精细化管理,促进猪养殖业的智能化与信息化升级具有重要意义。针对实际猪舍环境光照较暗,猪个体被遮挡导致检测困难的实际问题,同时兼顾实时性监测的需求,提出一种基于SSD(SingleShotMultiBoxDetector)网络改进的猪个体目标检测算法。首先利用大量猪个体图像对改进后的SSD网络进行训练,然后对猪个体目标检测网络进行评估,最后使用真实的猪舍视频对该网络模型进行测试。结果显示,改进后的SSD网络在对猪个体进行检测时有96.38%的平均精度,在实际具有光线变化和目标遮挡情况的视频中平均能达到21.6 FPS。通过对图像帧的随机抽样发现,漏检率降低了3.65%,误检率降低了1.45%。     

改进YOLOv3的道路场景目标检测方法

目标检测作为计算机视觉领域研究的重点之一,被广泛应用于自动驾驶、视频监控、医疗等领域.为了解决传统目标检测在实际应用过程中检测速度过慢以及检测精度不高等问题,本文提出一种改进的YOLO v3算法.首先,对于先验框位置使用K-means++算法进行提取,加快收敛速度;在YOLO v3特征提取部分引入SPP模块,实现局部特...     

融合改进FPN与关联网络的Faster R-CNN目标检测

在无人机场景下,目标检测存在样本数量不足、成像视角不同的问题,导致检测精度低。提出一种结合改进特征金字塔网络（FPN）与关联网络的Faster R-CNN目标检测算法。通过在传统FPN结构中以自下而上的特征融合方式提取特征图的语义信息和位置信息,最大程度地保留特征图的多尺度信息。同时利用候选区域之间的形状特征和位置特征构造区域之间的关联特征,并与深度特征相融合进行分类回归,从而充分提取特征图的整体信息,实现目标检测。在PASCAL VOC 2007和NWPU VHR-10数据集上的实验结果表明,相比FPN+Faster R-CNN算法,该算法的交并比和平均检测精度分别提高了10和2.7个百分点,具有较优的目标检测性能。     

基于改进CenterNet的竹条表面缺陷检测方法

在竹条表面缺陷检测中,竹条表面缺陷形状各异,成像环境脏乱,现有基于卷积神经网络(CNN)的目标检测模型面对这样特定的数据时并不能很好地发挥神经网络的优势;而且竹条来源复杂且有其他条件限制,因此没办法采集所有类型的数据,导致竹条表面缺陷数据量少到CNN不能充分学习.针对这些问题,提出一种专门针对竹条表面缺陷的检测网络.该...     

改进CenterNet的高压输电线路巡检故障实时检测方法

针对通用深度学习目标检测技术难以在高压输变电线路巡检时实现实时高效的故障检测,提出一种改进CenterNet的高压输变电线路巡检故障实时检测方法,对绝缘子自爆、防震锤脱落、鸟巢三类常见巡检故障进行检测.该方法基于深层特征融合网络(DLAnet,Deep Layer Aggregation)、挤压-激励SE(Squeez...     

基于改进的无锚框目标检测算法的涡检测

在流体运动中涡对各种流场结构的生成和维持起着至关重要的作用,涡的识别和检测有助于理解流体流动规律。传统涡识别方法别存在定义不准确、严重依赖经验阈值、泛化性能差等问题,因此涡检测具有一定挑战性。本文从计算机视觉的角度出发,提出了一个基于目标检测算法的涡检测模型。针对原始目标检测模型对极端宽高比的细长涡检测效果不理想的问题,对两种不同类型涡的数据特性进行分析,并提出了基于可变形卷积（Deformable convolutional network, DCN）的特征自适应模块和基于改进损失函数的细长样本挖掘方法。采用圆柱尾流涡和潜艇尾部涡数据集对所提模型进行验证,实验结果表明改进后的模型检测精确率显著提高,并在细长涡的检测精确率上有显著提升,有效地平衡了各类型的涡检测性能。