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。     

基于深度学习的输电线路销钉缺陷检测

销钉是输电线路中的重要器件,起到固定螺母的作用,一旦出现故障,可能造成大面积停电等隐患。由于销钉缺陷目标较小,对于目标检测算法来说是一种很大的挑战。针对特征金字塔算法做出了改进,提出Pin Net。首先,特征提取层换为残差网络的最新变体SCNet,提取更具辨别力的特征。其次,在FPN的基础上,设计了Pin FPN,进一步增强了底层的语义信息和位置信息,提高检测小目标的能力。最后,针对数据集不足的问题,采用多种方式的数据增强,扩充训练样本,提高模型的鲁棒性。在测试集上,相比于原算法,该模型在销钉缺失目标上的AP值提高了4.2%,与其他主流的算法相比,也具有很大的优势。为了进一步证明算法的有效性,在其他输电线路小目标缺陷数据集上测试,同样可以取得不错的效果。     

一种改进SSD算法的输电线路目标检测方法

电力巡检在输电线路部件故障的排除中起着至关重要的作用.为了实现复杂背景下的输电线路电力小部件的目标检测,提出了一种改进SSD算法的小目标检测算法——PA-SSD.将反卷积融合单元融合到PANet算法中,以改进PANet结构,并以此为基础产生新的特征融合方式,融合不同尺度的特征图;将传统SSD算法中的特征图用新的特征图替换,形成新的特征金字塔模型.针对实际输电线路中的4种目标进行了测试,结果表明,PA-SSD算法与原始的SSD算法相比,其检测精度有了明显提高,检测速度也可以满足检测性能的要求.     

基于无人机图像的输电线路部件检测方法研究

针对无人机电力巡检模式在图像快速检测方面存在的自动化程度和效率低等问题,提出了一种将单级多框预测检测器SSD与特征金字塔网络FPN相结合的输电线路部件检测方法,并对绝缘子故障进行检测。在SSD目标检测的基础上,加入了FPN特征金字塔结构,局部融合层间特征信息。实验验证了文中所提方法的优越性。实验结果表明,在部件检测中,该方法对大、中、小尺寸目标均具有良好的检测效果,检测精度在90%左右,在绝缘子故障检测中检测精度达到87.4%。为输电线路部件检测技术的发展提供了参考。     

基于改进 Cascade R-CNN 的输电线路多目标检测

针对无人机巡检图像中小目标难以检测、障碍物遮挡目标、正负样本不平衡等问题,提出基于改进Cascade R-CNN的输电线路多目标检测方法.改进了Cascade R-CNN的特征提取网络,基于ResNet101基础网络结构,设计6层新型特征金字塔网络(FPN)与之融合,提高了对小目标、重叠目标的检测能力;引入了高斯形式的软非极大值抑制(Soft-NMS)方法,降低了受遮挡影响的目标的漏检率;利用Focal损失改进损失函数,缓解了正负样本不平衡对检测精度的影响.训练过程中,基于添加噪声、亮度变换、尺度放缩等数据增强方法扩充数据集,提升了训练模型的泛化性能.实验结果表明,改进的模型在复杂背景下能够对3种瓷质绝缘子、瓷质绝缘子缺陷、相间棒、防震锤以及鸟窝同时检测,平均精度均值(mAP)达到94.1％,为输电线路的智能巡检提供了一种新思路.     

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Cascade R-CNN算法的输电线路小目标缺陷检测方法

输电线路无人机航拍图像缺陷识别是维护线路安全运行的重要巡检手段,但目前的识别算法对于销钉、螺母等小目标缺陷存在识别精确度低、易漏判等问题。将Cascade R-CNN算法应用于输电线路缺陷检测中,利用ResNet101网络进行特性提取,增强的网络的特征提取能力,并利用多层级联检测器对输电线路小目标进行判别和分类。基于无人机航拍图像数据集进行实验,实验结果表明,相比于Yolov3检测器和Lighthead R-CNN检测器,Cascade R-CNN算法提高了小目标缺陷检测中的召回率和精确度。     

基于改进YOLOv5的输电线路鸟巢缺陷检测方法

鸟巢侵占是输电线路经常发生的一个故障情况。鸟类在铁塔上筑巢将会影响铁塔的绝缘性能，造成跳闸事故的发生。传统的输电线路鸟巢识别方法效率低且安全性不足。为此，本文提出了一种改进YOLOv5模型的输电线路鸟巢检测算法。通过在主干网络中加入CBAM注意力模块，以较小的计算代价提升主干网络的特征提取能力。在颈部网络中引入自适应特征融合模块替换原始结构，加强多尺度特征融合效果。使用更加稳定和平滑的Mish激活函数作为激活函数，以提升分类精度和泛化能力。实验结果表明，相较于原始YOLOv5s模型，改进方法在召回率以及平均精度均值方面分别提升4.4%和2.3%。对于遮挡目标以及远近距离目标均表现出良好的性能，验证了改进方法的有效性。     

基于多尺度特征融合的绝缘子缺陷检测

绝缘子缺陷检测对于保障电网安全稳定运行具有重要意义。由于绝缘子缺陷区域的像素信息少、形状尺寸不一,造成识别效果不佳问题。为解决此问题,提出了一种基于多尺度特征融合的绝缘子缺陷检测网络（MSD2Net）。在该网络中,采用残差注意力网络用于获取不同分辨率的绝缘子缺陷特征,设计了基于反卷积和多分支检测的多尺度特征融合网络将深层特征图与浅层特征图逐步融合,生成更加丰富的图像语义信息,用于实现目标的分类与位置回归,并结合Focal损失和高斯非极大抑制方法进一步提升检测效果。在变电站绝缘子缺陷数据集和输电线路CPLID公开数据集上进行测试,结果表明所提方法具有较好的检测性能与泛化能力。     

基于改进YOLOv5s的煤矿电力设备缺陷检测

针对煤矿电力设备缺陷检测精度低的问题，提出了一种基于改进YOLOv5s的煤矿电力设备缺陷检测的方法。该方法主要包括3个方面的改进：首先，提出了一种多分支的坐标注意力模块，增强了模型获得缺陷区域信息的能力；其次，提出了一种特征融合网络模块，通过将主干网络和颈部网络之间非相邻的特征信息进行跨层连接，进一步增强了模型的特征表达及融合能力；最后，提出了一种快速空间金字塔池化平均池化模块，并将其嵌入颈部网络的路径融合网络之间，以提升网络浅层定位信息传递到深层的能力。实验结果表明，改进YOLOv5s模型的mAP@0.5提升了3.1%,F₁分值提升了3%,满足煤矿电力设备缺陷的检测需求且具有更高的检测精度。