面向输电线路的异常目标检测方法

输电线路异常目标检测是电力系统监控的重要环节。现有的检测方法并未针对输电线路场景进行有效设计,存在深度网络所提取的特征不够充分,在目标环境多变、尺度变化等影响下缺乏鲁棒性等问题。本文提出一种面向输电线路的异常目标检测方法,该方法采用HRNet作为主干网络提取高分辨率特征,结合HRFPN优化目标特征表示的质量与在RPN阶段均衡产生的正负锚点数量比例,并使用级联的目标检测器进行分类和边界框回归。在输电线路场景的检测结果表明,本文提出的方法具有更高的检测性能,优于Faster R-CNN、Cascade R-CNN。     

跨深度的卷积特征增强目标检测算法

针对当前基于深度学习的目标检测算法采取的特征图融合方式存在缺陷,算法普遍不能很好地应对尺度变化等问题,提出一种跨深度卷积特征增强的目标检测算法CDC-YOLO。对YOLOv3算法进行改进,针对多尺度预测层各自的特点采用与之适应的特征增强模块,采用多通道的跨深度的卷积核并结合空洞卷积并行地提取特征,最终级联起来。该模块能充分利用多尺度多深度特征,形成统一的多尺度特征表达。在VOC2007test上的实验结果表明,提出算法的mAP (均值平均精度)高达82.33%,比原始YOLOv3提升了约2%,且对尺度变化大的物体鲁棒性更强。     

基于改进型DETR的输电线路防震锤检测

防震锤在输电线路中有着减少输电线因风产生摆动的作用，如不对风摆采取措施，可能会导致线路断裂，杆塔倒塌等事故。针对防震锤巡检状态效率低下的问题，提出了改进型DETR的防震锤检测方案。方案首次将基于transformer的目标检测模型DETR应用到防震锤检测中，通过e-fficientNet网络提取巡检图像特征，经过BiFPN网络将不同分辨率特征进行融合后，送入DETR中进行分析，达到了90.77%的检测精度，且具有一定的泛化能力。结果表明，上述模型能够有效检测出巡检图像中的防震锤，为后续故障诊断提供了理论依据。     

基于YOLO v3的输电线路鸟类检测技术研究

输电线路安全是电网安全稳定运行的前提,但是鸟类对输电线路造成的危害直接威胁到输电线路的安全运行.为解决传统驱鸟器启停策略的弊端,提出基于YOLO v3算法的输电线路鸟类检测模型.通过输电线路监控装置获取图像数据,使用残差模块提取图像的深层次特征,采用多尺度目标检测策略来保证鸟类的检测效果.实验结果表明,在输电线路鸟类检测任务中,该模型准确率可以达到86.75%,检测速度达到47 frame/s,可以精确实时地检测出输电线路周围的鸟类数目,并验证了该模型在雨天、雾天、抖动情况下具有较强鲁棒性,可以保障输电线路的安全、稳定运行.     

多尺度目标检测的深度学习研究综述

目标检测一直以来都是计算机视觉领域的研究热点之一,其任务是返回给定图像中的单个或多个特定目标的类别与矩形包围框坐标.随着神经网络研究的飞速进展,R-CNN检测器的诞生标志着目标检测正式进入深度学习时代,速度和精度相较于传统算法均有了极大的提升.但是,目标检测的尺度问题对于深度学习算法而言也始终是一个难题,即检测器对于尺...     

基于深度学习的输电线路外力破坏检测方法研究

针对输电线路附近可能出现的大型违章车辆施工造成外力破坏的情况,为保证输电线路运行的安全和稳定,提出了改进的YOLOv5目标检测算法。在原有YOLOv5算法的基础上,将其使用的Boundingbox损失函数GIOU_Loss改为CIOU_Loss,使其具有更快更好的收敛效果;同时将其使用的经典NMS改为DIOU_NMS,使其对一些遮挡重叠的目标有更好的识别效果。实验结果显示,改进后的YOLOv5算法模型可以有效地监控输电线路附近的外力破坏情况。     

基于动态超分辨率的输电线路部件检测方法

在无人机输电线路巡检过程中,由于部分输电线路部件较小,而且无人机搭载的相机像素有一定限制,同时必须与输电线路保持一定的安全距离,导致拍摄的图像的分辨率较低、目标较小.针对这一问题,提出了一种基于动态超分辨率的输电线路部件检测方法,将超分网络引入到输电线路巡检过程中.实验结果表明,该方法对输电线路低分辨率输入图像和小目标...     

融合深度特征和多核增强学习的显著目标检测

目的 针对现有基于手工特征的显著目标检测算法对于显著性物体尺寸较大、背景杂乱以及多显著目标的复杂图像尚不能有效抑制无关背景区域且完整均匀高亮显著目标的问题,提出了一种利用深度语义信息和多核增强学习的显著目标检测算法。方法 首先对输入图像进行多尺度超像素分割计算,利用基于流形排序的算法构建弱显著性图。其次,利用已训练的经典卷积神经网络对多尺度序列图像提取蕴含语义信息的深度特征,结合弱显著性图从多尺度序列图像内获得可靠的训练样本集合,采用多核增强学习方法得到强显著性检测模型。然后,将该强显著性检测模型应用于多尺度序列图像的所有测试样本中,线性加权融合多尺度的检测结果得到区域级的强显著性图。最后,根据像素间的位置和颜色信息对强显著性图进行像素级的更新,以进一步提高显著图的准确性。结果 在常用的MSRA5K、ECSSD和SOD数据集上与9种主流且相关的算法就准确率、查全率、F-measure值、准确率—召回率（PR）曲线、加权F-measure值和覆盖率（OR）值等指标和直观的视觉检测效果进行了比较。相较于性能第2的非端到端深度神经网络模型,本文算法在3个数据集上的平均F-measure值、加权F-measure值、OR值和平均误差（MAE）值,分别提高了1.6%,22.1%,5.6%和22.9%。结论 相较于基于手工特征的显著性检测算法,本文算法利用图像蕴含的语义信息并结合多个单核支持向量机（SVM）分类器组成强分类器,在复杂图像上取得了较好的检测效果。     

基于Cascade R-CNN的输电线路关键部件识别

针对无人机在输电线路关键部件巡检图像中目标多，且尺度相差较大，导致识别率低的问题，提出使用深度学习目标检测算法Cascade R-CNN进行识别。由于输电线路关键部件无公开数据集，采集输电线路关键部件图片，并将图片数据的分辨率进行统一，使用LabelImg软件进行标注，制作一个符合训练要求的数据集。基于Paddle框架进行模型搭建，使用PaddleDetection训练工具进行全流程训练调优，进行测试。实验结果表明，基于Cascade R-CNN算法的模型在进行目标尺寸相差较大的多目标检测时，在测试集上的精度(mAP)可以达到91.39%,检测效果较好。     

基于结构感知深度神经网络的显著性对象检测算法

由于现有的基于深度神经网络的显著性对象检测算法忽视了对象的结构信息,使得显著性图不能完整地覆盖整个对象区域,导致检测的准确率下降。针对此问题,提出一种结构感知的深度显著性对象检测算法。算法基于一种多流结构的深度神经网络,包括特征提取网络、对象骨架检测子网络、显著性对象检测子网络和跨任务连接部件四个部分。首先,在显著性对象子网络的训练和测试阶段,通过对象骨骼检测子网络学习对象的结构信息,并利用跨任务连接部件使得显著性对象检测子网络能自动编码对象骨骼子网络学习的信息,从而感知对象的整体结构,克服对象区域检测不完整问题;其次,为了进一步提高所提方法的准确率,利用全连接条件随机场对检测结果进行进一步的优化。在三个公共数据集上的实验结果表明,该算法在检测的准确率和运行效率上均优于现有存在的基于深度学习的算法,这也说明了在深度神经网络中考虑对象结构信息的捕获是有意义的,可以有助于提高模型准确率。     

基于多任务深度卷积神经网络的显著性对象检测算法

针对当前基于深度学习的显著性对象检测算法不能准确保存对象边缘的区域,从而导致检测出的显著性对象边缘区域模糊、准确率不高的问题,提出了一种基于多任务深度学习模型的显著性对象检测算法。首先,基于深度卷积神经网络（CNN）,训练一个多任务模型分别学习显著性对象的区域和边缘的特征;然后,利用检测到的边缘生成大量候选区域,再结合显著性区域检测的结果对候选区域进行排序和计算权值;最后提取出完整的显著性图。在三个常用标准数据集上的实验结果表明,所提方法获得了更高的准确率,其中F-measure比基于深度学习的算法平均提高了1.9%,而平均绝对误差（MAE）平均降低了12.6%。     

基于深度卷积神经网络的小目标检测算法

针对YOLO目标检测算法在小目标检测方面存在的不足,以及难以在嵌入式平台上达到实时性的问题,设计出了一种基于YOLO算法改进的dense_YOLO目标检测算法。该算法共分为2个阶段:特征提取阶段和目标检测回归阶段。在特征提取阶段,借鉴DenseNet结构的思想,设计了新的基于深度可分离卷积的slim-densenet特征提取模块,增强了小目标的特征传递,减少了参数量,加快了网络的传播速度。在目标检测阶段,提出自适应多尺度融合检测的思想,将提取到的特征进行融合,在不同的特征尺度上进行目标的分类和回归,提高了对小目标的检测准确率。实验结果表明:在嵌入式平台上,针对小目标,本文提出的dense_YOLO目标检测算法相较原YOLO算法mAP指标提高了7%,单幅图像检测时间缩短了15 ms,网络模型大小减少了90 MB,明显优于原算法。     

Salient object detection based on adaptive recalibration technique through deep network

International Journal of Speech Technology - Object detection is most required task in computer vision to meet the requirement of autonomous processes. The key challenge in object detection is to...     

基于深度对比网络的印刷缺陷检测方法

基于传统图像处理技术的印刷缺陷检测方法鲁棒性差,而基于深度学习的目标检测方法则不完全适用于印刷缺陷检测任务的问题。为解决上述问题,将模板匹配方法中的对比思想与深度学习中的语义特征结合,提出用于印刷缺陷检测任务的深度对比网络（CoNet）。首先,提出基于孪生结构的深度对比模块（DCM）在语义空间提取并融合检测图像与参考图像的特征图,挖掘二者间的语义关系;然后,提出基于非对称双通路特征金字塔结构的多尺度变化检测模块（MsCDM）,定位并识别印刷缺陷。在公开的印刷电路板缺陷数据集DeepPCB与立金缺陷数据集上,CoNet的平均精度均值（mAP）分别为99.1%和69.8%,与同样采用变化检测思路的最大分组金字塔池化（MP-GPP）和变化检测单次检测器（CD-SSD）相比,分别提升了0.4、3.5个百分点和0.7、2.4个百分点,CoNet的检测精度更高。此外,当输入图像分辨率为640×640时,CoNet的平均耗时为35.7 ms,可见其完全可以满足工业检测任务的实时性要求。     

基于深度神经网络的Android恶意软件检测方法

Android 系统正日益面临着恶意软件的攻击威胁。针对支持向量机等传统机器学习方法难以有效进行大样本多分类的恶意软件检测,提出一种基于深度神经网络的Android恶意软件检测与家族分类方法。该方法在全面提取应用组件、Intent Filter、权限、数据流等特征基础上,进行有效的特征选择以降低维度,基于深度神经网络进行面向恶意软件的大样本多分类检测。实验结果表明,该方法能够进行有效检测和分类,良性、恶意二分类精度为 97.73%,家族多分类精度可达到 93.54%,比其他机器学习算法有更好的分类效果。     

基于Hurst参数评估的网络异常检测方法的研究

真实的网络流量普遍存在统计上的自相似性,因此传统的基于泊松过程和马尔科夫模型等已不能反映实际测量的流量.针对传统检测方法存在的问题,将基于Hurst参数评估应用到DoS攻击检测中,由H参数变化来检测DoS攻击.通过分析DARPA 1998入侵检测数据表明,基于该法的Hurst参数评估能够检测到DoS攻击,此法比传统的基于特征匹配的网络流量异常检测法在检测精度上有较大提高.     

基于密集分割网络的车道线检测方法

传统车道线检测算法大多数依赖手工制作特征和启发式算法的组合,容易受车辆遮挡和地面污损等因素的影响。针对影响车道线检测的复杂问题,将车道线检测视为连续细长区域实例分割问题,提出了一种基于密集分割网络的车道线检测方法。为此,使用稠密块构建了一个密集分割网络DSNet,该网络能够利用特征重复使用的特性提高提取车道线实例特征和恢复特征图分辨率的性能。同时,还引入了邻近AND运算和Meanshift聚类算法对DSNet网络的输出进行处理,减小了非车道线像素的影响,使得检测结果的边界线更为清晰。实验表明,本文方法能很好地解决车辆遮挡和地面污损问题,并且还能确定车道线的数量,具有较好的鲁棒性和实时性。     

基于改进YOLOv5s网络的杆塔相关目标检测方法

输电杆塔是输电线路的重要组成部分,采用人工或无人机等手段对杆塔相关目标进行周期性巡检至关重要。为解决目前待检测杆塔类型不同、距离远尺寸小、图像畸变等问题,本文提出一种基于深度学习框架的杆塔相关目标检测方法。该方法在YOLOv5s网络的基础上使用FReLU激活函数代替SiLU激活函数,进而改善了对杆塔相关目标的图像识别准确率;为解决杆塔图像中目标距离远、尺寸小的问题,采用了对小目标、低分辨率友好的SPD-Conv模块;同时使用对目标特征分批次处理的SPPCSPC空间金字塔池化,进一步提升了杆塔目标的检测精度。实验结果表明,改进后的YOLOv5s-FSS网络相比原YOLOv5s网络,其平均精度(mAP)提升2.4%,查准率(Precision)提升0.3%,查全率(Recall)提升1%,目标检测性能提升效果显著,能够有效提升输电杆塔巡检效率。     

A review of object detection based on deep learning

Multimedia Tools and Applications - With the rapid development of deep learning techniques, deep convolutional neural networks (DCNNs) have become more important for object detection. Compared with...