基于红外热图像的光伏组件热斑深度学习检测方法

热斑效应是造成光伏板严重破坏的主要原因之一，为了快速、及时的检测出热斑并及时维护解决。该文提出一种基于改进YOLOv4-tiny的热斑检测方法。首先，针对热斑红外图像稀少且原始模型中mosaic数据增强不稳定的问题，提出采用伽马变换的方式对热斑数据集进行有效扩充；其次，为了使得模型更关注热斑红外图像中重要的特征，抑制不必要的特征，在网络结构中添加了注意力模块(convolutional block attention module,CBAM)；最后，针对原始模型感受野较弱，提取信息不充分的缺点，将模型中的特征金字塔结构融合了路径聚合网络(pathaggregation network,PANet)的思想，且在结构中加入少量卷积核为1×1的卷积层，减少了参数量。实验结果表明本文提出的改进YOLOv4-tiny模型AP50达到98.42%，相较于原始模型提升了3.63%，且检测速率在图形处理器(graphic processing unit,GPU)为GTX1070Ti的设备上达到50.06FPS，具有优秀的检测精确率并兼具良好实时性，基本接近实际应用需求。     

基于密集连接网络的航拍绝缘子旋转目标精准定位方法

为了实现架空线路巡检时绝缘子的精准定位和检测,提出了一种基于Dense-Block密集连接块与旋转框改进YOLOv5的绝缘子检测模型。该模型针对绝缘子长宽比较大和方向多变的特点,提出利用长边定义法为检测框增加角度信息,实现目标旋转框检测,有效提升绝缘子检测和定位的效果。同时为了增强特征的重新利用和传播,利用Dense-Block对模型中的残差模块进行改进,构建YOLOv5-dense检测模型。最后为了使YOLOv5-dense模型能够更加关注有效的特征信息,在主干网络尾部加入SimAM注意力模块对模型进行改进。实验之前,利用Retinex算法对输入绝缘子图像进行增强。实验结果表明,相较于原始YOLOv5算法,所提算法在平均准确率和每秒处理帧数方面都有提高。除此之外,与水平框检测算法相比,所提算法去除了检测结果中大量冗余的背景信息,实现了绝缘子区域更加精准的定位。