基于改进Centernet的变电设备红外检测方法

变电站红外图像中小目标众多并且环境复杂,导致现有检测算法精度较低,因此本文提出一种基于改进Centernet的变电设备红外检测方法。首先以Centernet作为基础模型,将FPN结构引入上采样网络以充分利用小目标特征信息,从而解决小目标难以被精确检测的问题;然后,为提升网络在复杂环境中检测的鲁棒性,通过在主干网络resnet50中嵌入注意力机制来提升网络对重要目标的关注;最后,采用CIOU损失替换中心点偏移损失和宽高损失的训练策略以加速网络收敛、提升训练效果。实验结果表明,本文方法在小目标检测和复杂环境检测中都能有较好的检测效果,检测精度相比改进前提升3.1%,达到92.7%,相比Faster R-CNN等现有方法精度更高,在变电设备红外检测中具有一定参考价值。     

基于USRNet与改进YOLOv5x的输电线路绝缘子故障检测方法

针对无人机输电线路巡检图像的复杂背景目标检测失准、故障小目标难以被准确检测的问题,提出一种基于深度展开超分网络(deep unfolding super-resolution network,USRNet)与改进YOLOv5x算法的输电线路绝缘子故障检测方法。首先,使用USRNet对原始图像进行超分辨率重建,以降低复杂背景干扰实现测试数据集优化;然后,以YOLOv5x检测模型为基础,利用K-means++对标记框进行聚类,生成匹配输电线路故障目标尺寸的锚框;同时,通过更改多尺度特征融合模块结构,在预测端引入一个包含更大特征图的检测头以检测故障小目标;最后,使用有效交并比损失(efficient intersection over union loss, EIOU＿Loss)函数优化模型整体性能,并设置对比实验对所提方法进行验证。结果表明,所提方法的均值平均精度(mean average precision, mAP)值达到98.8%,可使输电线路故障检测精度提高到95.4%,从而具有更好的复杂背景目标以及小目标检测性能。