基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障,应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术,结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务,结合电力线图像特点嵌入改进的图像输入策略和注意力模块,提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy, SIFS）,充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module,SAM）聚焦电力线特征,从大量信息中快速筛选出高价值信息。实验结果表明,该方法在复杂背景的多场景中具有良好的性能。     

基于改进CenterNet网络的绝缘子检测方法

针对输电线路中绝缘子检测准确率不足以及检测时间长的问题,提出一种基于Anchor free(无先验框)的绝缘子检测算法;以CenterNet网络模型为基础,使用Resnet50网络作为特征提取网络,在保证速度的前提下加深网络增强特征提取能力;引入金字塔池化模块,通过局部多尺度的特征融合提取更加丰富的绝缘子特征信息,避免对绝缘子的漏判从而提升检测精度;对收集的航拍绝缘子图像进行数据增强,建立实验数据集;在网络训练中使用迁移学习的思想,对主干网络进行冻结的方式提高训练效率。通过实验发现,相比较原网络模型,绝缘子检测的平均精度与召回率分别提升16.34%、36.06%,与其他六种网络模型相比较,检测精度与速度均有所提升,具有良好的检测性能及实时性。