基于PKAMNet的输电线路小目标故障检测方法

针对航拍巡检时小目标故障像素占比低导致其特征无法有效表达进而造成传统算法难以准确检测的问题,构造了一种融合先验知识和注意力模型的输电线路小目标故障检测网络,记为PKAMNet。首先,为解决输电线路小目标故障样本匮乏导致检测网络精度低的问题,通过在实验室环境下制备小目标故障样本进行数据扩充,同时在CSPDark Net网络中融入CoT模块作为主干网络提取小目标故障特征,将特征提取网络权重及参数迁移至主干检测网络中,实现故障特征的先验知识迁移。其次,考虑到复杂背景下由于故障目标图像显著度弱造成检测网络精度低的问题,在主干网络中嵌入高效通道注意力模型(efficient channel attention,ECA)来提升故障目标区域的显著度,以提高故障目标在复杂背景环境中的特征表达能力。然后,为了解决预测框与目标框重合时损失函数退化造成网络难以收敛问题,将网络坐标损失函数改为Alpha-CIOU进而提高检测网络精度。最后,为验证所提算法的优势,将该算法与4种经典算法在某巡检部门所采集的数据集上进行对比实验。实验结果表明:所提算法检测精度最高,平均检测精度可达94.2%,对于分辨率为1280×720的图像检测速度可达48帧/s。

基于卷积块注意模型的YOLOv3输电线路故障检测方法

针对航拍巡检图像中待检测目标易受复杂背景和部分遮挡影响而造成传统算法难以准确检测的问题,提出一种基于卷积块注意模型的YOLOv3输电线路故障检测方法。首先,在YOLOv3算法框架中融合卷积块注意模型来提升图像中故障目标区域的显著度;然后,通过引入高斯函数对非极大值抑制方法进行改进,降低存在部分遮挡目标的漏检率;其次,采用Focal Loss改进损失函数来提高检测网络的检测精度;最后,利用某供电局近3年无人机巡检视频制作训练样本和测试样本,并将提出的算法与4种经典目标检测算法进行比较。实验结果表明,相比于4种对比算法,该文算法能够在保证较高检测精度的同时具有较好的实时性。算法的平均检测精度可达94.6%,分辨率为1280´720的图像检测速度为40帧/s。

基于改进Goog Le Net的小电流接地系统故障选线方法

针对传统小电流接地系统故障选线方法准确率低、鲁棒性弱的问题,文章提出一种基于改进GoogLeNet的小电流接地选线方法。首先,利用小波变换将零序电流信号映射为二维时频图,制备小电流接地数据集;然后,在GoogLeNet网络基础上通过迁移学习共享已训练模型权重来提高原网络检测精度;其次,在原网络全连接层前通过引入Batch-Normalization模块加快网络收敛速度,最终构建了GoogLeNet-69小电流接地故障选线网络;最后,为了验证所提出算法的优势,在未考虑噪声情况和考虑噪声情况下,将本文算法与4种经典选线方法进行比较。实验结果表明,相比于对比算法,本文算法检测精度最高,当信噪比为15dB时,所提出算法的选线精度可以达到96.3%,具有较强的抗噪能力。

基于小波变换和各向异性扩散的红外和可见光图像融合算法

针对利用传统方法进行红外与可见光图像融合时易出现边缘模糊以及细节分辨能力弱的问题,提出一种基于小波变换和各向异性扩散的红外和可见光图像融合算法。首先,将红外图像和可见光图像利用小波变换进行多尺度分解,获取原图像所对应的高频部分和低频部分;其次,将高频部分和低频部分分别进行各向异性扩散,生成对应图像的基础层和细节层;然后,采用KL变换对异源图像的细节层进行融合,采用加权平均方法对基础层进行融合;最后,将融合后的细节层和基础层通过线性重构得到最终的融合图像。为了验证所提出算法的优势,将其与3种经典融合算法进行比较。通过大量融合实验表明,相比于其他3种经典融合算法,所提出的算法不仅实时性好,而且融合结果能够较好保留原图像丰富的细节信息,具有较高的清晰度。

基于超分辨深度残差网络的玻璃绝缘子自爆故障检测算法

针对航拍巡检时玻璃绝缘子自爆故障图像易受复杂背景干扰造成传统算法难以准确检测问题,提出一种基于超分辨深度残差网络的玻璃绝缘子故障检测算法。首先,通过超分辨率卷积神经网络减小原始图像中的噪声和模糊,实现数据集的优化和增强;然后,利用YOLOv4检测算法对经过超分辨处理后的图像进行检测并提取包含绝缘子的目标区域;最后,通过添加Dropout层和3层全连接层对resnet50网络结构进行优化,并通过迁移学习将预训练权重引入所设计的故障识别网络以进一步提升网络识别精度,从而构建出一种改进的resnet50玻璃绝缘子故障识别网络。为验证所提出算法的优势,利用某供电局近3年无人机巡检视频进行测试。实验结果表明:提出的方法可实现复杂环境下玻璃绝缘子故障的精确检测,检测精度可达94.3%,同时该算法具有较好的实时性。

基于跨尺度特征聚合与分层注意力映射的红外行人检测

针对红外行人图像中受多尺度、部分遮挡以及环境干扰导致传统算法难以准确检测问题,提出一种红外图像行人检测算法。以CSPdarknet53作为主干特征提取网络,在输入端引入Focus模块以减少主干网络下采样过程中小尺度目标特征信息丢失;通过构建跨尺度特征聚合模块来融合主干网络不同残差层输出的全局特征和多尺度局部特征,提高网络多尺度特征聚合能力,提升网络检测精度;针对红外图像受自身成像机理以及复杂背景影响造成行人目标特征难以有效表达的问题,通过构建分层注意力映射模块来增强行人特征表达能力。为了验证所提出算法的优势,选取4种经典对比算法,并在3种公共数据集上进行测试验证。实验结果表明,该算法可以实现复杂环境下多尺度红外行人的准确检测,其平均准确率和召回率分别可达95.37%和92.99%。