基于P-CenterNet的光学遥感图像烟囱检测

工业烟囱排放是城市空气污染的主要因素之一,城市环境质量与烟囱数量成反比。因此,烟囱位置检测对城市环境检测和治理具有积极的影响。在烟囱检测任务中,针对光学遥感图像背景复杂、目标小,存在大量相似对象导致的检测精度低的问题,提出了一种基于CenterNet的检测器P-CenterNet。首先,为了获得更丰富的语义特征,P-CenterNet使用了金字塔卷积取代骨干网络中的普通卷积;其次,并行于骨干网络设计了一个多尺度上下文特征提取模块来保留有助于从背景区域中区分对象区域的低级特征信息;最后,增加了一个卷积块注意力模块进一步提取骨干网络的输出特征,提高检测器对小目标的表达能力。实验使用了DIOR这个大规模的公开数据集来验证模型的有效性,采用线上、线下2种增强手段对数据集进行扩充,增强模型的鲁棒性。结果表明,与Faster-RCNN和YOLOv3这类模型相比,P-CenterNet在检测时间成本相近的情况下,明显提高了检测精度,mAP达到了89.77%。

基于YOLOv4-MP的绝缘子爆裂缺陷检测方法

针对输电线路绝缘子爆裂缺陷检测中缺陷目标小、背景复杂多样导致检测精度低的问题,提出了一种基于YOLOv4改进的检测算法YOLOv4-MP。首先,为减少复杂背景的干扰,在特征提取网络中嵌入Shuffle Attention注意力模块,使模型能够提取到更加有效的特征信息。其次,为增强特征融合的效果,在空间金字塔池化中引入带空洞的池化层,能够有效增大感受野。最后,为减少低层信息的丢失,采用Mish函数作为路径增强网络的激活函数。实验结果表明,YOLOv4-MP的平均精度均值(Mean Average Precision,mAP)达到了93.60%,比YOLOv4算法提升了6.37%。与常用的检测算法相比,YOLOv4-MP具有更好的检测性能,对于绝缘子爆裂缺陷检测具有较大应用价值。