基于尺度不变特征金字塔的输电线路缺陷检测

针对现有目标检测算法在高压电力复杂巡检场景下电力部件与巡检缺陷检测精度较低的问题,提出一种基于尺度不变特征金字塔的输电线路缺陷检测方法。将主流目标检测方法用于该场景,对比得出RepPoints v2网络模型的检测精度最高。针对RepPoints v2中FPN结构不能有效提取跨层次间语义信息及角点验证过程中忽略尺度归一化的问题,结合高效通道注意力模块(ECA)与尺度均衡金字塔卷积(SEPC)提出了一种尺度不变特征金字塔结构SI-FPN(scale-invariant feature pyramid networks)。其中ECA注意力模块对FPN的特征进行通道级别的增强,之后SEPC从FPN中提取尺度不变特征并对跨层次的金字塔特征进行融合。通过在自建的包含绝缘子、防震锤、悬垂线夹、绝缘子自爆、防震锤脱落与鸟巢六类对象的数据集上进行训练测试表明,该方法在RepPoints v2的基准上提升1.9个百分点,mAP达到96.3%,检测精度远超当前基准检测模型,且所设计的SI-FPN模块可作为一种独立的结构改善其他检测模型,具有一定的通用性。

改进CenterNet的高压输电线路巡检故障实时检测方法

针对通用深度学习目标检测技术难以在高压输变电线路巡检时实现实时高效的故障检测,提出一种改进CenterNet的高压输变电线路巡检故障实时检测方法,对绝缘子自爆、防震锤脱落、鸟巢三类常见巡检故障进行检测。该方法基于深层特征融合网络(DLAnet,Deep Layer Aggregation)、挤压-激励SE(Squeeze-and-Excitation)模块、可形变卷积进行高效深层特征提取网络DLA-SE的设计。在CenterNet架构下通过DLA-SE特征提取网络获取对象的中心点热力图,回归对象的宽高、偏移信息,得到对象边界框。实验结果表明,在Nvidia GTX 1080测试条件下该方法的mAP达到0.917,推理速度达到27.03 frame/s,与CenterNet、SSD与YOLOv3方法相比在检测精度上取得大幅度提升,证明了该方法的有效性。

基于可逆金字塔和平衡注意力的工业裂缝分割

针对目前工业裂缝分割算法存在细小裂缝易丢失、孤立噪点难消除的问题,提出一种基于可逆金字塔和平衡注意力的工业裂缝分割网络(reversible pyramid and balanced attention network,RPBAN)。提出可逆金字塔模块,在编码器与解码器之间引入特征金字塔和改进后的倒-特征金字塔,加深全局特征与细节特征的融合,从而提升细小裂缝检测性能;在解码阶段引入平衡注意力模块,将平衡特征作为引导信息,有效消除孤立噪点;在学习阶段选取Focal Loss作为损失函数,控制正负样本在训练中所占的权重,使得模型更专注于裂缝样本。通过在自建的输配电线路瓷瓶裂缝数据集InsulatorCrack和三个具有挑战性的公开裂缝数据集CFD、CrackTree200和AEL上进行验证和测试,实验表明与其他基准方法相比,RPBAN提升了细小裂缝检测效果,有效消除了孤立噪点,能够实现更高精度的语义分割。在四个数据集上IoU分别达到61.42%、58.36%、64.45%、53.44%,说明了RPBAN的有效性和通用性。