基于金字塔特征自适应的变电设备缺陷检测

针对现有的图像检测算法不能充分融合金字塔网络特征的问题,设计一种基于金字塔特征自适应的检测算法,对变电设备缺陷进行目标识别。首先,构建感兴趣区域特征金字塔结构,用以提取各个层级的变电设备缺陷图像特征图;其次,设计一种多层特征自适应学习函数来自动学习不同层级特征权重。实验结果显示,所提算法检测精度较其他方法均取得了较大程度提升,平均精度达到了71.9%,具有更好的鲁棒性,可应用于各类变电站场景。

基于雷达点云与图像数据的三维目标检测方法

在智能交通领域中,道路场景的三维目标实时检测对于保障汽车行驶安全具有重要意义。使用雷达点云和图像数据进行融合能够达到优势互补的效果,然而使用这两种数据融合的三维目标检测算法为得到较高的检测精度,通常都采用两阶段网络,相比于单阶段网络运算速度较慢,而在实际应用中检测系统的速度是非常重要的。针对以上问题,在单阶段网络RetinaNet上进行改进,设计了一种三维目标实时检测方法,将三维锚框映射到点云和图像的特征图上,利用ROI池化,将锚框在特征图上裁剪出的区域转换成相同大小并融合,最终输出目标边界框的回归参数和类别,并且对锚框进行调整得到目标预测边界框。在KITTI数据集上进行的实验表明,所研究的网络在行人、车辆等多目标检测的精确度和时间消耗方面均优于对比算法。

基于雷达与图像数据融合的人体目标检测方法

三维人体目标检测在智能安防、机器人、自动驾驶等领域具有重要的应用价值。目前基于雷达与图像数据融合的三维人体目标检测方法主要采用两阶段网络结构,分别完成目标概率较高的候选边界框的选取以及对目标候选框进行分类和边界框回归。目标候选边界框的预先选取使两阶段网络结构的检测准确率和定位精度得到提高,但相对复杂的网络结构导致运算速度受到限制,难以满足实时性要求较高的应用场景。针对以上问题,研究了一种基于改进型RetinaNet的三维人体目标实时检测方法,将主干网络与特征金字塔网络结合用于雷达点云和图像特征的提取,并将两者融合的特征锚框输入到功能网络从而输出三维边界框和目标类别信息。该方法采用单阶段网络结构直接回归目标的类别概率和位置坐标值,并且通过引入聚焦损失函数解决单阶段网络训练过程中存在的正负样本不平衡问题。在KITTI数据集上进行的实验表明,本文方法在三维人体目标检测的平均精度和耗时方面均优于对比算法,可有效实现目标检测的准确性和实时性之间的平衡。

基于盲源分离的变电站导线电流分布实时监测

针对变电站导线电流分布不平衡导致故障的问题,提出了一种盲源诊断法。首先使用基于非侵入式无芯和非接触式霍尔传感器的监测系统感应所有导线周围的磁通密度;其次利用磁通密度与电流之间的方程式来估计每根导线中的电流;再次将电流与热额定值进行比较,确定电流分布是否均匀;最后根据电流分布情况决定是否触发报警。实验结果表明,该方法能够正确检测导线电流分布情况,具有非常好的适用性。