基于先验知识辅助聚类的粗-精输电线路多金具检测

为了解决输电线路多金具检测任务中存在的小目标和密集遮挡问题并充分利用金具高分辨率航拍图像的信息优势,提出基于先验知识辅助聚类的粗-精输电线路多金具检测方法。首先,通过粗检测模块实现对输电线路高分辨率航拍图像的初步感知。接着,通过先验知识指导结构场景子区域选取模块中聚类算法半径的确定,以自适应聚类出合适的子区域。最后,设计精检测模块充分利用高分辨率航拍图像中的关键信息,进行金具的精确感知,并融合粗检测结果以实现由粗到精的金具识别。经实验证明,基于先验知识辅助聚类的粗-精输电线路多金具检测模型比之基线模型准确率提高了11.3%,对其中小目标金具和密集遮挡金具检测准确率的提高尤为明显。

基于YOLOv7-EPAN的光伏板红外图像缺陷检测

光伏板是光伏电站重要组成部件,需定期对其进行检测,保证光伏电站安全运行。针对航拍光伏图像复杂背景下小目标难检测的问题,提出一种基于YOLOv7-EPAN的光伏板红外图像缺陷检测方法。首先提出融合CSWin Transformer的扩展高效网络CS-ELAN模块,捕获全局有效信息抑制背景信息;其次以CS-ELAN为基础构建高效路径特征聚合网络EPAN(Efficient path aggregation characteristic pyramid network),加强不同特征层的信息交互,丰富语义特征信息,提高特征表达能力;最后优化损失函数,使模型关注高质量先验框,提高小目标定位精度。在航拍光伏红外数据集上进行实验,结果表明:相比于原YOLOv7模型,所提方法的mAP50、mAP50:95分别提高了6.4%、3.3%,表明所提方法能较好地解决航拍光伏图像复杂背景下小目标缺陷漏检的问题。

基于HSCA-YOLOv7的风电机组叶片表面缺陷检测算法

叶片是风电机组的关键部件之一,易受到自然环境因素的影响,出现胶衣脱落、裂纹、腐蚀等损伤,影响风力发电效率及风电机组运行安全。针对航拍风电机组叶片图像缺陷尺度不一、定位不准确、检测精度低等问题,提出了一种HSCA-YOLOv7的风电机组叶片缺陷检测算法。首先根据无人机采集的风电机组叶片图像,制作叶片数据集,采用Mosaic、MixUp方法进行数据扩增;然后将不同膨胀率的深度可分离卷积引入改进空间金字塔池化(improved spatial pyramid pooling,ISPP)模块,减少池化操作带来的细节损失;提出混合空间通道注意力(hybrid spatial channel attention,HSCA)机制,捕获全局视觉场景上下文,增大目标特征与环境语义差异,解决航拍叶片图像缺陷尺度不一的问题;采用Focal EIoU损失函数,解决预测框长宽被错误放大的问题,提高模型对叶片缺陷的定位能力。实验结果表明,所提算法的均值平均精度、均值平均召回率分别达到83.64%、71.96%,与YOLOv7基线算法相比分别提高3.37%、5%。

基于隐含空间知识融合的输电线路多金具检测方法

针对输电线路多金具检测任务中的小目标问题和密集遮挡问题,提出基于隐含空间知识融合的输电线路多金具检测方法。首先,为了挖掘输电线路金具间的隐含空间知识以协助模型进行检测,提出空间框设定模块和空间上下文提取模块进行空间框的设定以及空间上下文信息的提取。然后,设计空间上下文记忆模块对空间上下文信息进行筛选和记忆,并由此辅助多金具检测模型的定位。最后,改进模型后处理部分以进一步缓解金具密集遮挡带来的低检测精度问题。实验结果表明,该模型对多类金具的检测有提升效果,尤其对于小目标金具和密集遮挡金具的提升尤为显著。且相比于基线模型,在整体的AP^(50)评价指标和更严格的AP^(75)评价指标上分别提高了3.5%和5.7%。这为后续金具检测的落地应用和进一步的故障诊断奠定了基础。

融合注意力的多尺度光伏板缺陷检测方法

针对复杂红外背景下光伏板缺陷尺寸变化大、检测精度低的问题,提出了一种融合注意力的多尺度光伏板缺陷检测方法。首先构建多尺度特征自适应融合网络(Multi-scale adaptive fusion feature pyramid network,MAFPN)模型,以融合浅层与深层特征、提高网络对多尺度缺陷的特征表达能力;其次设计一种特征增强模块(Feature enhancement module,FEM),以提高模型提取上下文的能力、获取更多有效信息;设计了一种自适应特征融合模块(Adaptive feature fusion module,AFM),在特征融合中嵌入了注意力机制,使模型能更加准确地捕获关键信息、保留融合过程中的语义信息与细节信息。在光伏红外数据集上进行实验,结果表明改进后的算法能够有效地识别红外图像中的缺陷。

基于Faster R-CNN的复杂背景下绝缘子目标检测

由于无人机巡检图像中复杂背景的干扰以及航拍角度等外在因素的影响,会给绝缘子目标的识别带来一定的难度。常用的Faster R-CNN模型在进行复杂背景下绝缘子目标检测时,存在远处的或被遮挡的小目标绝缘子的漏检问题,所以本文在现有的Faster R-CNN模型上选择ResNet101作为骨干网络,引入FPN结构提高对被遮挡的小目标绝缘子的检测精度,降低了受遮挡影响的目标的漏检率,并增加通道注意力机制SENet以增强绝缘子特征,提高特征表达能力。实验结果表明,该基于Faster R-CNN的改进模型在复杂背景下绝缘子目标检测中达到精度AP^(50)为93.2%,相较于基线模型AP^(50)提高了6.4%,并且优于目前一些先进的目标检测模型,对复杂背景下绝缘子的检测精度高,解决小目标绝缘子误检和漏检问题。

基于人工图像数据扩充的输电线路绝缘子识别

深度学习方法在计算机视觉领域发展迅速,但依赖于海量训练数据。输电线路绝缘子自动识别任务中,航拍图像数量不足、多样性差等问题影响识别的准确性。提出人工绝缘子图像数据扩充方法,通过3D建模创建人工绝缘子图像,并构建导向反向补偿网络,对创建的人工图像进行补偿优化,用补偿后的人工图像扩充航拍绝缘子图像数据集。在多个典型卷积神经网络上进行绝缘子识别对比实验,结果显示:所提方法使绝缘子识别准确率平均提升2.1%,且网络相对轻量级,验证了所提方法的有效性和优势。