一种基于CenterNet的多朝向建筑物检测方法

航拍图像中的建筑物分布往往是朝向多样的。基于传统卷积神经网络的目标检测算法多以水平锚框作为检测框,在检测多朝向分布的建筑物场景下准确率较低。为此本文提出一种基于CenterNet神经网络的目标检测算法,在CenterNet模型基础上添加角度预测分支,将朝向角度信息融入网络中。针对CenterNet模型在特征提取阶段提取到的建筑物角度特征较少问题,采用非对称卷积替代原先的3×3卷积,加强神经网络对于旋转目标角度信息的特征提取能力,并通过改进损失函数降低角度周期性问题对目标检测的影响。改进后的网络可以更加精准的检测出多朝向分布的建筑物。在本文构建的数据集上进行了实验测试,相同环境下网络改进前后建筑物整体检测准确率提升5.2%,其中10°~80°以及100°~170°范围内大朝向变化建筑物检测准确率提升了7.4%。0°~10°、80°~100°以及170°~180°范围内小朝向变化建筑物检测准确率提升了3.1%,有效提高了多朝向建筑物检测的准确度。

做好用电检查工作对降低线损的影响分析

新时期,社会经济发展迅速,人们在生产生活中的用电需求日益增加。线损作为衡量企业生产技术和管理水平的重要指标,在企业用电安全中占据着相当重要的地位。另外,线损也是保障企业经济运行合理化以及提高效益的重要途径。对于电力企业而言,降低线损可以有效提高电力企业的经济效益和社会效益。因此必须高度重视线损问题,完善用电检查工作,促进企业效益的增长。本文首先介绍用电检查的主要内容,然后在此基础上详细探究如何加强用电检查工作,降低线损。

基于卷积神经网络的小型建筑物检测算法

针对基于传统卷积神经网络的建筑物目标检测算法对于小型建筑物检测准确率低的问题,提出一种基于Mask-区域卷积神经网络(Mask-region convoluional neural networks,Mask-RCNN)模型的小目标检测算法模型。该模型对Mask-RCNN模型中的特征提取网络进行了改进,设计了一种带有注意力机制的多尺度组卷积神经网络,有效解决了小目标有用特征较少且易被背景特征和噪声干扰的问题。航拍图像实验结果表明,改进的检测模型使小型建筑物目标检测准确率较原始Mask-RCNN模型提升了28.9%,达到了0.663。并且整体检测准确率达到了0.843,有效提升了航拍建筑物检测准确性。

一种基于FCOS神经网络的小建筑物目标检测方法

提出了一种基于FCOS神经网络的小建筑物目标检测算法,针对FCOS模型在特征提取阶段提取到的小建筑物目标特征较少问题,引入多尺度检测和可变形卷积方式,加强网络对小建筑物目标的特征提取能力,并通过改进后的SGE注意力机制降低特征图中的干扰噪声权重。改进后的网络可以提取到更多的小建筑物目标特征,对环境干扰噪声的鲁棒性更强。在自己搭建的数据集上进行了实验测试,结果表明,在相同环境下网络改进后建筑物的整体检测准确率提升了1.7%,其中对小建筑物目标提升了3.6%,减少了小建筑物目标漏检、误检的问题。

加强监督检查 提升管理实效

国网南通供电公司坚持监督在前、挺纪在前,从"精准化切入、项目化治理、制度化巩固"三个维度布局监督检查工作,不断强化措施、狠抓落实,推动党风廉政建设和反腐败工作再上新台阶。