基于多源图像融合的光伏面板缺陷检测

传统光伏面板缺陷检测任务以人工目视方法为主,存在效率低、精度差、成本高等问题。提出基于深度学习的融合光伏面板可见光图像与红外图像的缺陷检测网络,即多源图像融合网络(MultisourceFusionNetwork,MF-Net),实现光伏面板的缺陷检测。MF-Net以YOLOv3tiny为主干结构,并针对光伏面板缺陷特征进行网络结构改进。其中包括:在特征提取模块中增加网络深度并融入密集块结构,使得MF-Net能够融合更多高层语义信息的同时增强特征的选择;将双尺度检测增加为三尺度检测,以提高网络对不同尺寸缺陷的适用度。此外,提出自适应融合模块,使特征图融合过程中可以根据像素邻域信息自适应分配融合系数。实验结果表明,相比基于YOLOv3 tiny的融合网络,改进后的融合检测网络m AP提高7.41%;自适应融合模块使m AP进一步提升2.14%,且自适应融合模块能够有效提高特征的显著性;在与单一图像(仅有可见光图像或红外图像)的检测网络及其他融合图像检测网络的对比实验中,所提出的网络F1 score最高(F1=0.86)。

面向飞机外表面检测任务的无人机覆盖路径规划方法

针对飞机检测任务中,三维环境下的无人机全覆盖路径规划问题,提出一种基于改进的WaveFront算法的覆盖路径规划算法。研究一种基于离散三维栅格地图的三维模型表面视点的提取方法;根据相邻视点的约束策略改进WaveFront算法,解决不同方向上由于损耗值相同导致的局部最优问题;设计三维空间的方向评估函数,结合视点位置,能够引导无人机前进方向;实现基于三维模型的飞机外表面无人机覆盖路径规划。试验结果表明,算法能够实现飞机外表面视点的自动化提取,结合视点能够自主规划无人机的飞行路径。相比于遗传算法,改进的WaveFront能够有效地进行飞机外表面的路径规划,保证无人机与飞机机身维持无碰撞状态。根据规划的路径,无人机可以完成飞机机身外表面的无遗漏检测任务。