异源特征差异化融合引导的变电站场景语义分割

变电站场景图像语义分割能够为巡检机器人提供像素级的场景理解,是变电站智能化巡检、管控的关键步骤之一,但由于设备种类众多、背景环境复杂,仅依赖单一模态图像的语义分割方法准确性受限。针对该问题,提出一种基于多尺度特征差异化融合的语义分割网络,根据不同层次、不同模态特征图的特点,利用差异化的融合策略,提取红外与可见光图像在空间细节与语义信息的互补内容,从而利用融合信息引导解码过程,实现稳定的异源图像语义分割。为了验证算法的性能,利用无人机与机器人平台采集大量异源图像,手工标注并构建了数据集。实验证明本文提出的算法可以准确识别各类电力设备,对于保障电力系统安全稳定的运行具有实用价值。

变电站场景下高置信度策略的DSST目标检测及跟踪

目标跟踪在视频监控、人机交互及图像压缩等领域发挥着重要作用。由于DSST(discriminative scale space tracking)跟踪算法需要手动标记初始帧的位置,并且其实时速度和更新策略有待改善。因此,提出了一种改进的DSST跟踪算法;该算法在DSST算法的基础上融合了检测算法和图像缩放算法,同时引入了APCE(average peak-to correlation energy)置信度指标。使用变电站和benchmark数据集对其进行了测试,并与FCT(fast compressive tracking)及Staple等算法相比。结果表明该算法提高了跟踪精度,缩短了每帧的运行时间,且在背景、尺度变化及遮挡等方面表现出较强的鲁棒性。

变电站场景下运动目标的检测和跟踪方法

在遮挡物较多的变电站场景下,传统的目标跟踪算法容易出现人员跟丢、身份变换、目标被遮挡无法识别等情况,无法做到对目标的准确实时跟踪。针对此问题,提出了融合度量学习与卡尔曼滤波的变电站运动目标跟踪方法。首先,采用融合多尺度特征的YOLOv3算法检测目标,利用带权值的匈牙利算法匹配目标的历史运动轨迹;然后,通过卡尔曼滤波进行轨迹预测,并应用度量学习匹配预测轨迹与历史运动轨迹,结合目标外观特征信息,以实现变电站内运动目标的跟踪;最后,以变电站场景下的人员为例进行实验,结果表明,人员跟踪准确率高,且能满足变电站应用场景下的鲁棒性和实时性要求。

基于注意力机制的变电站作业场景三维目标检测

在变电站场景中,作业人员与危险设备的空间距离感知是安全管控任务的基本问题。随着激光雷达和三维(3D)视觉理论的发展,3D点云目标检测可为下游空间距离度量任务提供必要的技术支撑。针对变电站场景下背景复杂、设备遮挡等因素引起的目标检测不准的问题,基于PointNet++模型,在局部特征提取阶段引入改进的注意力模块,提出了一种适用于变电站作业场景的3D目标检测网络PowerNet。首先经过两级局部特征提取,获取每个局部区域中的细粒度特征;其次通过mini-pointnet将所有局部特征编码成特征向量,得到全局特征;最后由全连接层输出预测结果。考虑到变电站点云数据中前景点与背景点数量差距较大,PowerNet采用Focal损失计算分类损失,使网络更加关注前景点特征信息。在自建数据集上的实验结果表明,PowerNet的均值平均精度(mAP)值达到0.735,高于其他模型,可直接在下游安全管控任务中应用。