基于动态监督知识蒸馏的输电线路螺栓缺陷图像分类

螺栓是输电线路中广泛存在的紧固件,其缺陷图像具有类内差异性小、类间差异性大的特性。针对复杂度高且性能优秀的大模型在分析螺栓缺陷图像消耗大量计算资源的问题,将知识蒸馏技术引入到输电线路螺栓缺陷图像分类中,提出了一种基于动态监督知识蒸馏的输电线路螺栓缺陷图像分类方法:在网络输出层采用自适应加权方法,提高小模型学习螺栓缺陷标签的准确性;在网络隐藏层进行注意力转移,提高小模型螺栓特征的表达能力;将网络输出层的自适应加权方法与网络隐藏层的注意力转移机制相结合,以充分提高小模型的螺栓缺陷分类能力。最后通过自建螺栓缺陷图像分类数据集验证了大模型利用所提蒸馏方法指导小模型训练的有效性,实验结果表明:小模型的分类准确率提高了2.17%,小模型与大模型的分类准确率只差0.63%,且小模型的参数量仅为大模型参数量的7.8%。研究实现了螺栓缺陷的高效分类,达到了精度与资源消耗的平衡。

采用DETR与先验知识融合的输电线路螺栓缺陷检测方法

为了解决深度学习模型无法学习螺栓目标的先验知识、仅通过视觉特征难以快速准确定位其缺陷以及螺栓缺陷样本数量有限、类别不平衡的问题,提出了将深度学习模型与螺栓先验知识相结合的方法。选取端到端目标检测(DETR)为基线模型,设计并实现了一种采用DETR与先验知识融合的改进DETR模型。首先,利用视觉-知识注意力模块将螺栓图像的视觉特征与螺栓先验知识有机融合,获得螺栓对应的增强视觉特征;然后,将增强视觉特征送入基于Transformer编码-解码结构的DETR模型框架中对螺栓目标进行识别与分类;最后,针对螺栓危急缺陷样本少及样本不平衡的问题,引入类增量学习损失函数(CILLF)来增强模型的鉴别能力,缓解螺栓缺陷样本间长尾分布问题。仿真实验结果表明:改进DETR模型在输电线路螺栓缺陷样本上的mAP相较于基线模型DETR提升了2.8个百分点;相较于主流Faster R-CNN,YOLOv5l模型,改进DETR模型在长尾分布下螺栓缺陷样本少的类别图像上的检测效果提升尤为显著。

基于多任务级联的动车裙板螺栓缺陷检测算法

为了提高动车检修效率和准确性,设计了一种基于多任务级联的动车裙板螺栓缺陷检测算法。首先结合螺栓缺陷特征的先验知识,在YOLOv3的基础上引入注意力机制,采用通道级拼接方式引入螺栓的边缘特征图,引导检测网络学习鲁棒的螺栓缺陷特征,检测螺栓是否缺失;然后对螺栓局部区域进行语义分割,获得防松标记线信息,并基于这些信息判断是否存在螺栓松动和标记线缺失等缺陷。实验结果表明,该检测算法显著提升了动车裙板螺栓缺陷的检测性能,与YOLOv3相比,平均准确率提升11.3%,平均召回率提升13.6%。

基于深度学习的输电线路螺栓缺陷分类与检测方法

阐述深度学习的图像处理技术可以快速、准确地检查航拍输电线路螺栓图像的螺栓目标是否存在缺陷,分析多种基于深度学习的螺栓缺陷方法与展望。

电力杆塔地脚螺栓缺陷的磁致伸缩导波无损检测系统设计

电力杆塔地脚螺栓存在的腐蚀、裂纹等缺陷问题会严重威胁到杆塔的结构安全甚至电力系统的稳定运行。然而目前尚未有较为成熟的地脚螺栓缺陷检测系统,针对此问题,论文基于地脚螺栓的磁致伸缩特性设计一种磁致伸缩导波无损检测系统,可实现地脚螺栓缺陷位置的精准检测。该系统由激励单元与接收单元两个部分组成,主要包括功率脉冲电源、激励线圈以及接收传感器、便携式检测仪几个模块。对模型桩的测试表明,论文所设计的系统可以较好地实现对杆塔地脚螺栓缺陷的检测。

基于改进YOLOv5s的桥梁螺栓缺陷识别方法

针对现有算法在检测桥梁螺栓缺陷时因螺栓背景复杂和尺寸较小而导致的特征提取不充分、目标定位不精确问题,提出了一种基于改进YOLOv5s的桥梁螺栓缺陷识别方法。该方法在骨干网络中引入注意力机制以提升模型对螺栓特征的提取能力并加深对螺栓全局特征的关注度;优化空间金字塔池化结构以减少螺栓特征信息流失;采用MPDIoU作为边界框回归损失函数,提高螺栓边界框的回归精度;将YOLO检测头解耦以消除目标检测中分类任务和回归任务共享检测头对边界框位置回归的负面影响。在螺栓锈蚀、螺栓松动、螺栓脱落和螺母脱落4类典型缺陷螺栓以及正常螺栓的3810张自制螺栓图像数据集上进行训练和测试,实验结果表明:本文算法对螺栓缺陷的检测精度达到90.8%,相较于YOLOv5s提升了3%,均值平均精度达到92.6%,相较于YOLOv5s提升了4.3%,可以应用于桥梁螺栓的缺陷智能识别。

嵌入双注意力机制的Faster R-CNN航拍输电线路螺栓缺陷检测

目的螺栓是输电线路上最普遍、数量最多的部件,螺栓缺陷检测是输电线路视觉检测任务的一大难点。针对螺栓目标存在背景复杂、目标过小、不同类别之间差异小以及精细特征难以提取的问题,提出一种双注意力机制方法,分别对不同尺度和不同位置的视觉特征进行分析和增强。方法对于不同尺度的特征,网络使用不同尺度的特征图计算出相应的注意力图,然后将相邻层的注意力图差异性作为正则化项加入网络中,从而增强螺栓区域的精细特征。对于不同位置的特征,先使用特征图计算出图像的空间注意力图,注意力图中每个元素表示两个空间位置的相似程度,然后利用注意力图将局部特征与全局特征融合,从而在全局视野上增强相似的区域,达到增大螺栓与背景的特征差异程度,实现提高螺栓区域的预测效果。结果本文在航拍输电线路典型螺栓数据集上进行测试,与基线相比,结合双注意力机制的航拍输电线路螺栓检测方法的平均准确率提高了2.21%,其中正常螺栓类提升了0.29%,缺销螺栓类提升了5.23%,螺母缺失螺栓类提升了1.1%。结论本文提出的基于双注意力机制的航拍输电线路螺栓缺陷检测方法取得了良好的效果,有效避免了螺栓缺陷检测中的误判漏判问题,为进一步对输电线路其他缺陷任务奠定了良好的基础。

最优知识传递宽残差网络输电线路螺栓缺陷图像分类

目的输电线路螺栓图像具有分辨率低和视觉信息较差的特点,针对螺栓缺陷图像分类时教师网络(大模型)参数量大、学生网络(小模型)分类精度低的问题,提出了一种最优知识传递宽残差网络输电线路螺栓缺陷图像分类方法,来弥补使用大小模型进行分类任务的局限性。方法首先改变大模型宽度,即拓宽网络特征表达维度来增加向小模型传递的螺栓缺陷知识和简化小模型结构至3个残差块;然后为了选出传递螺栓缺陷知识性能最优的大模型,提出知识偏差的概念来可视化大模型向小模型螺栓缺陷知识传递的程度,综合分析不同宽度大模型利用知识蒸馏算法与注意力转移算法分别指导小模型训练后的分类准确率,并用知识偏差来确定最优知识传递模型;最后将最优知识传递模型利用知识蒸馏算法与注意力转移算法相结合指导小模型训练,尽可能提升小模型的螺栓缺陷分类性能。结果在自建螺栓缺陷图像分类数据集上进行了验证,结果表明宽度为5的大模型向小模型传递螺栓缺陷知识性能最优,使小模型的螺栓缺陷分类准确率提高了5.56%,小模型与最优大模型的分类准确率只差2.17%,知识偏差为0.28,且小模型的参数量仅为大模型参数量的0.56%。结论本文提出的最优知识传递宽残差网络输电线路螺栓缺陷图像分类方法,弥补了大小模型螺栓缺陷图像分类的局限性,实现了精度与资源消耗的平衡。

融合先验信息和特征约束的杆塔螺栓缺陷检测

目的螺栓是输电线路中数量最多的紧固件,一旦出现缺陷就会影响电力系统的稳定运行。针对螺栓缺陷自动检测中存在的类内多样性和类间相似性挑战,提出了一种融合先验信息和特征约束的Faster R-CNN(faster regions with convolutional neural network)模型训练方法。方法在航拍巡检图像预处理阶段,设计了基于先验信息的感兴趣区域提取算法,能够提取被识别目标的上下文区域,从而减少模型训练阶段的数据量,帮助模型在训练阶段关注重点区域,提高其特征提取能力。在模型训练阶段,首先通过费舍尔损失约束Faster R-CNN模型的输出特征生成,使样本特征具有较小的类内距离和较大的类间间隔;然后采用K近邻算法处理样本特征得到K近邻概率,将其作为难易样本的指示以引导模型后续更加关注难样本。结果在真实航拍巡检图像构建的螺栓数据集上进行测试,与基线模型相比,本文模型使螺栓识别的平均精度均值(mean average precision,mAP)提高了6.4%,其中正常螺栓识别的平均精度(average precision,AP)提高了0.9%,缺陷螺栓识别的平均精度提高了12%。结论提出的融合先验信息和特征约束的输电杆塔螺栓缺陷检测方法在缺陷螺栓识别上获得了良好的效果,为实现输电线路螺栓缺陷的自动检测奠定了良好的基础。

基于改进YOLOv8与语义知识融合的金具缺陷检测方法研究

针对输电线路螺栓金具缺陷检测任务中存在的缺陷样本类间分布不均、缺陷微小特征提取困难等问题,提出基于改进YOLOv8和语义知识融合的输电线路螺栓缺陷检测方法。首先,通过深入分析数据样本中螺栓金具缺陷种类与该螺栓承载金具种类之间的关系,完成语义关联构建工作;之后,在YOLOv8模型Neck部分引入BiFusion和RepBlock模块,增强模型的特征提取能力;其次,使用改进的融合语义知识校正权重的Loss函数,进一步提高训练模型的准确性,减少误检的发生;最后,分别完成基线选取实验、消融实验、超参数调整实验以及对比实验。实验结果表明,相较于Baseline模型,改进YOLOv8方法在平均精确率(mAP)上提升了4.0%,在关键少样本类精确率上提升了24.6%,可有效提高输电线路螺栓金具缺陷检测的效果,该语义关联构建及语义知识融合方法具有一定的泛用性,为输电线路无人机智能巡检领域提供了新的方法支持。

高频噪声下的螺栓表面缺陷检测

螺栓在很多领域内应用广泛,但在制造和加工过程中可能会出现缺陷问题,螺栓表面缺陷的存在将很大程度影响其使用寿命,并可能造成安全隐患。为了更好地检测螺栓表面缺陷,同时提高检测的速度与精度,应用机器视觉相关技术,针对螺栓表面纹理复杂、具有高频噪声难以检测的问题,提出了基于连通域自定义形状描述子的滤波算法。首先通过图像预处理与局部自适应二值化算法得到需要滤波的图像,再根据自定义的形状描述子对连通域进行高效滤波,最后经过后处理得到螺栓表面的缺陷检测结果。提出的算法能准确检测出高频噪声下的螺栓表面缺陷,并为复杂纹理下基于图像的无损质量检测技术提供了新的思路。

振动声学技术利用锤击法在螺栓疲劳开裂检测方法研究

工程应用对结构可靠性的迫切需求使螺栓连接的健康监测成为焦点。本研究针对M30×200 mm螺栓,提出并验证了一种基于振动声学技术的裂纹缺陷检测方法。结合锤击试验、模态仿真及理论推导,实验数据揭示该方法可准确识别至少2 mm的裂纹深度。振动声学不仅能定位裂纹,还能估其深度,特别是螺栓的1/2和1/4位置。考虑到工程中螺栓的疲劳断裂,该方法具备显著的实际应用潜力。本研究亦融合模态仿真与机器学习,为螺栓损伤的智能检测开辟新方向。

可变形NTS-Net的螺栓属性多标签分类

目的螺栓是确保输电线路安全牢靠的基石,螺栓缺销、松动和锈蚀等缺陷是造成输电线路损坏甚至重大事故的重要原因之一。本文针对螺栓缺陷存在视觉不可分的问题,提出了一种改进NTS-Net(navigator-teacher-scrutinizer network)的螺栓属性多标签分类方法。方法为了增强模型对不规则轮廓的处理能力,采用可变形卷积的ResNet-50网络作为特征提取网络从原图中提取全局特征。利用NTS-Net学习得到图像信息量最大的判别性局部区域。为了考虑不同局部特征对不同属性标签的不同影响,在局部特征与全局特征融合时引入通道注意力机制,提取特征的通道权重,获取关键通道特征以改善多标签分类效果。结果实验结果表明,本文在螺栓多属性分类数据集上的平均分类精确率为84.5%,比采用传统的多标签分类精确率提升了10%20%。结论本文通过可变形卷积提升网络的特征提取能力以及引入通道注意力机制实现了对NTS-Net提供的局部特征的高效利用,为解决螺栓多属性分类中存在的问题提供了一种新的思路。