基于注意力特征融合YOLOv5模型的无人机输电线路航拍图像金具检测方法

针对无人机采集输电线路航拍图像背景复杂,待检测目标存在尺度不一及部分遮挡造成检测过程中误检、漏检等问题。文章从特征融合角度出发,提出基于注意力特征融合YOLOv5模型的无人机输电线路航拍图像金具检测方法。在主干提取网络中引入了具有自注意力机制的AFF-Transformer模块了更好地捕获了全局信息和上下文信息,提高了主干网络特征提取能力。通过在特征融合过程中使用通道空间注意力,避免了关键信息丢失。利用双向加权特征融合机制,使得模型更有效地将浅层特征和深层特征进行融合。以上改进有效缓解了金具在密集状态下的误检、漏检等问题。通过在自建输电线路金具数据集上进行实验,结果表明:提出的方法在原YOLOv5模型的基础上准确率提升了2.7,模型召回率提高了1.5,对于小目标以及漏检、误检等问题有了较好的改善。

基于改进YOLOx-S的输电线路上金具检测方法

输电线路航拍图像存在背景复杂多变、检测目标占比较小的问题。针对部分图像属于阴影、模糊等视觉信息较差的困难样本,在特征融合角度的基础上,使用通道注意力使得模型更加关注复杂背景下的关键特征提取区域;基于自适应空间特征融合(Adaptively Spatial Feature Fusion,ASFF)机制使得浅层和深层的特征图更合理地融合;对检测模型的损失函数进行改进,解决损失函数无法准确反映真实框与预测框重合度大小的问题。在自建的金具目标检测数据集上进行实验,实验结果表明,所提出的改进算法在原始YOLOx-S(You Only Look Once x-S)基础上获得了5.15%的检测精度提升,召回率提高了1.62%,并且针对小目标、易漏检和错检目标的检测有了明显改善,体现了在输电线路上金具目标检测的优越性和实用性。

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。

结合KL散度和形状约束的Faster R-CNN典型金具检测方法

输电线路航拍巡检图像中典型金具的高准确率检测是其状态检测和故障诊断的基础。针对金具与金具之间、金具与背景之间相互干扰导致模型出现的目标检测得分很高但检测框位置存在极大误差的问题,提出了一种结合KL(Kullback-Leibler)散度和形状约束的Faster R-CNN(faster region-based convolutional neural netwoks)典型金具检测方法,在Faster R-CNN检测模型框架的基础上,增加对目标边界框分布的预测,同时使用KL散度度量金具坐标预测分布与真值分布之间的距离,并将其作为损失函数优化模型参数,进一步将数据集中不同金具类别目标的形状特征作为约束加入损失函数中,以提高模型的泛化性能和边界框回归精度。实验结果证明:提出的方法在一定程度上解决了检测模型目标边界框回归不准确的问题,其中,各类别平均准确率的均值(mean average precision,mAP)由79.76%提高到了83.68%。研究可为进一步对典型金具进行状态检测和故障诊断奠定基础。

结合尺度约束与空间信息的输电线路多金具检测方法

为有效提高输电线路多金具检测准确率,解决金具小目标与互相遮挡等问题,提出结合尺度约束与空间信息的输电线路多金具检测模型(Scale Constraint and Spatial Information R-CNN,SCSI R-CNN)。首先采用金具标注框的聚类中心作为优化变量,以kmeans++算法的聚类结果作为依据改进锚框尺度参数。然后采用候选框的相对几何特征作为潜在空间模块的输入,以多层感知机计算候选目标间的潜在空间关系与空间信息增强特征。通过现场采集的输电线路航拍数据集实验可知,与基线模型Faster R-CNN相比,所述算法可促进模型与任务目标的适配性,能够有效提高金具检测准确率,为后续检测模型落地应用提供改进指导。

面向边缘端设备的轻量级金具检测方法

为解决金具检测模型参数冗余大、终端部署检测实时性差等问题,文中设计一种基于网络通道剪枝的模型压缩算法。针对轻量级检测模型HRM-CenterNet存在的通道冗余问题,提出了分段稀疏化训练和全局通道剪枝方案。剪枝后的Pruned-HRMC模型参数量仅11.2 M,边缘端推理速度达到44 FPS,较原始模型体积缩小3倍,加速近2倍。结果表明,剪枝方案在金具检测任务上以极小的精度损失换取了大规模的模型压缩,极大满足了边缘端实时检测的工业需求。

基于深度学习的无人机巡检架空输电线路金具锈蚀缺陷检测方法

为了提升架空线路无人机巡检效率,提高架空线路金具锈蚀缺陷智能检测效率,提出了一种基于深度学习的巡检架空线路销钉缺陷检测方法。由于架空输电线路的金具锈蚀缺陷智能检测存在环境背景大、目标小、拍摄角度和拍摄光线差异大等特点,采用图像预处理算法拓充数据集,将MobileNet替换YOLO的主干特征提取网络来提升算法的泛化能力和鲁棒性,并用实际巡检图像进行实验测试。测试集验证中,当置信度阈值取0.5时,P为0.92、R为0.84、A_(P)为91.34%。结果表明,此方法对架空线路金具锈蚀缺陷有较好的检测效果,可以给设备健康状态评估提供参考。