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(Ada...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。展开更多
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...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。展开更多
文摘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。
文摘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。