航拍电力杆塔图像中销钉唯一性识别研究

近年来,基于深度学习的缺陷销钉检测技术在电力杆塔巡检中得到广泛应用。但是该技术只能在图像空间对缺陷销钉进行定位,无法准确给出缺陷销钉在实际电力杆塔中对应销钉的唯一编号。针对该问题,该文提出一种融合深度学习与三维重投影的缺陷销钉唯一性识别方法。首先通过构建巡检电力杆塔系统的三维模型,进行电力杆塔系统中部件模型的编号获取,以及部件模型三维空间包围盒顶点和中心点坐标的计算;其次,利用YOLOv5模型在图像空间对销钉及上下文相关目标进行检测;再次,通过该文提出的融合结构约束的相机位姿估计算法对航拍图像的相机位姿进行估计;最后,将三维电力杆塔系统中的销钉包围盒按相机位姿进行重投影与销钉检测框进行匹配度计算,在图像空间中输出带有具体编号的销钉检测框。在YOLOv5模型输出的销钉检测框基础上进行销钉唯一性识别,利用仿真数据进行实验得到的唯一性识别正确率为100%,利用实拍数据进行实验得到的唯一性识别正确率为93.3%,验证了该文提出的销钉唯一性识别方法的有效性。通过对缺陷销钉进行唯一性识别,可以减少人工对故障图像的二次审核工作量,并准确地统计缺陷销钉的数量及具体位置信息,为后续故障维修及故障相关性分析等精细化管理提供支持。

基于改进Faster-RCNN的无人机巡检架空线路销钉缺陷检测

为了提升无人机巡检架空线路的效率,提高架空线路销钉缺陷检出率,提出了一种基于改进Faster-RCNN算法的无人机巡检架空线路销钉缺陷检测方法。针对无人机巡检图像背景大、销钉目标尺寸小的特点,通过以深度残差网络ResNet101作为前置特征提取网络,增大训练图像尺度,建立特征金字塔融合多尺度特征,以K-means算法优化初始锚框,对Faster-RCNN算法进行改进;并用实际无人机巡检图像进行实验测试。实验结果表明,该方法对无人机巡检图像中销钉缺陷有较好的检测效果,在测试数据集上检测精确度达到93.6%,召回率达到89.8%,泛化能力较强,相比现有其他常见目标检测方法,检测效果更好。

提高细支烟在PSSIM机型改造后的可靠性

由于PASSIM卷烟机对烟支直径设计范围6.7～8.6 mm,烟厂需要生产直径为5.4 mm和6.2 mm的烟支,在对PASSIM机型超规格细支烟改造后,提高了细支烟的生产效率及机器的稳定性.