基于改进Cascade R-CNN的两阶段销钉缺陷检测模型

无人机在输电线路巡检过程中会拍摄大量图片,自动识别无人机拍摄图片中存在的部件缺陷是无人机巡检的重要环节。其中销钉的缺陷由于目标较小且需要依赖上下文信息才能正确判断,识别难度较大。针对上述问题,提出了一种两阶段的销钉缺陷检测模型。首先使用Faster R-CNN(regin convolutional neural networks)模型提取出原始图像中的连接部位,再对提取出的每个连接部位进行缺陷识别。缺陷识别模型使用改进的Cascade R-CNN,该模型使用层级残差卷积模块代替骨干网络中的3×3卷积并使用路径聚合特征金字塔(PAFPN)代替原始网络中的特征金字塔结构,能够有效提取图片中的多尺度特征和上下文信息。最后将级联检测器的最后一级替换为double-head检测器,减少模型误报。实验结果表明,模型对销钉缺失及销钉脱出两类缺陷的平均识别精度能够达到81.2%,与原始的Cascade R-CNN相比提升了7.8%。

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。

输电线路中销钉缺陷的自适应检测技术研究

针对复杂环境背景下小尺寸目标的检测难题,基于Faster R-CNN框架提出优化算法模型.首先,在特征提取模块的残差网络中叠加残差结构,增大感受野,提高特征提取能力;然后,在卷积计算中利用可变形卷积核替代传统卷积核,对空间形变较大的目标实现自适应特征提取;最后,通过平均定位召回精度损失(aLRP loss)平衡分类与回归任务,从而提高销钉缺陷的检测精度,并用最优定位召回精度(oLRP)度量检测结果.测试集上的实验结果显示:优化算法比基线算法的平均精度均值(mAP)提升了7.6%,比未引入定位排序算法的oLRP均值降低了7.1%.

基于改进R-FCN算法与类激活图的销钉类缺陷细粒度检测

销钉类缺陷常见于输电线路无人机巡检图像中,因图像占比小、缺陷特征不明显等原因,其检测精度低于其他类缺陷。针对该问题,采用基于区域的全卷积神经网络(region-based fully convonlutional networks,R-FCN)算法建立目标检测网络,分析混淆矩阵,确定算法改进策略。首先,通过网格化拆分实现高清晰度图像的预处理;其次,构建类别平衡的大间隔Softmax损失函数,平衡样本数量,增大类间方差,改善网络检测精度;最后,通过类激活映射的方法生成金具级类激活图,提取螺栓背景信息,实现2类易混淆螺栓的细粒度分类。在无人机巡检图像数据集中进行测试,比较所提改进算法与其他经典算法的检测结果,验证了改进R-FCN算法对销钉类缺陷的检测能力。

无人机巡检远距离架空线路缺陷识别技术

为提高无人机巡检远距离架空线路缺陷识别的精度,提出了无人机巡检远距离架空线路缺陷识别技术。以远距离架空线路螺母销钉缺陷为识别对象,利用卷积神经网络对其进行训练后,将Inception-v3模型作为训练模型,提取架空线路螺母销钉缺陷训练数据特征;建立Softmax层和损失函数,形成新的架空线路螺母销钉缺陷分类输出层,从而达到无人机巡检远距离架空线路缺陷识别的目的。实验结果表明,所提技术既能保证高精度的识别效果,又降低了识别时间和漏报率。