基于改进CornerNet-Lite的林区行人检测算法

为做好森林管护工作,减少人力和物力的消耗,利用快速发展的行人检测算法可对林区行人进行检测和甄别,但林区行人检测与传统行人检测有很多不同,如林区行人被树木遮挡、着装与背景色调相似等特征,导致漏检现象严重。为此,针对林区行人的特点,笔者提出了一种实时检测林区行人的算法CornerNet-P,将林区行人的位置预测简化成为2个关键点的预测。以CornerNet-Lite为基础,改进算法的损失函数,预测2组热力图来检测林区行人的角点位置,预测嵌入层损失以匹配同一行人的角点,预测偏置层损失来减少尺度变化过程中的精度损失,并获得最终的边界框;然后提取COCO2014数据集中的行人数据并随机分为训练集和测试集两部分,使用训练集分别训练该算法与YOLOv4算法中的参数,使用测试集和真实的林区行人图像对算法的检测精度和检测速度进行检验。试验结果表明,CornerNet-P算法相比YOLOv4算法平均检测精度提高了1.7%,检测速度提高了5.1%,并可以较好地检测真实林区行人图像。CornerNet-P算法可以实现林区的行人检测,具有较快的检测速度和较满意的精度。

基于CornerNet-Lite的输电塔与绝缘子目标识别与检测

输电线路,特别是输电塔与绝缘子,在恶劣天气下易发生故障,从而影响整条线路安全使用。传统的人工巡检危险系数高、效率低,目前多采用无人机进行航拍巡检,但是其准确性与时效性仍有待提高。针对航拍巡检存在的问题,文章提出了一种基于CornerNet-Lite的输电塔与绝缘子目标识别与检测的方法。该方法采用CornerNet-Lite的网络架构,可有效提高检测的准确性。同时,文章收集大量相关实际图像建立专用数据库,进行检测模型的训练和测试。实验表明该方法检测精度为94.4%、检测速度为30毫秒/帧,并且该模型在恶劣天气测试图像检测中,具有较好的效果,表现出较强的鲁棒性。

基于深度学习算法的航拍绝缘子检测

针对无人机航拍图像中绝缘子等设备因背景复杂、过度遮挡而产生的检测准确性差的问题,提出了一种基于CornerNet-Lite网络模型的改进算法。该算法应用LeakyReLU函数设计了更为合理的损失函数,在coco数据集和自建绝缘子数据集上进行试验。对比原网络模型检测结果可知,该方法将绝缘子检测准确率提升至93%,有效解决了绝缘子目标被塔架等间断性遮挡及多目标聚集时模型出现漏检现象的问题,尤其是在目标被过度遮挡时更能体现优势。

基于激光雷达与视觉融合的水面漂浮物检测

针对水面清污机器人对漂浮目标的检测问题,提出了一种将三维激光雷达点云数据与视觉信息融合检测的方法。首先,视觉识别部分采用CornerNet-Lite目标检测网络,通过对大量样本的训练实现水面漂浮物的检测,得到候选目标的种类和置信度。然后,通过相机和激光雷达的标定将激光雷达三维点云数据投影到二维像素平面,并根据相对像素面积大小的概念定义了激光雷达检测目标物的置信度。最后,调整激光雷达和相机检测目标置信度权重比例,构成新的判定置信度,并通过比较判定置信度和设定阈值的大小来判断是否检测到目标。试验结果表明,该方法比单独使用CornerNet-Lite算法的检测准确率更高,消除了水面倒影和波纹的影响,降低了虚警率。