基于通道剪枝的YOLOv7-tiny输电线路异物检测算法

针对输电线路异物检测精度不佳且模型庞大的问题,提出了基于通道剪枝的改进YOLOv7-tiny算法用于输电线路异物检测。用ReXNet网络替代了YOLOv7-tiny的骨干网络改进原网络的特征瓶颈问题。引入了多样化分支块从而增加网络特征融合能力,通过基于层自适应幅度的修剪(LAMP)剪枝方案损失一定精度换取模型体积、运算量的降低,为下一步部署到嵌入式设备做好准备。实验结果表明,最终的改进模型相对于YOLOv7-tiny模型精度上提升3个百分点,FPS提升原来的119.4%,模型大小压缩到原来的14%。

EDLine与改进光流法线路异物智能检测

为提高无人机电力故障巡检效率,提出一种结合边缘绘制线(edge drawing line,EDLine)特征提取算法与改进光流法的输电线路异物智能检测方法。鉴于背景纹理对航拍图像的影响,研究一种基于矩阵的线段融合算法以解决EDLine线段检测的断续问题,根据多特征约束提取输电线路区域。为有效识别异物,利用动量因子改进光流算法迭代收敛速度,根据光流信息检测异物故障。对无人机巡检图像的测试结果表明,该方法在复杂背景或异物不明显时均可有效检测出异物。提出检测算法准确度高、鲁棒性强,保证巡检的时效性。

基于多重注意力和特征对齐的销钉缺陷检测方法

电网规模的快速扩张对输电线路的检测维护提出更高的要求,智能高效的自动化电力巡检图像识别算法作为提高检测维护的手段,已经成为目前研究的重要方向之一。为实现巡检图像中销钉缺陷目标的准确识别,文章提出一种基于多重注意力和特征对齐的销钉缺陷检测方法。首先,构建基于可变形注意力的可变形检测变压器(deformable detection transformer,Deformable-DETR)框架,解决现有识别算法中无法通过卷积神经网络进行像素点轮廓-环境关系建模的问题;之后,提出区域注意力特征提取模块,解决由可变形注意力带来的特征粒度不足的问题;为丰富目标物体特征质量,提出基于注意力的候选框特征对齐模块和约束函数;最后,选取华中地区某电力公司的航拍图像数据验证算法性能。结果表明,所提算法总体性能相比于现有的卷积算法提升5.4%,总体平均检测精度达到90.5%。

基于先验知识辅助聚类的粗-精输电线路多金具检测

为了解决输电线路多金具检测任务中存在的小目标和密集遮挡问题并充分利用金具高分辨率航拍图像的信息优势,提出基于先验知识辅助聚类的粗-精输电线路多金具检测方法。首先,通过粗检测模块实现对输电线路高分辨率航拍图像的初步感知。接着,通过先验知识指导结构场景子区域选取模块中聚类算法半径的确定,以自适应聚类出合适的子区域。最后,设计精检测模块充分利用高分辨率航拍图像中的关键信息,进行金具的精确感知,并融合粗检测结果以实现由粗到精的金具识别。经实验证明,基于先验知识辅助聚类的粗-精输电线路多金具检测模型比之基线模型准确率提高了11.3%,对其中小目标金具和密集遮挡金具检测准确率的提高尤为明显。

改进YOLOv7的输电线路变尺度目标检测

针对输电线路无人机巡检图像中小目标检测精度低下的问题,提出一种改进型YOLOv7的输电线路变尺度多目标的检测方案。方案首次将基于YOLO7的目标检测模型应用到输电线路目标检测中,引入Transformer注意力工作机制,使用g^(n)Conv代替高效聚合网络中的卷积层提取巡检图像特征,经过RFPN网络将不同分辨率特征进行融合后,分别进行不同尺度目标的预测,提高对小目标的检测精度,达到了93.68%的平均检测精度,也可以检测到被遮挡的目标,具有一定的泛化能力。结果表明,上述模型能够有效检测出巡检图像中的防震锤和绝缘子,为后续故障诊断提供了理论依据。

融合高效注意力的多尺度输电线路部件检测

针对在高分辨率输电线路图像中,不同种类部件尺度跨越大,难以被均衡检测的问题,提出一种融合高效注意力的多尺度输电线路部件检测算法。在YOLO v5目标检测算法中,设计添加高效注意力模块ECBAM提高算法特征提取能力。根据输电线路部件的特征分布统计,使用滑动窗口对高分辨率输电线路图像进行切片,并对切片前后的图像分别使用改进后的YOLO v5算法训练模型。将两个模型的检测结果进行集成,得到多尺度输电线路部件检测结果。在公开的PLAD架空输电线路图像数据集上,该模型的检测性能远超现有目标检测模型,Precision可达83.2%,Recall可达92.8%,相比数据集原作者提出的模型,mAP值提升了1.6个百分点,达到了90.8%,且能检测出未在原始数据集上标注出的隐蔽目标,验证了在高分辨率图像中检测多尺度输电线路部件的有效性。

接触网侵限异物检测与挂网异物清除技术综述

随着高速铁路大规模成网运行,接触网分布范围日益扩大,异物挂网引发的安全事故逐渐增多,成为影响高速列车行车安全的重要因素之一。目前,针对接触网侵限异物的检测与挂网异物的清除方法研究颇少,而电力系统输电线路异物检测、清除的研究成果颇丰。详细综述了接触网侵限异物检测技术的原理、方法以及在铁路领域的应用,重点分析了不同方法的适用场景和优缺点。同时,借鉴电力系统领域异物清除技术研究,重点探讨了挂网异物清除技术的原理、特点,以及在接触网清异的可能性及局限性,结合接触网的特点和运维需求,从远距离实时检测、远距离快速清除以及检测清除装置的小型化与轻量化3个方面,探讨了接触网异物检测清除技术未来的发展方向。

基于深度学习的输电通道入侵物体识别方法研究

针对输电通道在线监测过程中入侵物体大小差异巨大、部分图像对比度低等问题,结合异物图像的特征,提出了一种基于目标检测算法的输电通道入侵物体识别方法。采集输电通道入侵物体图像,利用Retinex算法对输入图像进行增强。在目标识别部分,采用改进的EfficientDet算法作为主体,对算法中锚框的长宽比采用K-means聚类算法进行优化,同时在损失函数中加入了梯度均衡机制。实验结果表明,改进后的算法将mAP值从83.72%提升至87.12%,在入侵物体识别任务上有着优异的性能。

基于YOLO-2MCS的输电线路走廊隐患目标检测方法

输电线路在跨越高速铁路、高速公路和重要输电通道场景下易受到外力破坏,可能严重影响输电线路安全可靠运行。针对此问题,该文通过构建输电线路走廊隐患目标数据集,提出新模型YOLO-2MCS用于输电线路走廊隐患目标检测。使用混合数据增强策略对数据集进行有效扩充,以提高模型在复杂场景下的泛化性和鲁棒性;在EfficientRep骨干网络引入卷积注意力机制模块,有效提升模型对多尺度目标的检测能力;构建使用softplus激活函数的双向特征金字塔结构加强模型特征学习能力;在检测头使用SIoU损失函数进一步提升模型检测精度。实验结果表明,相较于原YOLOv6网络,该模型在0.5:0.95的严苛阈值下平均精度均值提升4.4%;将该模型与主流的检测模型FasterR-CNN、YOLOX、YOLOv5和YOLOv7分别进行对比评估,该模型的检测精度、检测速度、模型复杂度均获得最优性能,其平均检测速度高达约300帧/s,且内存仅为40.7 MB,同时满足在边缘计算设备上部署的要求。

基于双向特征融合的输电线路异常目标检测

背景复杂、目标尺度变化大、数据集不均衡等是导致输电线路异常目标误检、漏检以及检测精度低的主要原因。因此,提出一种增强特征提取网络,有效减少特征提取过程中的信息丢失,更好保留小目标特征信息。使用通道优化与空间优化模块进行双向特征融合,以适应目标的多尺度变化,减少复杂背景信息的干扰。使用均衡采样与自适应类抑制损失,提高少数类别的检测精度,解决输电线路数据不平衡的问题。在输电线路异常目标检测任务中,检测精度达到90.5%,对困难场景有较好的检测效果。

基于改进YOLOv7的输电线路异物检测模型

针对输电线路异物检测中存在背景干扰、图像分辨率低且异物尺度变化大等问题,提出了一种基于改进YOLOv7的输电线路异物检测模型。首先,通过空间深度卷积(space to depth conconvolution,SPD-Conv)和多维协作注意力(multidimensional collaborative attention,MCA)机制构造新的骨干网络,加强模型对低分辨率图像特征提取及抑制背景干扰的能力,同时增加对小目标异物的关注度。其次,使用幻影卷积(ghost convolution,Ghost-Conv)改进高效分层聚合网络(efficient layer aggregation network,ELAN)的输出部分,大幅降低模型的计算量。最后,基于可伸缩交并比(scalable intersection over union,SIoU)优化损失函数,进一步提高模型的训练速度和鲁棒性。实验结果表明,所提模型在输电线路异物检测数据集上平均精度均值(mean average precision,mAP)达到95.98%,高于其他主流对比模型,同时每秒帧数(frames per second,FPS)达到64,满足输电线路异物的实时性检测。

基于YOLOv5的铁路接触网异物检测模型初步研究

接触网上附着的异物是影响铁路列车运行安全的一大隐患,在开行列车前需要检查接触网上是否有异物附着。目前,接触网异物检测主要依靠人工巡检,工作效率低,人力物力消耗大。文章通过建模实验,初步探讨利用基于深度学习的目标检测技术实现铁路接触网异物检测的可行性;构建了3种接触网异物检测模型:YOLO(You Only Look Once)v5模型、YOLOv5+坐标注意力(CA,Coordinate Attention)改进模型和YOLOv5+ConvNext Block改进模型,利用包含鸟窝和轻质异物两种常见异物的接触网图像数据集,对这3种模型进行实验分析。实验结果表明,相比YOLOv5算法,对于检测鸟窝和轻质异物两种常见的接触网异物,YOLOv5+CA改进模型和YOLOv5+ConvNext Block改进模型具有更好的效果,且YOLOv5+ConvNext Block改进模型检测小尺寸目标的能力更强。

TFD-YOLOv8:一种用于输电线路的异物检测方法

基于无人机航拍图像的异物检测是输电线路智能巡检中的重要环节。YOLO目标检测算法精度高、速度快,是目前的主流算法。但在进行输电线路异物检测时,由于异物目标尺度多变、特征不显著,易出现误检、漏检等问题,提出一种用于输电线路异物检测的YOLOv8模型(TFD-YOLOv8)。首先,在YOLOv8颈部网络构建双分支下采样模块,截留下采样过程中易丢失的尺度相关细节信息,实现语义信息和细节信息的高效融合,提升不同尺度特征图的信息一致性。然后,在主干网络插入混合增强注意力模块,同时提取图像的全局和局部特征,分别生成空间注意力和通道注意力,得到一个包含局部信息、全局信息、空间信息和通道信息的混合增强注意力,增强网络对目标关键特征的捕捉能力。实验结果表明,与基线模型相比,本文方法的平均检测精度提升了6.7%,准确率和召回率分别提升了12.9%和5.1%,与多个现有目标检测方法相比,该方法在检测精度和复杂度上均具有优势。

基于YOLOv5s的轻量化架空输电线路鸟巢检测网络

架空输电线路上的鸟巢侵占会对铁塔上的电力设备造成安全隐患,间接可能影响整个电力系统的稳定运行。针对目前架空输电线路鸟巢检测模型在复杂场景以及小目标场景下检测精度不高,检测效率低,模型复杂等问题。本研究提出一种基于YOLOv5s框架的轻量化架空输电线路鸟巢检测网络。首先在主干部分采用Fasternet重构YOLOv5s特征提取网络,降低模型复杂度,提高运行速度;然后在特征融合网络部分嵌入ConvMixer层,ConvMixer层的结构设计有助于在特征信息中更好的捕捉空间和通道的关系,提升模型对于小目标的检测能力;最后在特征融合网络部分引入ODConv模块,令送入检测头的特征图包含更多有效特征,提高模型对复杂场景和小目标的检测性能。实验结果表明,本文与基线模型YOLOv5s相比,计算量和模型体积分别减少了86%和72%,平均精度均值达到96.4%,检测速度达到104.2帧/s,验证了本文改进模型的有效性和可行性。

基于无人机航拍视频图像的输电线路绝缘子故障智能检测研究与应用

随着我国经济的不断提高,国家对电力的需求也在增加。其中,绝缘子广泛应用于高压输电线路中,起到绝缘和支撑作用。长时间暴露在外或长期使用,会导致其污损和劣化,更易发生闪络放电等危险现象。因此,绝缘子故障检测成为电网巡检的重要部分。但寻常的人工检查不仅工作量大、成本高且危险性高,于是,智能无人机检测应运而生。利用无人机进行电力巡检,不仅提高工作效率,也能减少野外工作,降低巡检成本。由于传统图像处理技术对无人机绝缘子特征提取效果不理想、检测方法通用性低,本文提出一种绝缘子识别定位方法。该改正技术基于YOLOv4算法,大大提高了准确度,在不同环境下的绝缘子检测具有良好的性能,并具有一定的通用性。

异物隐患对输电线路安全运行的影响及管控措施

介绍异物隐患的基本情况及其分类,研究分析在不同因素下各种异物对输电线路的影响,从而制定合理的运维管控措施,帮助运维人员有效提高工作效率,保障电网安全稳定运行。

面向危险施工机械智能识别的改进YOLOv7算法

为了实现输电线路上危险施工机械(挖掘机、推土机和打桩机)的智能识别,该文提出了一种改进的YOLOv7算法。通过爬虫获取复杂条件下的危险施工机械图像并建立数据集,结合Mixup和Mosaic等多种图像增强方法预处理数据集。采用K-means++算法改进YOLOv7,提高算法的识别效率。实验结果证明,K-means++算法提高了YOLOv7的模型收敛速度;所提出算法能有效进行危险施工机械的识别,识别效果优于YOLOv7,准确率提高了3.70%。

全局上下文增强的稀疏卷积电网防外力破坏检测

在输电线路防外力破坏巡检场景中,当前部署于边缘端的轻量级目标检测算法,存在检测精度不足、推理速度慢等问题.针对以上问题,本文提出一种基于全局上下文增强的稀疏卷积电网防外力破坏检测算法Fast-YOLOv5.基于YOLOv5算法,设计了FasterNet+网络作为新的特征提取网络,在保持检测精度的同时,提升模型的推理速度,并降低计算复杂度;在算法的瓶颈层中,设计了具有高效通道注意力的ECAFN模块,通过自适应地校准通道方向上的特征响应,高效获取跨通道的交互信息来提升检测效果,并进一步减少参数量和计算量;提出了具有上下文增强的稀疏卷积网络SCN替换模型的检测层,通过捕获全局上下文信息来增强前景焦点特征,提高模型的预测能力.实验结果表明,改进后的模型与原模型相比,精度提升了1.9%,检测速度提升了1倍,达到56.2 f/s,参数量和计算量分别下降了50%和53%,更符合输电线路高效检测的要求.

基于Real-ESRGAN和改进YOLOv8n的输电线路绝缘子故障检测

为解决无人机在输电线路巡检时遇到的绝缘子故障难以检测的问题,提出一种绝缘子故障检测新方法。该方法结合了真实世界增强超分辨率生成对抗网络(Real-ESRGAN)和改进的YOLOv8n。首先,利用Real-ESRGAN对数据集进行超分辨率重构,优化数据集质量,有效减少复杂背景的干扰;然后利用高效视觉变压器框架替换YOLOv8的主干,加强模型的特征提取能力,同时使模型在推理阶段有更快的处理速度;再对YOLOv8的检测头进行轻量化处理,进一步加速模型推理。试验结果显示,该方法的均值平均精度达86.7%,证明了其在复杂背景下的卓越目标检测性能。通过分析热力图,展示了该算法与传统YOLOv8在关注区域上的差异,从而揭示了模型的内部工作机理。

改进YOLOv8的输电线路异物检测方法

针对无人机对输电线路异物检测准确度有限,模型计算复杂度高、计算速度有限的问题,提出一种改进YOLOv8的输电线路异物检测方法SC-YOLO。该方法引入StarNet以构造C2f_Star模块实现Neck网络轻量化,有效降低模型参数量与计算量,同时通过增加特征空间维度提升Neck部分特征提取能力;在骨干网络输出特征图后添加卷积注意力融合模块,提升骨干网络对输入特征图的初步特征提取能力,增强模型整体检测效果;将原检测头替换为动态检测头,提升模型对不同输入的动态调整能力与对关键信息的关注程度;使用WIoU作为边界框损失函数,EMA-Slide Loss作为分类损失函数,提升模型泛化能力与检测性能。实验结果表明,提出的SC-YOLO计算量较原始模型下降8.02%,mAP提升1.4个百分点,达到了95.2%的检测精度,在降低模型计算复杂度的同时实现了较高的检测准确率,具有高可行性与实用性。