基于改进R3det的无人机电力杆塔倾斜程度检测

无人机巡检图像中的电力杆塔具有多姿态、大长宽比等特点,难以利用特有的先验知识来准确定位和判别不同倾斜程度的杆塔。本文提出了一种改进的R3det网络模型(Multi-Head-KF-R3det),可提高电力杆塔倾斜程度检测精度。首先,在原始R3det中引入倾斜程度分支,实现了电力杆塔类别和倾斜程度的判别以及电力杆塔的准确定位。然后,将基于卡尔曼滤波的旋转交并比损失项引入回归损失函数中,在不增加额外超参的情况下,进一步提升了模型整体检测精度以及倾斜程度检测召回率。最后,基于Ghost轻量化网络设计原理对改进后的模型进行合理压缩,为模型在嵌入式设备中的部署奠定基础。实验结果表明,Multi-Head-KF-R3det在多尺度和多姿态的电力杆塔数据集上检测精度和召回率分别可达94.5%和94.9%。

基于改进生成对抗网络的无人机电力杆塔巡检图像异常检测

无人机电力线路巡检拍摄的杆塔图像背景复杂且正负样本极不均衡,严重影响了电力杆塔异常检测的准确性。该文提出一种基于压缩激活改进的快速异常检测生成对抗网络(SE-fAnoGAN),可提高复杂背景下无人机电力杆塔巡检图像异常检测的精度。首先,在f-AnoGAN编码器中引入压缩激活网络(SENet),提取图像中的显著性信息。然后,将生成对抗网络的无监督学习和二分类器的有监督学习有机结合,实现前者特征提取优势和后者判别优势的互补。在此基础上,借助基于迁移学习的优化训练策略进一步有效提升模型在大规模数据集上的泛化性能。实验结果显示,总体样本的检测准确率为95.74%,正负样本的召回率分别达到96.05%和95.36%,证明了SE-f-AnoGAN在异常检测中的有效性。

面向电力巡检图像目标检测的联邦学习激励机制

基于深度学习的目标检测算法能够高效处理电力巡检图像,及时发现故障隐患。然而,由于数据整合困难及数据隐私保护等原因,单个电力公司或第三方机构可能不足以训练出高性能模型。为解决这一问题并激励更多参与方加入面向电力巡检图像目标检测的联邦学习,该文构建了基于模型公平和基于收益公平的电力巡检图像目标检测联邦激励机制。基于模型公平的激励机制适用于所有参与方都是数据拥有方的情况,通过贡献评估分配不同性能的模型;基于收益公平的激励机制针对同时存在数据拥有方和数据需求方的模式,数据拥有方获得相应的收益,而数据需求方获得高性能模型。实验结果显示,在这两种激励机制中,公平性相关系数分别可达到0.96和1。这表明所提出的激励机制可有效地提升公平性,并能够激励更多的参与方加入到面向电力巡检图像目标检测的联邦学习中。