基于改进YOLOv7的光伏组件红外图像热斑目标检测方法

太阳能是新能源领域的一个重要方向。热斑效应是光伏组件发生故障的主要原因之一,如何快速、准确地检测出光伏组件的热斑区域是目前的研究重点。针对光伏组件热斑红外图像数据集稀少、检测热斑时算法特征提取不充分以及定位不准确等问题,提出一种基于改进YOLOv7的光伏组件红外图像热斑目标检测方法。首先采用网格掩码和图像弹性变形的混合数据增强方式对现有的少量热斑数据集进行数据的有效扩充;同时在算法中加入注意力机制,使提取特征过程中可以进行跨维度信息交互来获取热斑图像的关键权重。相较于YOLOv7算法,改进后算法的检测精度(AP50)由原本的97.11%提升至98.12%,并且推理速度在GPU为RTX 4000的设备上达到31.4 frame/s。实验结果表明,所提方法提升了光伏组件热斑的检测精度与推理速度,能够基本满足光伏电场的实际应用需求。

隧道环境下基于深度学习的轻量级安全帽检测方法

隧道施工现场人员不按规定佩戴安全帽是事故发生的主要原因之一,使用安全帽检测算法能有效监督作业平台上所有人员安全帽佩戴的情况,及时作出风险预警,降低安全事故发生的可能。然而,工业上常用的安全帽检测算法计算复杂度较高,很难适用于隧道环境中的嵌入式移动设备,已有轻量级算法又很难在隧道光线差、背景复杂的条件下保持检测精确度。针对上述问题,文中提出一种基于改进YOLO_v3的轻量级安全帽检测算法,构建运算量较低的卷积模块LW_Conv,并以此改造主干网和特征金字塔。实验结果表明,改进算法的FLOPs约为YOLO_v3的10%,平均正确率(AP)比Tiny_YOLOv3高2%。