一种改进注意力机制的输电线路防外破隐患检测方法研究

本文设计了一种基于Fusion-CBAM目标检测算法,对其模型结构进行优化以解决复杂场景下的目标遮挡问题。实验结果表明,与原始的Yolov5方法相比,该方法添加具备channel-Spatial dimensional interaction的注意力模块,以引导模型关注被遮挡的施工机械目标,进一步提升了算法的检测性能。

基于机载点云和单目影像的输电线与机械设备碰撞检测

在施工现场,由于塔吊等工程机械接触输电线路所导致重大安全事故频发。本文提出基于机载点云和单目影像的检测输电线路附近异物安全威胁的论证方法,拟对施工过程中可能出现的异物触电安全隐患问题进行监控及预警,避免安全事故的发生。首先,通过无人机采集施工区域的点云数据,提取电力线并建立其OBB包围盒。然后,利用摄像头拍摄电力线附近的挖掘机影像,运用深度学习方法框选挖掘机并获取选框四个顶点的像素坐标。为了将像素坐标映射至点云中得到三维坐标,需手动选择影像和点云中对应的4对点坐标,并运用PnP算法计算外参R和t。最后基于挖掘机属性,计算其OBB包围盒,并检测其与电力线OBB包围盒是否发生碰撞。为验证本文方法的可行性,选取南方某供电局下3个输电线路电塔附近的点云和影像数据进行实验操作。结果表明,本文方法能够基于现有机载激光点云和单目影像数据对室外输电线附近异物进行有效的安全检测,可提升施工现场对安全隐患排查的效率。

一种输电线路边、端协同检测方法和系统实现

输电线路在日常运行中受环境等因素影响会出现不同程度的配件老化、破损,导致输电、负载能力无法满足运营安全需求。为解决传统人工桥检作业难度大、检测时间长、工作空间受限等问题,提出一种基于无人机和深度学习的一体化输电线路巡检系统。系统基于卷积神经网络技术,采用YOLOv7目标检测算法对无人机采集的图像进行检测。首先通过事先设计的飞行路径和实时拍摄采集图像,其次传送到事先部署于无人机边缘盒子中的目标检测模型进行检测,最后将检测结果通过边缘盒子发送至使用者的APP。

基于目标检测与特征匹配测距的输电线路防外破监测方法

本文基于双目摄像机,提出一种结合目标检测与特征匹配测距的输电线路外力破坏隐患检测方法,首先通过改进YOLOv4模型检测出图像中的隐患目标区域;再利用LoFTR模型对双目摄像机所拍摄左右图像中的隐患目标区域进行特征匹配,计算区域中若干特征匹配对的像素差均值对隐患目标进行测距。最终将隐患目标距离大于阈值的视为无关目标,排除误检,而对距离小于阈值的目标,则通过deepsort目标跟踪算法计算停留帧数,根据停留时长进行告警判读,实现自动化、高准确率、高实用性的输电线路防外破监测。

基于单目深度估计的输电线路防外破监测方法

基于单目摄像机,提出一种结合目标检测与单目深度估计的输电线路防外破监测方法,在采用目标检测模型获取图像内施工机械位置信息的基础上,结合Transformer编码器(一种采用自注意力机制的深度学习模型)和CNN解码器(一种采用卷积神经网络的深度学习模型)的强大性能,直接建立RGB彩色像素与深度值之间的关系映射,在单一图像上进行深度估计。

基于改进PointPillars点云目标距离判断分析方法

结合Point Pillars点云目标检测算法,提出了一种引入自注意力机制的改进Point Pillars算法用于检测输电线路巡线点云的目标物体,提升了点云物体检测网络PointPillars在点云目标物体检测的准确率,降低了点云目标识别的误报率。实验结果表明,与原始的PointPillars方法相比,在不改变PointPillars的检测效率高的优势下,进一步提升了算法的性能。

基于CascadeR-CNN算法的输电线路小目标缺陷检测方法

输电线路无人机航拍图像缺陷识别是维护线路安全运行的重要巡检手段,但目前的识别算法对于销钉、螺母等小目标缺陷存在识别精确度低、易漏判等问题。将Cascade RCNN算法应用于输电线路缺陷检测中,利用ResNet101网络进行特性提取,增强的网络的特征提取能力,并利用多层级联检测器对输电线路小目标进行判别和分类。基于无人机航拍图像数据集进行实验,实验结果表明,相比于Yolov3检测器和Lighthead R-CNN检测器,Cascade R-CNN算法提高了小目标缺陷检测中的召回率和精确度。