-
题名基于改进YOLOv8s的配电设备红外目标检测模型
被引量：4
- 1
-
-
作者
吴合风
王国伟
万造君
张阔
姜世浩
-
机构
北京御航智能科技有限公司
-
出处
《电气技术》
2024年第3期18-23,共6页
-
文摘
随着电力巡检技术的发展,利用无人机和红外热成像技术进行巡检逐渐成为电力巡检作业的一个重要模式。针对当前网络模型对配电设备识别准确度低、模型参数量大难以部署的问题,提出一种基于红外图像的配电设备目标检测方法。首先,针对原YOLOv8s模型参数量大、模型复杂的问题,提出在骨干网络和Neck部分将部分传统Conv卷积替换为GhostConv卷积,实现模型轻量化;然后,针对原YOLOv8s模型小目标识别能力差的问题,提出增加小目标检测层,提升小目标检测能力;最后,针对原YOLOv8s模型损失函数不利于普通质量样本预测回归的问题,提出使用Wise-IoUv3损失函数,聚焦训练过程中难以拟合的锚框的预测回归。研究结果表明,改进后模型的精确率达到87%,比原模型提升了4.1个百分点;召回率达到79.1%,比原模型提升了3个百分点;平均精确率均值达到83.5%,比原模型提升了1.5个百分点;推理速度为62ms/张,可有效应用于配电设备的部件检测。
-
关键词
配电部件检测
YOLOv8s
红外图像
小目标检测层
GhostConv卷积
Wise-IoUv3
-
Keywords
power distribution component inspection
YOLOv8s
infrared images
small target detection layer
GhostConv convolution
Wise-IoUv3
-
分类号
TM642
[电气工程—电力系统及自动化]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名面向海洋应用的无人机遥感图像配准研究
被引量：9
- 2
-
-
作者
王飞
高小伟
高宁
赵建华
吴合风
孟庆辉
-
机构
国家海洋环境监测中心
国家海洋局海域管理技术重点实验室
航天图景(北京)科技有限公司
-
出处
《测绘通报》
CSCD
北大核心
2017年第11期123-127,共5页
-
基金
海洋公益性行业科研专项(201405028)
国家海洋局海域管理重点实验室基金(201509)
-
文摘
在海洋应用中,大面积水体的同名点匹配相比陆地更加困难,制约了无人机遥感图像的配准精度和收敛速度。本文提出了一种改进算法适用于海洋无人机遥感应用,采用主成分分析(PCA)和水体阈值方法去除水体,获得图像中非水体区域的分块图像,然后利用仿射-尺度不变特征变换算法(ASIFT)进行图像的特征点提取和重叠图像非水体区域的同名点匹配。通过海岛、海岸线的无人机遥感试验结果表明,基于改进算法,在不增加时间开销的情况下,可以增加30%~50%的同名点数量,精度提高约5%~10%。文中方法适应用于海洋无人机遥感的序列图像配准,为海岛、海岸线的遥感监测提供了有效的技术支持。
-
关键词
无人机
遥感
海洋应用
海岛监测
序列图像配准
-
Keywords
UAV
remote sensing
marine application
island monitoring
registration of image sequences
-
分类号
P23
[天文地球—摄影测量与遥感]
-
-
题名基于改进YOLOv4输电线关键部件实时检测方法
被引量：11
- 3
-
-
作者
郑伟
杨晓辉
吕中宾
任聪
吴合风
王超
-
机构
国网河南省电力公司
国网河南省电力公司电力科学研究院
北京御航智能科技有限公司
-
出处
《科学技术与工程》
北大核心
2021年第24期10393-10400,共8页
-
基金
国家自然科学基金(41971339)
国网河南省电力公司电力科学研究院科技项目(HGS-KJ2020-015)。
-
文摘
针对输电线路维护过程中的典型缺陷识别问题,为提高无人机(unmanned aerial vehicle,UAV)自主巡检的智能化程度,提出基于改进YOLOv4的无人机输电线关键部件实时检测模型。根据无人机视角下输电线典型目标的特点,结合MobileNet重新设计了一种轻量的特征提取网络来获取更高的特征提取效率,利用空洞模块增强感受野减少小目标的信息损失;在特征融合模块中添加自适应路径融合网络来融合更多的位置信息和语义信息,提高了多尺度目标的检测精度,减少了目标的误报率。采用构建的无人机输电线关键部件数据集来评估提出的模型。结果表明:基于YOLOv4改进的网络能够在无人机机载端实现实时多尺度目标检测,模型的平均准确率可达到92.76%,检测速度可达到32帧/秒,能够满足无人机嵌入式平台上实时检测的需求。
-
关键词
嵌入式
电力巡检
关键部件
目标检测
特征融合
深度学习
-
Keywords
embedded
power inspection
connected components
target detection
feature fusion
deep learning
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于层级识别模型的输电线路杆塔小金具缺陷识别方法
被引量：11
- 4
-
-
作者
方志丹
林伟胜
范晟
马宇
高小伟
吴合风
-
机构
广东电网有限责任公司汕头供电局
北京御航智能科技有限公司
-
出处
《电力信息与通信技术》
2020年第9期16-24,共9页
-
文摘
针对输电线路无人机巡检图像分辨率越来越高,造成的小金具缺陷目标占比小、特征相似度高,进而导致缺陷发现率低和误报高的问题,文章提出一种基于层级识别模型的小金具缺陷识别方法。首先采用级联卷积神经网络(Cascade R-Convolutional Neural Networks,Cascade R-CNN)、更快速卷积神经网络(Faster R-Convolutional Neural Networks,Faster R-CNN)和RetinaNet、YOLOv3算法分别进行算法融合得到高精度的连接金具检测模型和高实时性的小金具识别模型;然后将二者组成层级识别模型,即先对输入图片检测连接金具,再对连接金具识别小金具缺陷。实验结果表明,与直接识别小金具的模型和层级模型中未使用模型融合策略的算法相比,该算法的小金具缺陷识别平均精度均值(mean Average Precision,mAP)和查全率均可达到最高值:0.762和0.826,算法有效性得到有效验证。
-
关键词
输电线路
无人机图像
层级模型
算法融合
小金具缺陷
-
Keywords
power transmission line
UAV image
hierarchical model
algorithm fusion
small fitting defect
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
TM75
[电气工程—电力系统及自动化]
-
-
题名基于YOLO框架的无锚框输电线多种缺陷检测
被引量：5
- 5
-
-
作者
高小伟
吴合风
谭启昀
刘鹏宇
袁静
-
机构
北京御航智能科技有限公司
北京工业大学信息学部
-
出处
《测控技术》
2023年第3期24-31,共8页
-
基金
北京市自然科学基金资助项目(4212001)。
-
文摘
检测并及时修复输电线路的缺陷是电能安全输送的重要保障。针对现有检测方法存在效率低、对多尺度目标检测精度低、泛化能力差等不足,提出了一种基于无人机影像的无锚框输电线缺陷检测方法。该方法基于YOLO系列目标检测框架构建了一种无锚框的检测网络,设计了相匹配的正负样本分配方式,融入了多种优化策略,有效改善了现有方法的不足。实验结果表明,提出的方法能够同时对输电线的断股、散股、断线、烧伤和异物5种缺陷进行有效检测。相比于传统输电线缺陷识别方法和基于深度学习的缺陷检测方法SSD、Faster R-CNN、YOLOv4、YOLOv5,该方法的平均精度均值(mAP)达到78.31%,每秒传输帧数(FPS)为103.5 f/s,同时兼备检测的快速性和高精度,在5类输电线缺陷检测任务中均具有良好的性能。
-
关键词
深度学习
目标检测
输电线缺陷
YOLO框架
无锚框
-
Keywords
deep learning
object detection
power line defects
YOLO framework
anchor-free
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
