-
题名铁塔航拍图像中鸟巢的YOLOv3识别研究
被引量：14
- 1
-
-
作者
钟映春
孙思语
吕帅
罗志勇
熊勇良
何惠清
-
机构
广东工业大学自动化学院
广州市树根互联技术有限公司
广州优飞科技有限公司
国家电网江西省萍乡供电公司
-
出处
《广东工业大学学报》
CAS
2020年第3期42-48,共7页
-
基金
广东省自然科学基金资助项目(2018A0303130137)
广东省高性能计算重点实验室开放项目(TH1528)
广东省哲学社会科学规划学科共建项目(GD18XJY05)。
-
文摘
电力铁塔上的鸟巢、风筝等异物会严重影响电力架空输电线路的安全性。无人机在巡检过程中会针对电力铁塔进行专门拍照,检测识别铁塔上是否存在鸟巢等异物。针对经典YOLOv3算法在识别铁塔航拍图像中的鸟巢时存在识别精度不高、识别效率偏低、权重参数规模过大等不足,提出了改进方法。首先,设计了改进算法的总体架构,并构建了图像数据集;其次,分别从预测框的宽高损失函数、预测类别不平衡损失函数和神经网络结构等3个方面对经典YOLOv3算法进行改进。实验结果表明,本文的改进措施切实有效,可以在提高识别精度的同时大幅度减小权重参数规模,且识别效率良好。此外,对YOLOv3的改进方法而言,改进其神经网络结构的效果明显好于其他改进措施,为将来在无人机巡检过程中实现实时检测识别目标物奠定了重要基础。
-
关键词
高压电力线巡检
图像检测
鸟巢识别
YOLOv3算法
神经网络
-
Keywords
high-voltage power transmission line inspection
image detection
bird’s nest recognition
YOLOv3 algorithm
neural network
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于DSSD的接触网鸟窝识别检测研究
被引量：7
- 2
-
-
作者
周俊
陈剑云
-
机构
华东交通大学电气与自动化工程学院
-
出处
《华东交通大学学报》
2019年第6期70-78,共9页
-
文摘
随着中国电气化铁路里程的迅速增长,接触网的安全稳定运行面对巨大的压力,对其进行监测拥有重要意义。针对影响电气化铁路接触网正常工作的鸟害问题进行研究,通过对不同深度学习模型进行分析比较,选择DSSD模型以自动识别高速铁路接触网沿线。同时使用迁移学习的方法,运用Caffe平台,在数据集不足的情况下,通过微调训练好的DSSD网络,提高了鸟窝识别训练网络的泛化性和稳定性。训练完的模型具有更快的识别速度和更好的鲁棒性,对于接触网安全稳定运行拥有重要的参考意义。
-
关键词
DSSD网络
鸟窝识别
迁移学习
深度学习
-
Keywords
DSSD network
bird nest recognition
transfer learning
deep learning
-
分类号
U225
[交通运输工程—道路与铁道工程]
-
-
题名基于改进Yolov4的输电线路鸟巢轻量级检测算法
被引量：5
- 3
-
-
作者
韦庚吾
李英娜
-
机构
昆明理工大学信息工程与自动化学院
云南省计算机技术应用重点实验室(昆明理工大学)
-
出处
《电力科学与工程》
2022年第10期64-72,共9页
-
文摘
针对复杂背景图像中输电线路鸟巢识别检测精度低、实时性能不高的问题,提出一种改进Yolov4的输电线路鸟巢检测模型。首先,以Yolov4网络为基础检测模型,并采用MobileNetV2作为骨干特征提取网络。为增强骨干网络的表征能力,在MobileNetV2网络的逆向残差模块后加入混合域注意力机制CBAM(convolutional block attention module),并将CBAM中通道注意力模块的全连接网络替换为局部通道交互的一维卷积,以避免因降维操作导致的特征损失。然后,通过使用自适应特征融合结构来加强高层和低层特征语义之间的信息融合,以减少不同尺度特征之间关联所产生的冗余信息带来的负面影响。最后,为提高模型对受遮挡鸟巢图像的泛化能力,在数据增强时结合随机擦除策略。实验结果表明,对比初始的Yolov4,改进后模型的m AP(meanaverage precision)值提高了3.75%,模型大小压缩为原来的20.1%,检测速度达到53帧/s。
-
关键词
输电线路
鸟巢识别
MobileNetV2
注意力机制
自适应特征融合
-
Keywords
transmission line
bird’s nest recognition
MobileNetV2
attention mechanism
adaptive spatial feature fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习与视觉显著性的输电线路鸟巢识别
- 4
-
-
作者
张辉
-
机构
中国电建集团贵州电力设计研究院有限公司
-
出处
《电工技术》
2024年第21期130-135,共6页
-
基金
中国电建集团贵州电力设计研究院有限公司科技项目“新一代输电线智慧运维关键技术的研究与推广”(编号GZEDKJ-2024-17)。
-
文摘
探索从无人机巡线影像中自动识别鸟巢对于输电线路的安全运行具有重要意义,因此提出了一种融合视觉显著性与深度学习的鸟巢识别方法。首先利用视觉显著性算法提取显著性图,将其与可见光图像进行融合,使得融合图像既具备可见光图像特征信息丰富的优点,又具备显著性图鸟巢目标显著的优点;然后将融合图像输入深度学习模型进行训练,模型构建了特征金字塔以满足多尺度鸟巢目标识别的需要;最后利用分类和回归子模型进行输出,得到鸟巢识别结果。实验结果表明,该方法能准确识别不同背景、塔型、拍摄角度和拍摄距离的图像,稳健性和泛化性较好,Precision、Recall及IoU精度指标值分别为0.9765、0.9651及0.9579,精度要优于几种流行的深度学习模型。
-
关键词
视觉显著性
深度学习
鸟巢识别
图像融合
特征金字塔
-
Keywords
visual saliency
deep learning
bird nest recognition
image fusion
feature pyramid
-
分类号
TM755
[电气工程—电力系统及自动化]
-
