融合外部知识的输电线路多金具解耦检测方法

为了有效解决输电线路多金具检测过程中存在的目标密集和目标间相互遮挡的问题,提出了融合外部知识的多目标解耦检测方法(external knowledge decoupling R-CNN, EKD R-CNN)。首先通过深入分析金具数据集的领域规则和图像信息,提取出共现和空间知识;然后使用图神经网络方法建立共现和空间知识推理模型,将外部知识进行实例化表达;最后使用解耦模块将金具检测任务以非耦合的方式进行训练和学习。在实验阶段,对具有14类金具的数据集,进行多种定性和定量实验。对比实验表明,EKD R-CNN的检测效果优于其他先进目标检测模型,与原有基线模型相比,准确率提高6.6%;定性实验表明算法能够解决目标遮挡的问题,实现密集目标的检测;消融实验表明,每种模块对模型的检测效果均有一定的提升。     

基于遮挡关系推理的输电线路图像金具检测

实现输电线路图像典型金具的精准检测是进行其缺陷检测的前提。针对通用目标检测模型对密集分布、遮挡严重的金具检测精度较低、易出现漏检等问题,提出了一种结合金具间遮挡结构信息和场景关联信息的典型金具检测方法。基于经典的Faster R-CNN模型提取金具特征作为节点,提取整张图像特征作为金具场景关联信息,学习金具标注框间相交区域信息作为金具遮挡关系信息,并采用图同时建模金具特征、场景关联信息和遮挡关系信息,通过门控循环单元信息传递机制构建结构推理模块完成金具类别和位置的联合推理检测。为了验证所提方法的有效性,选取了8类存在遮挡连接关系的金具进行实验,其中,原始Faster R-CNN模型的mAP值为81.30%,改进模型的mAP值为84.15%。实验结果表明,本文方法一定程度上提高了遮挡严重金具的检测精度,为后续的金具故障诊断奠定良好的基础。     

基于图知识推理的输电线路缺销螺栓识别方法

针对输电线路缺销螺栓识别任务中存在的视觉不可分与样本不平衡问题,提出了基于图知识推理的输电线路缺销螺栓识别方法。首先通过知识表达模块学习到各类螺栓有判别力特征的类别表示;然后深入挖掘螺栓数据集中螺栓种类之间的相关性,提取出标签共现信息;最后将类别表示作为输入特征,以静态图和动态图的相关概率矩阵表征标签共现信息,通过知识推理模块完成图知识的传播与增强,从而实现缺销螺栓的识别。在实验阶段,将所选取的3类金具上的6种螺栓作为实验对象。对比实验结果表明,本文方法对缺销螺栓的识别效果优于其他方法,较原始模型提升了9.13%的准确率。消融实验结果表明,本文所提取的螺栓类别表示、静态图及动态图信息均能够提升缺销螺栓的识别效果。     

基于双模型的输电线绝缘子自爆检测算法

针对输电线路无人机巡检图像中绝缘子自爆缺陷目标小而难以精准检测的问题,提出一种基于Faster R-CNN和改进的YOLO v3级联双模型的绝缘子自爆缺陷检测算法。首先,利用无人机巡检图像构建绝缘子串缺陷数据集,并对训练图像样本进行翻转预处理,增加样本数量,提高模型泛化能力,避免过拟合;然后,利用Faster R-CNN检测图像中的绝缘子串,再将检测到的绝缘子串图像送入改进的YOLO v3网络进行自爆缺陷的定位。改进的YOLO v3网络是在YOLO v3基础上借鉴FPN的思想,增加特征提取层并进行特征融合,充分利用深层特征和浅层特征;同时采用CIoU Loss函数作为损失函数,以解决边界框宽高比尺度信息。实验结果表明,本文算法在所构建的绝缘子缺陷数据集上的检测准确率达到91.2%,相比Faster R-CNN或YOLO v3等单模型检测算法提升了3.31个百分点以上,能有效实现无人机巡检中绝缘子自爆缺陷的检测,为输电线路智能化巡检故障诊断提供方法支持。     

两级上下文卷积网络宽视场图像小目标检测方法

目标检测和识别已经在输电线路巡检中被广泛采用。由于图像数据量大,小目标分辨率低,现有的图像金字塔、特征金字塔和多异构特征融合等方法虽能准确地检测目标,却非常耗时,因而快速、准确地检测宽视场图像中小目标仍是一个挑战。此算法提出一个两个Faster-RCNs级联的上下文宽视场小目标检测卷积网络,首先,针对降分辨率的宽视场图像,利用一个Faster R-CNN来检测目标的上下文区域,然后,针对上下文区域对应的高分辨率原始图像,利用Faster R-CNN来检测来小目标。我们用航拍输电线路图像数据集进行了目标检测试验,试验结果表明,小目标检测方法达到了88%的检测精度,比单级Faster R-CNN检测方法具有更高的准确率。     

改进Faster R-CNN的道路目标检测

针对道路场景下各目标尺度复杂导致的检测精度低问题,提出一种面向道路目标的多尺度Faster R-CNN算法.分析数据集标注的面积及长宽比分布以设置合适尺寸的锚框,提高锚框与目标的匹配度,模型对道路小目标的平均精准度提升了13％以上.在Faster R-CNN网络的特征提取部分加入特征金字塔结构,融合不同尺度特征图的信息...     

面向输电线路的异常目标检测方法

输电线路异常目标检测是电力系统监控的重要环节。现有的检测方法并未针对输电线路场景进行有效设计,存在深度网络所提取的特征不够充分,在目标环境多变、尺度变化等影响下缺乏鲁棒性等问题。本文提出一种面向输电线路的异常目标检测方法,该方法采用HRNet作为主干网络提取高分辨率特征,结合HRFPN优化目标特征表示的质量与在RPN阶段均衡产生的正负锚点数量比例,并使用级联的目标检测器进行分类和边界框回归。在输电线路场景的检测结果表明,本文提出的方法具有更高的检测性能,优于Faster R-CNN、Cascade R-CNN。     

基于Faster R-CNN的多任务增强裂缝图像检测方法

针对Faster R-CNN算法对多目标、小目标检测精度不高的问题,本文提出一种基于Faster R-CNN的多任务增强裂缝图像检测(Multitask Enhanced Dam Crack Image Detection Based on Faster R-CNN, ME-Faster R-CNN)方法。同时提出一种基于K-means的多源自适应平衡TrAdaBoost的迁移学习方法(multi-source adaptive balance TrAdaBoost based on K-means, K-MABtrA)辅助网络训练,解决样本不足问题。ME-Faster R-CNN将图片输入ResNet-50网络提取特征;然后将所得特征图输入多任务增强RPN模型,同时改善RPN模型的锚盒尺寸和大小以提高检测识别精度,生成候选区域;最后将特征图和候选区域发送到检测处理网络。K-MABtrA方法利用K-means聚类删除与目标源差别较大的图像,再在多元自适应平衡TrAdaBoost迁移学习方法下训练模型。实验结果表明:将ME-Faster R-CNN在K-MABtrA迁移学习的条件下应用于小数据集大坝裂缝图像集的平均IoU为82.52%,平均精度mAP值为80.02%,与相同参数设置下的Faster R-CNN检测算法相比,平均IoU和mAP值分别提高了1.06%和1.56%。     

基于改进Faster RCNN的输电线路航拍绝缘子检测

为提高航拍图像中输电线路绝缘子的检测准确性,提出一种改进的Faster RCNN网络模型.在原始Faster RCNN网络模型上运用多尺度训练,同时根据绝缘子自身特性调整滑动窗口产生的候选区域比例,并引入检测困难样本的对手生成策略,实现不同尺寸及部分遮挡输电线路绝缘子的准确检测.实验结果表明,改进的Faster RCNN网络模型相比原始Faster RCNN网络模型的检测精确度提升了4.33个百分点,能更准确地检测出目标绝缘子.     

基于改进Faster RCNN的输电线路航拍绝缘子检测

为提高航拍图像中输电线路绝缘子的检测准确性,提出一种改进的Faster RCNN网络模型.在原始Faster RCNN网络模型上运用多尺度训练,同时根据绝缘子自身特性调整滑动窗口产生的候选区域比例,并引入检测困难样本的对手生成策略,实现不同尺寸及部分遮挡输电线路绝缘子的准确检测.实验结果表明,改进的Faster RCNN网络模型相比原始Faster RCNN网络模型的检测精确度提升了4.33个百分点,能更准确地检测出目标绝缘子.     

改进Faster R-CNN模型的CT图磨玻璃密度影目标检测

目的 针对Faster R-CNN （faster region convolutional neural network）模型在肺部计算机断层扫描（computed tomography，CT）图磨玻璃密度影目标检测中小尺寸目标无法有效检测与模型检测速度慢等问题，对Faster R-CNN模型特征提取网络与区域候选网络（region proposal network，RPN）提出了改进方法。方法 使用特征金字塔网络替换Faster R-CNN的特征提取网络，生成特征金字塔；使用基于位置映射的RPN产生锚框，并计算每个锚框的中心到真实物体中心的远近程度（用参数“中心度”表示），对RPN判定为前景的锚框进一步修正位置作为候选区域（region proposal），并将RPN预测的前景/背景分类置信度与中心度结合作为候选区域的排序依据，候选区域经过非极大抑制筛选出感兴趣区域（region of interest，RoI）。将RoI对应的特征区域送入分类回归网络得到检测结果。结果 实验结果表明，在新冠肺炎患者肺部CT图数据集上，本文改进的模型相比于Faster R-CNN模型，召回率（recall）增加了7%，平均精度均值（mean average precision，mAP）增加了3.9%，传输率（frames per second，FPS）由5帧/s提升至9帧/s。特征金字塔网络的引入明显提升了模型的召回率与mAP指标，基于位置映射的RPN显著提升了模型的检测速度。与其他最新改进的目标检测模型相比，本文改进的模型保持了双阶段目标检测模型的高精度，并拉近了与单阶段目标检测模型在检测速度指标上的距离。结论 本文改进的模型能够有效检测到患者肺部CT图的磨玻璃密度影目标区域，对小尺寸目标同样适用，可以快速有效地为医生提供辅助诊断。     

基于词共现与图卷积的文本分类方法

针对文本分类任务中标注数量少的问题,提出了一种基于词共现与图卷积相结合的半监督文本分类方法。模型使用词共现方法统计语料库中单词的词共现信息,过滤词共现信息建立一个包含单词节点和文档节点的大型图结构的文本图,将文本图中邻接矩阵和关于节点的特征矩阵输入到结合注意力机制的图卷积神经网络中实现了对文本的分类。实验结果表明,与目前多种文本分类算法相比,该方法在经典数据集20NG、Ohsumed和MR上均取得了更好的效果。     

基于YOLO框架的血细胞自动计数研究

血细胞检测和计数是血液检验中的一项重要内容，大量细胞显微图像形态多样、目标较小且背景复杂，自动识别血细胞仍然是一项具有挑战性的任务。为解决血细胞检测中复杂小目标识别问题，基于一阶段深度检测YOLO框架，提出了一种新颖的YOLO-Dense网络模型。通过使用[K]-means算法对锚框进行聚类，获得三种不同大小的潜在待识别目标的锚框，并在YOLO基础网络中引入残差模块和特征金字塔的多尺度模块，以提高对小目标的识别精度；通过跳层连接进行残差训练，有效解决深度网络梯度弥散和爆炸等问题；通过在网络架构中增加密集连接模块，使得提出的模型能够有效提升网络推断速度。实验结果表明：YOLO-Dense网络均值平均精度mAP和检测时间分别为0.86和24.9 ms。相比Faster R-CNN和原始的YOLO网络，YOLO-Dense模型在血细胞检测上取得了最好的性能。