基于Faster R-CNN级联的输电塔螺栓缺失检测

螺栓缺失样本数据量过小,直接检测螺栓缺失效果不理想;由于输电塔所处地理环境复杂,数据采集时无人机拍摄角度、距离等因素各异,螺栓影像背景复杂,信噪比低,检测效果较差;螺栓作为小目标物,受限于尺寸,特征表达能力弱,一直是目标检测中的难题.针对上述问题,提出基于深度卷积神经网络Faster R-CNN级联的输电塔螺栓缺失检测...     

深度学习目标检测算法在架空输电线路绝缘子缺陷检测中的应用研究综述

传统架空输电线路绝缘子缺陷检测一般通过人工巡检方式进行。架空输电线路的数量增长使巡检规模更加庞大、巡检环境更加复杂,放大了传统绝缘子缺陷检测方法人力成本高、检测效率低的不足。无人机(unmanned aerial vehicle, UAV)等新型巡线方式依靠深度学习目标检测算法识别架空输电线路绝缘子缺陷,能够有效应对人工巡检的不足,是绝缘子缺陷检测的发展趋势。鉴于此,围绕架空输电线路绝缘子缺陷检测场景,首先梳理常用的深度学习目标检测算法,比较不同算法的检测策略、检测精度与检测速度;然后结合云–边–端协同架构说明算法的改进需求与相应改进方法;最后针对现有绝缘子检测方面的不足,展望了输电线路绝缘子中多类型缺陷的识别问题,并在这一研究趋势下进一步探讨了模型边缘端轻量化与针对小样本数据下的算法研究价值。     

基于深度学习的输电线路视觉检测方法研究进展

输电线路巡检是电网持续稳定供电的保障,其目的是对电力线、绝缘子、电力杆塔、防振锤等线路设备进行状态检测和故障诊断,同时观测电力线周围潜在隐患。深度学习的发展为输电线路巡检提供了有效手段,与传统目标检测方法相比,深度学习方法能更有效地实现航拍图像中电力设备的识别及缺陷检测。该文综述近十年来基于深度学习的输电线路视觉检测方法的研究进展。首先,概述适用于输电线路巡检的深度卷积神经网络,包括分类网络、检测网络、语义分割网络,考虑到开发的深度学习网络模型便于在移动设备上应用,另外阐述轻量化网络;然后,重点阐述基于深度卷积神经网络的输电线路巡检图像数据目标检测;随后介绍7个电力设备数据集以及性能评价指标;最后,指出基于深度学习的输电线路巡检图像数据视觉检测方法目前存在的问题,并对进一步的工作进行展望。     

PCB缺陷检测深度学习算法的精度改进

本文以YOLOv5目标检测算法为基础算法,针对PCB缺陷检测进行了提高精度的改进。首先通过实验选取了合适的数据增强方法。针对PCB缺陷尺寸小的问题,在原有的3个检测头基础上增加了P2检测头。设计全新的PANet多特征融合结构,实现高效的双向跨尺度连接和加权特征层融合。针对PCB背景复杂的问题,引入了CBAM注意力模块以增强图像信息。引入了Transformer模块来增强算法,以提高捕捉不同位置的PCB缺陷信息的能力。最终通过这些改进,在检测速度FPS仅下降7.2的情况下,检测算法的mAP精度提高了11.3%。     

基于深度学习的目标检测算法综述

传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求.深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法.首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向.     

基于深度学习的变电设备缺陷检测

变电设备缺陷是影响电网平稳运行的重要因素,及时发现变电设备缺陷在提升电网可靠性、供电质量、运维水平等方面都具有重要意义.随着视频监控、智能巡检机器人等设施在变电站的逐渐普及,传统人工诊断方法难以应对海量的监控图片.因此本文提出一种基于深度学习的变电设备缺陷检测方法来快速检测监控图片中的缺陷,使用单阶段目标检测算法YOL...     

基于深度学习的PCB缺陷检测研究

印刷电路板(PCB)是保障电子设备产品可靠性的关键因素.因此,对于PCB板的缺陷检测是一项基本和必要的工作.当前PCB缺陷检测方面已经取得了很大进步,但由于PCB板缺陷的多样性、复杂性以及微小性,传统检测方法仍然难以应对.针对PCB板复杂性和微小性问题,文中提出了一种基于深度学习的PCB微小缺陷检测网络,命名为UF-N...     

输电线路均压环安装工艺检测方法*

加装均压环是改善复合绝缘子电场分布的有效措施。复合绝缘子均压环还有引弧、防止金具电晕、降低芯棒端部场强等作用。面对海量的复合绝缘子均压环安装工艺的排查,现有人工排查的方式已不能满足要求。随着无人机精细化巡检技术和图像识别技术的发展,利用无人机机巡图像结合深度学习目标检测方法,可实现架空输电线路复合绝缘子均压环安装工艺检测,对海量复合绝缘子均压环安装工艺进行排查。     

基于改进的YOLOv4输电线路小目标检测

传统的目标检测方法在检测输电线路小目标时,往往存在检测效果不佳,容错率低等问题,针对这种情况,提出一种基于改进的YOLOv4的输电线路小目标检测算法.为了提高输电线路小目标的检测效率,采用一种简化版的YOLOv4算法,减少特征层的使用,从而降低网络计算量.针对输电线路小目标这一特定应用,利用K-means++算法重新进...     

基于深度学习的目标检测算法在电力巡检上的应用综述

面向电力巡检的目标检测是指对无人机采集到的图像进行分析,检测电力线路中的部分缺陷,从而对线路及时检修,保证电力系统能正常工作。基于深度学习的目标检测算法能高效处理大量的图片数据,其处理结果能应用于电力目标的故障诊断等任务,且众多算法的检测精度和速度都优于传统人工设计的机器学习方法。本文对基于深度学习的目标检测算法在电力巡检上的应用进行了较为全面的综述,并对比分析各种算法的优缺点,总结电力巡检领域的发展现状,还讨论了目标检测算法的未来发展趋势以及应用在电力巡检领域所面临的挑战。     

基于深度学习的线束端子外观缺陷检测技术研究

为解决接触件端子与线束压接过程中会出现未成功压接、压接不到位、芯线外漏等质量问题,提出一种基于传统机器视觉和深度学习相结合的方法实现线束端子外观缺陷智能检测。首先搭建视觉检测系统获取高质量的线束端子外观图像,接着应用传统机器视觉中的图像预处理、图像滤波、最小二乘法实现剥线长度的在线检测,然后人工标注线束端子外观缺陷并构建样本数据集,最后利用深度学习算法实现线束端子外观缺陷的智能检测。试验结果表明,该视觉检测系统与人工检测对比误差小于0.01 mm,模型缺陷识别准确率为99.33%,漏检率为零,单张图像推理耗时5.6 ms。该系统运行稳定可靠,满足实际生产需求。     

基于深度学习的架空输电导线缺陷检测方法研究

无人机巡检图像中,架空输电导线断股、表面磨损等缺陷存在人工复检效率低、误检漏检率高的问题,为此提出了一种基于深度学习的架空输电导线缺陷智能检测方法。该方法以Unet为基础网络,结合迁移学习的思想,将VGG16(visual geometry group,16 weight layers)作为主干特征提取网络,并且将VGG16在ImageNet数据集上训练的权重作为预训练权重,以增强训练效果;然后将网络中的普通卷积用深度可分离卷积代替,有效地减少了网络的参数量;最后引入轻量级的高效通道注意力模块(efficient channel attention,ECA),实现不降维的局部跨信道交互策略,突出重要特征的同时克服了性能和复杂性之间的矛盾。在自建的输电导线缺陷数据集上,对方法进行了功能与性能测试,实验结果表明所提方法在导线断股检测上的准确率达到89.81%,在表面擦痕检测上的准确率达到90.86%,在表面刮损检测上的准确率达到93.58%,平均交并比(mean intersection over union,MIoU)值为86.12%,单张检测速度相对于Unet网络提升了8倍左右,提高了...     

基于深度学习的无人机巡检架空输电线路金具锈蚀缺陷检测方法

为了提升架空线路无人机巡检效率,提高架空线路金具锈蚀缺陷智能检测效率,提出了一种基于深度学习的巡检架空线路销钉缺陷检测方法。由于架空输电线路的金具锈蚀缺陷智能检测存在环境背景大、目标小、拍摄角度和拍摄光线差异大等特点,采用图像预处理算法拓充数据集,将MobileNet替换YOLO的主干特征提取网络来提升算法的泛化能力和鲁棒性,并用实际巡检图像进行实验测试。测试集验证中,当置信度阈值取0.5时,P为0.92、R为0.84、A_P为91.34%。结果表明,此方法对架空线路金具锈蚀缺陷有较好的检测效果,可以给设备健康状态评估提供参考。     

基于深度学习的色环电阻检测与判读方法研究

色环电阻作为常用的电子元器件,其阻值主要通过色环颜色表示。色环颜色依靠人工判断,效率低且误检率高。传统基于图像处理的色环判断,鲁棒性不高、受光照等物理因素影响较大。基于此,提出了一种基于深度学习的色环检测及判读方法。首先利用提出的目标检测算法实现色环检测和电阻本体检测,其次利用提出的颜色关系匹配方法结合检测结果,判断色环与电阻本体的从属关系并进行色环排序。最后利用提出的阻值推断方法,结合色码表,完成色环电阻的实时检测与判读。实验结果显示,相较于其他检测算法,该算法在色环检测的准确度上有更好的表现,达到98.71%,且网络的参数量仅10.61M、计算量仅31.68GMAC。在测试集上随机抽取20张图片进行验证,阻值判读的准确率高达98.59%。     

基于深度学习的图像目标检测算法研究

目前,基于深度学习的目标检测和图像处理的应用范围非常广。在图像处理方面,加入了深度学习能够使一些算法即使在复杂的环境下也能有着不错的识别效果。基于深度学习的方法,通过增加神经网络的网络层数,能够有效的提取出待识别图像的相关特征。其中,逐层设置由浅至深的网络层数就能够提高目标检测的效果。YOLOv3是一种快速的目标检测算法,但其对部分小目标的在检测,识别上不太准确。创新性的通过在基础模型上的改进和增加anchor数量的方法来实现算法的优化。通过实验令该算法在VOC 07数据集上进行验证,实验结果表明与传统未改进的YOLOv3模型相比,在精度上提高了约1.4倍。经过理论阐述和实验成果证明,所提出的方法确实具备更高的执行效果和可靠性,大大提升了模型在数据集上的平均准确率,说明此改进具有有效性和可行性。     

基于层次多任务深度学习的绝缘子自爆缺陷检测

绝缘子是电力线路中重要且使用广泛的器件,随着近年来无人机巡线的迅速普及,从航拍图像中检测绝缘子自爆缺陷成为热点问题.在航拍图像中,自爆绝缘子与正常绝缘子的区分难度相对更大,该文提出一种基于层次多任务深度学习的绝缘子自爆缺陷检测模型,使用专用的卷积神经网络区分自爆绝缘子和正常绝缘子,并结合多任务学习和特征融合方法提高分类...     

基于深度可分离卷积及SVD输电线路缺陷检测

针对输电线路实时巡检中无人机嵌入式移动端的存储和计算受限问题,在Faster R-CNN目标检测框架及VGG特征提取网络基础上,融合深度可分离卷积及SVD分解,构建了一种轻量级的输电线路缺陷检测方法。在公共的PASCAL VOC 2007与COCO数据集上的实验结果验证了所提方法的优越性。在输电线路缺陷数据集上实验,在保证检测精度不下降的同时降低了模型存储空间,提升了模型的检测速度,实现了检测的实时性。     

基于深度学习的机器人电路板自主故障检测系统

机器人在生产制造以及使用过程中,由电路板问题导致机器人故障的情况屡见不鲜,因此印刷电路板的故障检测是保障机器人可靠性的关键.基于深度学习的电路板故障缺陷检测方法不仅能够有效克服人工目视检测和线上仪器检测的弊端,提高效率,同时能为生产节省很大的成本.随着深度学习在目标检测领域的不断发展,深度学习网络可以快速准确地从图像中...     

基于深度学习的旋转目标检测方法研究进展

在遥感和场景文本图像中,目标具有方向多样性和尺度变化较大等特点,使得常见目标检测方法在这两场景中检测效果不佳,针对此问题,诞生了许多专门设计的检测方法。将朝向角度信息融入候选区域生成网络或设计专门的方向角度预测网络,是目前有朝向目标检测研究的主流方法,其对遥感和场景文本图像检测具有重要意义。本文综述了旋转目标检测在遥感和场景文本两场景中的研究现状,根据有无锚框将当前基于深度学习的旋转目标检测方法分为基于锚框的一阶段方法、基于锚框的二阶段方法和无锚框方法三类方法进行归纳分析,并从优缺点、骨干网络和适用场景等方面进行了对比。最后,对旋转目标检测方法的发展前景和研究方向进行了展望。