基于Faster R-CNN算法的变电站 设备识别与缺陷检测技术研究

变电站作为电力运输的中转站,是城市运转,人民生活的重要基础设施。变电站在运行过程中,经常发生由于位置偏僻,不支持机器人和无人机直接进行探测而造成的设备运作温度检测不及时的问题。传统的变电站设备缺陷识别算法是基于机器学习算法,精确度低,只适合单个设备类别的缺陷检测,易受到环境影响。基于此,文中出一种改进的识别变电站设备红外缺陷方法。首先,基于Faster R-CNN的目标设备检测,对6种类型的变电站设备包括套管、绝缘体、电线、电压互感器、避雷针和断路器进行目标检测,以实现设备的精确定位;然后,基于稀疏表示分类（SRC）来识别不同的类,因此可以获得输入样本的实际标签;最后,基于温度阈值判别式算法,在设备区域中识别温度异常缺陷。文中算法实现了在红外线图像下的设备识别和检测,使用文中算法对6类设备的红外图像进行检测,准确率达到91.58%,不同类型设备的缺陷识别率为97.63%,缺陷识别准确率达到87.62%。实验结果表明该方法的有效性和准确性。     

改进Faster R-CNN的微型扁平电机FPC表面焊点缺陷检测

目前微型扁平电机制造厂仍采用人工观察法对电机FPC板焊点的焊接质量进行检测,其检测准确率低、速度慢。针对这一问题,提出了一种基于改进Faster R-CNN的缺陷分类检测方法。首先通过多尺度特征融合网络对VGG16的最后两层网络进行融合后,代替原Faster R-CNN中区域候选网络的输入特征图,然后从三个不同深度的多尺度特征融合算法比较改进后网络的准确率、召回率和分数。试验结果表明：改进后的两层多尺度融合特征图代入模型,其缺陷分类检测准确率均值为91.89%,比传统模型增加了7.72%;与其他二种模型相比,改进后的模型分类检测准确率和精度是最高的。     

基于改进Faster R-CNN的绝缘子缺陷检测识别与定位

针对现有算法对绝缘子检测精度不高的问题,在Faster R-CNN算法的基础上进行改进,利用检测效果更好、性能更优的ResNet50代替原始VGG网络进行缺陷识别。实验结果表明,改进算法在数据集上的mAP达到77.29%,召回率达到87.55%,与其他经典算法相比具有更好的准确性与较强的实时性。     

基于改进 Faster R-CNN 的棉布包装缺陷检测的 方法研究

由于传统检测算法对棉布包装缺陷检测不够准确、对小目标缺陷识别率不够高,所以提出改进的Faster R-CNN深度学习网络,对棉布包装存在的破损、污渍、孔洞、杂质、线头等5种缺陷进行检测。通过对图像进行预处理实现图像增强,然后改进Faster R-CNN中的RPN和ROI结构,为加强小目标缺陷的检测能力,在主干网络中融合特征金字塔网络结构,最后对ROI进行双线性插值以解决多次量化引起的像素偏差问题。实验表明,改进后的网络对棉布包装表面缺陷检测的平均精度均值mAP为91.34%,与传统算法相比,mAP值提高了9.08%。     

基于改进的Faster R-CNN的电力部件识别

传统的图像识别方法不能有效地检测出电力部件的具体位置,同时在干扰物较多的场景下识别准确率较低。针对上述问题,提出来一种改进的Faster R-CNN的电力部件识别算法,使用深度卷积网络自动从图像中提取最适合电力部件特征。Faster R-CNN方法,利用"Hot Anchors"代替均匀采样的锚点来避免大量额外的计算,提高检测效率。最后,21检测框架被修改成4类电力部件检测。实验结果表明:改进的Faster R-CNN的电力部件识别算法,在检测效率和准确率方面分别提升了16.1%和3.8%。     

改进型Faster R-CNN网络在电子元件LED气泡缺陷检测中的应用

电子元件LED缺陷当前主要检测方法是通过效率低下的人工目检,而传统机器视觉检测速度慢,且识别精度通常难以满足实际应用要求.为了克服这些缺点,提出了一种改进的Faster R-CNN网络为框架的电子元件气泡缺陷检测方法.为了提高网络的鲁棒性和泛化能力,对数据集以添加噪声、改变亮度的方式进行扩充.以Resnet50和FPN...     

基于Faster R-CNN的破片群图像目标检测研究

在研究战斗部战斗力与评价目标毁伤效能时,战斗部爆炸破片运动参数测试属于至为关键内容.破片的高速、小尺寸、多目标、发散性等特征和强火光烟尘环境使得破片群目标的检测和处理更有挑战性.经深入研究与探讨,提出了基于快速卷积神经网络(Faster R-CNN)的复杂背景下破片群检测法.破片图像通过Fast R-CNN的多层卷积和...     

基于改进Faster R-CNN的电厂雨排口污染物泄漏检测

针对监控图像中电厂雨排口出现的废弃油污泄漏问题,提出一种基于改进Faster区域卷积神经网络(Faster R-CNN)的电厂雨排口污染物泄漏检测算法。改进Faster R-CNN检测算法首先使用ResNet-50作为主干网络,在此基础上构建多尺度特征图金字塔结构(FPN),实现高层语义和低层语义之间的信息融合,提高了检测精度;其次采用CIoU损失和DIoU-NMS方法,提高Faster R-CNN中边框回归的准确度;最后引入Focal Loss损失函数,解决了区域建议网络(RPN)生成的锚点冗余导致R-CNN阶段出现正负样本不均衡问题。实验结果表明,此改进算法在真实样本中表现良好,平均准确率达到90.2%,与原Faster R-CNN算法相比较,准确率提高,误报率和漏报率明显下降,可有效应用于实际生产环境中。     

基于双特征融合的改进 R-CNN 电力小金具缺陷检测方法研究

电力金具作为输电线路中的不可缺少的关键部件,对电力稳定传输提供了保障,一旦电力金具出现缺陷,就会带来巨大的隐患,造成输电设施的损坏甚至大面积停电事故,影响人们的生产和生活。传统的输电线路检修主要依靠人工现场进行巡检,不仅危险程度高,辨识难度也比较大。人工智能识别技术的不断进步,为电力金具的缺陷识别提供了更好的方法。目前Faster-RCNN算法的目标识别准确率高,但对于螺钉等小金具目标物体的识别率相对较低。本文首先通过双特征融合算子提取特征并进行标记后,输入引进混合注意力机制改进的Faster R-CNN模型中,进行特征再提取,融合重合度较高的特征,并进行缺陷的分类和识别,能够对电力小金具中的螺钉进行高效的辨识。实验结果表明,本文双特征融合的改进Faster R-CNN模型相较于传统的Faster R-CNN模型和YOLO模型的提升效果明显,模型的平均准确率提升了5%,平均精度提升了11%,在保障算法实时性的同时对螺钉等电力小金具具有较好的检测效果。     

基于样本扩充的Faster R-CNN电网异物监测技术EI北大核心CSCD

电网公司的巡检工作主要依靠人工完成,需要大量人力物力,且实时性较差。针对该问题,提出一个基于区域推荐卷积神经网络的图像目标监测系统,其中核心算法为Faster R-CNN算法。利用深度学习对摄像装置所采集的现场图像进行分析,执行目标检测任务,若发现威胁电网安全运行的隐患将及时通知工作人员。深度学习发挥其优势需要有效样本达到一定数量,包含隐患的真实样本较少,有些异物种类甚至没有合适的样本,往往不能满足深度学习算法的训练要求。因此研究了一种用于扩充样本的样本生成算法,将隐患目标与背景图像按照一定规则进行融合,达到批量扩充样本集的目的。使用该算法生成的样本进行测试,测试结果表明扩充后的训练集可以使系统性能得到一定提升。此外,通过测试发现,对训练集做一定的预处理可以提升模型的识别性能。     

基于双流 Faster R-CNN 的像素级图像拼接 篡改定位算法

基于双流Faster R-CNN的图像拼接篡改定位算法因综合考虑彩色图像及其噪声图像作为输入而获得良好性能.但是,它仍存在两个不足,定位精度只是块级且经过隐写分析富模型产生的噪声图易夹杂大量冗余非篡改区域信息.为此,提出一种基于双流Faster R-CNN的像素级拼接篡改定位模型.针对第一个缺陷,增加一个全卷积网络分支...     

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...     

基于Mask R-CNN的复合绝缘子过热缺陷检测

针对当前基于复合绝缘子红外图的过热缺陷检测技术中存在的工作量大、智能化程度低,以及传统的图像分割方法在复杂背景下分割不精确且泛化性能差的问题,提出了一种基于实例分割网络MaskR-CNN的复合绝缘子过热缺陷检测方法.首先,该方法为提高分割精度,借鉴CascadeR-CNN的思路对MaskR-CNN网络进行改进,并在模型...     

基于改进Cascade R-CNN的输电线路多目标检测

针对无人机巡检图像中小目标难以检测、障碍物遮挡目标、正负样本不平衡等问题,提出基于改进Cascade R-CNN的输电线路多目标检测方法.改进了Cascade R-CNN的特征提取网络,基于ResNet101基础网络结构,设计6层新型特征金字塔网络(FPN)与之融合,提高了对小目标、重叠目标的检测能力;引入了高斯形式的...     

深度学习的接触网小目标缺陷识别研究

吊弦线夹螺栓是铁路接触网供电线路的重要器件,其状态会影响电力机车受流质量,于是对SSD算法进行改进：首先引入一种轻量级神经网络MobileNetV3用于前端特征提取,降低模型复杂度,以提高检测速度;其次采用CA注意力机制替换反向残差结构线性瓶颈层的SE模块,使位置信息沿空间两个方向聚合,调整后的特征层能够捕获全局远程特征信息;最后设计了特征融合模块以重构特征层,优化小目标检测层以提高对小目标的识别效果。还用CycleGAN等方法扩充训练样本,解决数据集不足的问题。实验结果表明,改进算法的模型复杂度下降,mAP@0.5和FPS分别达到95.5%和81 fps,该研究有助于接触网检测仪器向小型移动嵌入式设备转变。     

基于改进Mask R-CNN的光学元件划痕缺陷检测研究

光学元件缺陷会直接影响整个光学系统的性能,在光学元件缺陷检测中,划痕缺陷无疑是检测的难点,划痕缺陷存在着尺寸小,长宽比却比较大,易受杂质影响的问题,本文将深度学习算法应用到光学元件缺陷检测,并根据划痕缺陷的特点,对Mask R-CNN网络模型进行了改进,使算法对划痕缺陷也有了更好的检测效果。首先,将原有的ResNet更换为本文提出的CSPRepResNet,并添加ESE注意力机制,提高了特征提取的能力并减少了计算量;其次,利用K-means算法重新聚类anchor boxes的长宽比例;再次,将目标检测的损失函数由Cross Entropy改为梯度均衡化的Focal Loss,解决了正负样本不平衡问题的同时,更有利于对困难样本的检测,还可以消除离群点的影响。总体来说,检测的mAP@.5由原来的52.1%提高到57.3%,提高了5.2%,且推理速度几乎不变,可见,改进后Mask R-CNN对光学元件划痕缺陷有更好的检测效果。     

基于改进Faster RCNN的轮对踏面缺陷检测

针对目前传统图像处理算法对踏面缺陷检测存在效率不高、对环境鲁棒性不足等问题,本文提出基于改进Faster RCNN的踏面缺陷检测方法。改进的网络首先使用Resnet50作为特征提取网络,并在特征金字塔层（FPN）特征融合输出部分加入自注意力机制,加强了检测网络对小缺陷的检测能力,最后使用K-means++聚类算法对踏面缺陷数据集锚框进行聚类,并通过聚类结果定制出更适合轮对踏面缺陷的锚框。实验结果表明,改进后的Faster RCNN网络对轮对踏面缺陷检测的平均检测速度为68 ms,平均精度（mAP）达到了97.3%,对小目标缺陷的检测精度（mAPsmall）达到了39.3%。     

基于Cascade R-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 R-CNN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。     

基于现有设备的地铁接触网防冰方案研究

探讨了一种基于地铁现有牵引供电系统设备的接触网直流防冰方案,建立了防冰回路的简化结构并进行了仿真计算,分析了该方案实际应用的可行性.     

基于改进Faster R CNN的光伏电池内部缺陷检测

光伏电池近红外图像中复杂异构背景使内部缺陷检测成为一项极具挑战性的问题,为此,提出了一种基于深度学习的目标检测框架-残差通道注意力Faster R-CNN(residual-channel-attention-faster R-CNN,RCA-Faster R-CNN),该网络通过卷积层-池化层提取图像特征,再送入新颖...