检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于改进SSD算法的输电线路鸟巢识别

基于改进SSD算法的输电线路鸟巢识别

作者：荚缘东北农业大学

学位级别：硕士

随着国家经济发展水平的提高、城市规模的增大,许多地方的植被被破坏,导致输电线路上有许多鸟类筑巢,这对电网的安全运行造成了极大的隐患。从架空输电线路上检测鸟巢,因为鸟巢目标太小存在人工难以识别的问题。如果全靠人眼去识别,那... 详细信息

随着国家经济发展水平的提高、城市规模的增大,许多地方的植被被破坏,导致输电线路上有许多鸟类筑巢,这对电网的安全运行造成了极大的隐患。从架空输电线路上检测鸟巢,因为鸟巢目标太小存在人工难以识别的问题。如果全靠人眼去识别,那么识别很容易出错而且人眼识别所需人数多进而导致人工费用提高,所以需要借助无人机运用基于深度卷积网络的模型对目标进行检测,这样就可以节省人工费用且提高鸟巢识别效率。本文对于输电线路巡检航拍图中鸟巢的识别问题,提出了改进的算法,来达到更自动化更高精度的自动检测。并由鸟巢数据集中图片所带的GPS信息对鸟巢进行位置定位。首先,通过无人机设备采集了6384张含GPS信息的输电线路上高清鸟巢图片,接着对图片进行一定的筛选,筛选出了适合训练和验证的6000张图片作为原始数据集。其次,为了可以自动化识别架空输电线路上的鸟巢以减少人工开支,选择深度学习的方法来进行目标检测。接着分析了目前常用的目标检测模型,使用SSD模型作为基础模型。但SSD模型在本实验中也存在一定的不足,因为本文需要检测的目标是架空电线上的鸟巢,目标特征不是很明显且比较小,所以需要对SSD模型进行改进。SSD的骨架网络为VGG16,只有16层,卷积深度不够,所以先将VGG16改为VGG19,相当于在原来的基础上增加了更多卷积层,因此获得了更好的学习效果。经过对VGG19进行大量训练后发现提升效果不明显,因此尝试加入残差块对VGG19进行进一步改进,然后利用迁移学习选择了结构和VGG19相似且由残差块组成的Res Net50。为了使Res Net50更适合鸟巢这种小目标检测的任务,进一步改进了Res Net50的损失函数,增加了中心损失的计算,得到的最优的模型Res Net50(up)。最后将Res Net50(up)分别与改进前的3种基于不同骨架的SSD模型进行了全方面对比。实验结果显示本实验改进的网络在综合指标F1和AP上的效果都较好。改进后的模型F1值从改进前的87%提高到89%,提高了2%;ap值从86.23%提高到89.02%,提升了2.79%;平均检测精度(m AP)值提高到89%,可见改进的SSD算法性能较好,可以更好的识别含GPS信息图片中鸟巢的位置。改进后的模型能较好的识别输电线路航拍图像中的鸟巢,可以对输电线路鸟巢的识别提供帮助。

关键词：鸟巢识别无人机巡检卷积神经网络改进SSD算法

基于Transformer技术改进的Yolov5鸟巢识别算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电工技术 2023年第21期 58-62页

作者：缪苗袁峰邹明翰任圣雄国网南京供电公司江苏南京210019

基于高密度遮挡下鸟巢识别正确率低的问题,提出一种基于Transformer技术改进的Yolov5变电站鸟巢识别算法模型。首先将现有Yolov5算法原本的Yolo预测头(Yolo Prediction Heads)替换为Transformer预测头(Transformer Prediction Heads,TPH),同时,为了提高对小物体的检测能力新增了一个预测头。然后嵌入卷积注意力模块(Convolutional Block Attention Module,CBAM),提取注意区域,以抵制干扰信息,关注有用的目标对象。最后利用CSPDarknet53结构设计思想,提取最终的特征图,经CSP模块将输出的特征图进行快速降维。实验结果表明,对比Yolov5算法,TPH-Yolov5算法的mAP(Meanaverage Precision)值提高了15.7%。

关键词：变电站鸟巢识别 Transformer 注意力模块

在线全文

学校读者我要写书评

暂无评论

高压电力线巡检航拍图像的鸟巢识别

高压电力线巡检航拍图像的鸟巢识别

作者：吕帅广东工业大学

学位级别：硕士

我国高压架空输电线路分布非常广泛,许多线路处于地形非常复杂的山区。在这种环境下鸟类时常在输电线路的杆塔或者绝缘子上方筑巢,这种情况严重威胁电网的安全运行。过去我国在线路巡检方面主要采用人工巡检的方式,随着技术的发展,无人... 详细信息

我国高压架空输电线路分布非常广泛,许多线路处于地形非常复杂的山区。在这种环境下鸟类时常在输电线路的杆塔或者绝缘子上方筑巢,这种情况严重威胁电网的安全运行。过去我国在线路巡检方面主要采用人工巡检的方式,随着技术的发展,无人机巡检技术就应运而生。无人机巡检过程会拍摄大量图像。目前,国家电网对这些无人机巡检航拍的图像中鸟巢的检测主要还是靠人工进行判断并标记。人工检测方式费时费力,因此有必要研究鸟巢识别的自动检测技术。本文针对高压电力线航拍图像中鸟巢识别的问题,采用深度学习技术进行研究,以达到航拍图像中鸟巢识别的高精度、高效率自动检测。本文构建了含有鸟巢的高压输电线路图像数据集,并对图像数据集进行标注及分类;通过对比多种图像识别算法,选择采用YOLOv3算法,并对YOLOv3进行改进。本文的主要贡献如下:1.构建图像数据集,对数据集中图像的标注框进行聚类处理。改进前YOLOv3中的anchor是根据COCO数据集聚类得出的,该anchor与鸟巢数据集差异大,这样会使得网络拟合速度变慢。为此,本文对鸟巢数据集的标注框进行聚类处理,得到与样本中对象尺寸更接近的anchor,这样就可以减少网络微调anchor到实际位置的难度,从而提高网络拟合的效率。2.对YOLOv3算法的损失函数进行改进。改进前YOLOv3算法的损失函数会导致大目标的误差对整体损失的代价远远小于小目标的误差对整体损失的代价,从而使小目标识别精度不高。航拍图像中鸟巢的检测就会出现类似问题。为此,本文对原始损失函数中的标注框的宽高进行归一化处理,这样就使得网络对大目标与小目标同等对待。相比改进前YOLOv3算法的损失函数,改进后的损失函数能适合各种大目标与小目标。3.数据集类别不平衡性的改进。图像数据集中平均每张图像仅有1.6个鸟巢,存在大量背景,进而导致目标与背景类别不均衡。为此,本文提出将Focal loss算法加入YOLOv3损失函数中,通过加入Focal loss算法不仅能使网络更加专注于鸟巢的训练,提高鸟巢识别的准确率,而且能提高检测速度。4.特征金字塔网络连接层数的改进。为了进一步提升YOLOv3算法对小目标识别的准确率,本文提出两种修改YOLOv3算法中特征金字塔网络连接层数的方案,对比两种修改方案后发现,通过合理的修改低分率、强语义特征和高分率、弱语义特征相结合的结构,可以实现在不减少大目标准确率的情况下提高小目标的识别准确率。5.卷积层的改进。改进前YOLOv3算法经过训练得到的网络权重过大,不适合在无人机上实时运行。为了后续能在无人机上实时运行识别网络,需要在不降低识别准确率的情况下,进一步缩减网络权重的容量。为此,本文将YOLOv3算法中基于ResNet网络的卷积层改成基于DenseNet网络的卷积层。通过修改后的算法训练模型,能在检测时间略微增长的情况下提高识别精度以及缩减权重大小,此外本文发现在无需设置预训练权重的条件下依然能达到很高的精度。实验结果表明:(1)聚类后实验所得平均检测精度(map)最大值以及检测时间都与YOLOv3算法一致,聚类后map曲线图比YOLOv3能更快的达到最大值而且更稳定;(2)损失函数改进后实验所得map从原来的87.8%提高到88.6%,F1 Score(F1)值从0.89提高到0.91,训练时间缩短2.8%;(3)数据集类别不平衡改进后实验所得map提高到89.5%,F1值提高到0.92,检测时间缩小9.7%,训练时间增加7.1%;(4)金字塔网络连接层数改变后实验所得map提高到90.8%,F1值提高到0.96,检测时间增加21.4%,训练时间增加2.7%;(5)卷积层改进后实验所得map提高到91.1%,F1值提高到0.97,权重缩小40%,检测时间增加17.6%,训练时间增加23.4%,在无需设置预训练权重条件下,map为90.8%,F1值为0.95。改进后的算法对比改进前YOLOv3算法,除了检测时间略微增长25%外,其他各项性能指标均优于原始算法。可见,改进后的算法能更好的适应于航拍图像中鸟巢的识别,对无人机在电力巡检中的应用具有重要价值。

关键词：高压电力线巡检图像检测鸟巢识别 YOLOv3算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

铁塔航拍图像中鸟巢的YOLOv3识别研究

广东工业大学学报 2020年第3期37卷 42-48页

作者：钟映春孙思语吕帅罗志勇熊勇良何惠清广东工业大学自动化学院广东广州510006 广州市树根互联技术有限公司广东广州510308 广州优飞科技有限公司广东广州510830 国家电网江西省萍乡供电公司江西萍乡330000

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... 详细信息

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

在线全文

学校读者我要写书评

暂无评论

融入纹理特征的输电杆塔鸟巢图像检测研究

融入纹理特征的输电杆塔鸟巢图像检测研究

作者：周子扬昆明理工大学

学位级别：硕士

输电杆塔上的鸟巢检测作为电力系统巡检的一项重要研究内容,这是因为鸟类在输电杆塔上的筑巢活动所导致的输电线路安全事故频频发生。在我国鸟类数量巨大,鸟类的活动可能给高压输电线路的正常安全运行带来隐患,对国家电网造成严重的经... 详细信息

输电杆塔上的鸟巢检测作为电力系统巡检的一项重要研究内容,这是因为鸟类在输电杆塔上的筑巢活动所导致的输电线路安全事故频频发生。在我国鸟类数量巨大,鸟类的活动可能给高压输电线路的正常安全运行带来隐患,对国家电网造成严重的经济损失,所以针对输电线路上存在的鸟巢有必要提出一套行之有效的解决方案。本文针对如何识别高压输电杆塔上的鸟巢,通过对国内外鸟巢检测方法的研究,找到了一种融入纹理特征的鸟巢自动检测方法。本文提出的输电杆塔鸟巢检测方法实现主要分两个步骤,第一步先提取输电杆塔框架。因为航拍的输电杆塔图像可能存在拍摄距离较远的情况,导致图像中存在大量的复杂背景而且鸟巢在整个图像中的占比也会随之变小,这些因素都不利于鸟巢的检测,所以对于这类图像先提取出图像中的输电杆塔框架显得尤为重要。本文针对航拍的杆塔图像在不同光照和复杂背景下表现出的差异,结合输电杆塔的特性提出了一种新的输电杆塔框架提取方法。该方法先选择合适的颜色空间对杆塔图像的背景进行粗分割,接着使用Canny边缘检测和Hough变换筛选出可能是杆塔结构区域的连通域,最后把筛选连通域后的图像分成10*10像素大小的盒子并结合杆塔的几何特征提取出输电杆塔框架。第二步在提取出的杆塔框架图像中检测杆塔上存在的鸟巢。由于无人机拍摄角度的随机性,会有不少存在鸟巢被杆塔遮挡的图像,使得鸟巢轮廓的描述和提取难度较大。鸟巢在图像中呈现出的深褐色导致鸟巢区域的灰度值和部分背景灰度值十分接近,因此使用简单的分割方法也不能检测出鸟巢。针对存在的问题,提出了融入纹理特征的鸟巢检测方法,该方法首先将提取出的杆塔框架图像转换到HSV颜色空间,通过分析鸟巢的HSV颜色分量取值范围,初步筛选出杆塔图像中的鸟巢疑似区域,然后结合鸟巢的特征进一步确定鸟巢疑似区域。通过对疑似鸟巢区域中的鸟巢和非鸟巢的图像进行灰度共生矩阵特征值的比较,找出最能够表征鸟巢的特征量,利用该特征量选择SVM分类器分类并输出结果。最后利用收集到的无人机航拍杆塔图像对本项目提出的鸟巢检测方法进行验证,实验表明该方法能够准确检测出杆塔图像中的鸟巢,并且不受不同光照和复杂背景的影响。

关键词：航拍图像杆塔框架提取背景分割共生矩阵鸟巢识别

基于改进Yolov4的输电线路鸟巢轻量级检测算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电力科学与工程 2022年第10期38卷 64-72页

作者：韦庚吾李英娜昆明理工大学信息工程与自动化学院云南昆明650500 云南省计算机技术应用重点实验室(昆明理工大学) 云南昆明650500

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... 详细信息

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

在线全文

学校读者我要写书评

暂无评论

高铁接触网鸟巢检测方法研究及实现

高铁接触网鸟巢检测方法研究及实现

作者：刘若愚长安大学

学位级别：硕士

截止到2020年底,我国铁路运营总里程达到了14.6万公里。在春秋季节,大量的鸟把巢筑在高铁接触网上,高铁接触网电压约27.5k V,鸟巢树枝受潮后会引起接触网短路,给列车运行带来风险。目前,铁路供电段检测鸟巢的主要方法是人工查看C2摄像... 详细信息

截止到2020年底,我国铁路运营总里程达到了14.6万公里。在春秋季节,大量的鸟把巢筑在高铁接触网上,高铁接触网电压约27.5k V,鸟巢树枝受潮后会引起接触网短路,给列车运行带来风险。目前,铁路供电段检测鸟巢的主要方法是人工查看C2摄像机录制的巡检视频,但是这样会耗费大量人力,且效率低。鸟巢检测的难点在于树枝细小、在图像中占的像素少、特征不明显、与线路混淆难以识别等。本文针对巡检视频设计了一种基于深度学习的鸟巢检测方法,并开发了检测系统。首先,对铁路部门提供的列车巡检视频取帧分析,针对图像中背景繁杂,雾、霾、光照不足和接触网支柱发生倾斜等问题进行了详细的研究,对采集到的问题图像进行去雾和倾斜矫正的预处理。其次,对接触网支柱区域进行识别。本文利用改进的YOLO-v4算法对接触网支柱区域进行识别与提取,在重新聚类锚框的基础上,增强了小物体在深层神经网络中的特征信息,提高了对于小物体目标的识别准确率,同时优化了识别时间。再次,设计了改进的StyleGANs网络识别鸟巢,生成不同背景下的高分辨率图像,在鉴别器中加入分类器,对接触网支柱图像提取详细的样本特征进行有无鸟巢的分类学习,同时对生成图像的质量和多样性进行评价。在测试集上测试鉴别器模型的分类效果,对结果进行了分析,并从模型召回率的角度进行评估,本文算法的召回率达到96.5%。最后,研究并开发了一套鸟巢检测系统,将本文的算法进行集成,与支柱编号的识别结合。实现了针对视频的分析取帧、接触网图像的预处理、接触网支柱的提取和鸟巢识别等功能。

关键词：鸟巢识别倾斜矫正去雾处理目标检测 YOLO-v4 StyleGANs