CN115861861B - 一种基于无人机配电线路巡检的轻量级验收方法 - Google Patents
一种基于无人机配电线路巡检的轻量级验收方法 Download PDFInfo
- Publication number
- CN115861861B CN115861861B CN202310168250.5A CN202310168250A CN115861861B CN 115861861 B CN115861861 B CN 115861861B CN 202310168250 A CN202310168250 A CN 202310168250A CN 115861861 B CN115861861 B CN 115861861B
- Authority
- CN
- China
- Prior art keywords
- module
- convolution
- branch
- network
- lightweight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于配电设备图像检测技术领域，涉及一种基于无人机配电线路巡检的轻量级验收方法，构建并训练轻量级ShuffleNetV2‑YOLOx目标检测网络，主干特征提取网络依次由Focus模块、CBS模块、最大池化层，三个ShuffleNetV2单元模块、3个CBS模块、感受野块组成；第三ShuffleNetV2单元模块输出的特征图经过CBS模块和上采样后与第一ShuffleNetV2单元模块输出的特征图进行多尺度特征融合，随后进入含ECA模块的第二个解耦头进行小尺度目标检测。本发明减少目标检测网络复杂度，加快推理速度，可用于无人机搭载进行配电设备检测，判断设备缺失与缺陷。
Description
技术领域
本发明属于电力设备巡检技术领域，特别涉及一种基于无人机配电线路巡检的轻量级验收方法。
背景技术
配电线路巡检后设备完备性的查验是巡检验收的重要环节，需对配电线路的设备进行检测识别。基于无人机输电线路巡检的目标检测算法可大致分为两类：一阶段算法和两阶段算法。一阶段算法省略候选区域生成阶段，直接得到待检目标分类和位置坐标信息，有SSD、YOLO系列等算法；两阶段算法先对输入的图像选取可能包含待检测目标的候选区域，再对候选区域进行分类和位置回归以得到检测结果，有Fast R-CNN、Faster R-CNN等算法。
由于嵌入式无人机平台资源受限，现阶段YOLO系列算法模型复杂度较高，导致模型训练耗时长、占用计算资源大、输入图像尺寸受限、检测速度慢等问题，难以满足工业无人机配电线路巡检的实时性和高精度部署要求。且巡检配电线路巡检图像背景复杂、目标尺度多变、远距离拍摄低分辨率、小目标在图像中占比小以及建筑物树障遮挡目标。导致现阶段的无人机目标检测算法检测精度低，且存在大量目标漏检和误检。
发明内容
为了克服上述的不足和检测难点，本发明提出一种基于无人机配电线路巡检的轻量级验收方法。
本发明解决其技术问题的技术方案是：一种基于无人机配电线路巡检的轻量级验收方法，步骤为：
步骤S1：通过无人机巡检拍摄获取配电设备图像数据集，然后人工对采集的配电设备图像进行筛选清洗；将配电设备图像数据集中的配电设备图像按类别进行命名标注，针对样本较少的配电设备图像进行数据增强，最后划分训练集和验证集；
步骤S2：构建并训练轻量级ShuffleNetV2-YOLOx目标检测网络，然后使用训练后的轻量级ShuffleNetV2-YOLOx目标检测网络进行配电设备图像检测；所述轻量级ShuffleNetV2-YOLOx目标检测网络由主干特征提取网络和检测头网络构成；
所述主干特征提取网络依次由Focus模块、CBS模块（由卷积层、批归一化层、激活函数SiLU这三个网络层组成）、最大池化层，第一ShuffleNetV2单元模块、第二ShuffleNetV2单元模块、第三ShuffleNetV2单元模块、3个CBS模块、感受野块组成；
第三ShuffleNetV2单元模块输出的特征图经过3个CBS模块和上采样模块后与第一ShuffleNetV2单元模块输出的特征图进行多尺度特征融合，使得浅层特征和深层特征可以充分融合；
检测头网络包含两个解耦头、两个ECA模块；第一ShuffleNetV2单元模块和第三ShuffleNetV2单元模块进行多尺度特征融合得到新的特征图，随后进入含ECA模块的第二个解耦头进行小尺度目标检测。
进一步优选，所述第一ShuffleNetV2单元模块由3个ShuffleBlock1模块和1个ShuffleBlock2模块组成；第二ShuffleNetV2单元模块由7个ShuffleBlock1模块和1个ShuffleBlock2模块组成；第三ShuffleNetV2单元模块由3个ShuffleBlock1模块和1个ShuffleBlock2模块组成。
进一步优选，输入ShuffleBlock1模块的特征图，首先经过右分支1×1卷积处理，然后通过一个5×5深度可分离卷积模块，后和左分支残差结构融合，最后经过通道随机混合操作输出特征图。
进一步优选，输入ShuffleBlock2模块的特征图，首先经过右分支1×1卷积处理，后通过一个5×5深度可分离卷积模块，然后与左分支的ECANet模块和5×5深度可分离卷积模块融合，最后经过通道随机混合操作输出特征图。
进一步优选，特征图在解耦头经过3×3的深度可分离卷积，然后再分别经过3×3的深度可分离卷积进行分类和回归任务。
进一步优选，所述CBS模块由卷积层、批归一化层、激活函数SiLU组成。
进一步优选，所述感受野块由四条支路和残差边组成，第一支路由1×1卷积和3×3卷积组成，第二支路由1×1卷积、1×3卷积和3×3卷积组成，第三支路由1×1卷积、3×1卷积和3×3卷积组成，第四支路由1×1卷积、3×1卷积和3×3卷积组成，第一支路、第二支路、第三支路、第四支路的输出通过1×1卷积融合。
本发明针对目标检测网络复杂度较高，嵌入式无人机计算资源有限，本发明采用轻量级ShuffleNetV2-YOLOx目标检测网络，并在训练过程中加入稀疏训练，根据训练得到的通道权重对网络提取到的特征图进行通道剪枝。针对小目标设备检测精度较低的问题，本发明在主干网络部分加入改进感受野块（RFB-s），可以加强网络感受野，提升目标检测精度。针对配电线路巡检设备只有大、小尺寸设备目标的特殊场景，选择第一ShuffleNetV2单元模块和第三ShuffleNetV2单元模块输出的特征图作为路径聚合网络的输入进行多尺度特征融合，只取大、小尺度的特征图进行检测，舍去中间尺度解耦头。检测头网络包含两个解耦头，融合注意力，增强多尺度特征信息，弥补了舍去中间尺度解耦头造成的特征信息缺失，有效缓解舍去中间解耦头造成特征信息缺失的影响。
附图说明
为了易于说明，本发明由下述附图作以详细描述。
图1为本发明的轻量级ShuffleNetV2-YOLOx目标检测网络示意图。
图2为本发明中的ShuffleBlock1模块结构图。
图3为本发明中的ShuffleBlock2模块结构图。
图4为本发明中的改进感受野块（RFB-s）结构图。
图5为本发明的轻量级解耦头网络结构图。
具体实施方式
下面结合附图对本发明进一步详细阐明。
现有基于深度学习的无人机目标检测算法复杂度较高，导致模型训练耗时长、占用计算资源大、输入图像尺寸受限、检测速度慢等问题，为尽可能地使输入图像尺寸更大、像素更多，在保证图像中小目标信息不丢失的同时，减少大尺寸图片消耗的内存资源。本实施例提出的一种基于无人机配电线路巡检的轻量级验收方法，步骤为：
步骤S1：通过无人机巡检拍摄获取配电设备图像数据集，然后人工对采集的配电设备图像进行筛选清洗；通过人工半自动Labelling方式将配电设备图像数据集中的配电设备图像按类别进行命名标注，针对样本较少的配电设备图像进行数据增强，最后按训练集和验证集比例为8：2划分训练集和验证集；
步骤S2：构建并训练轻量级ShuffleNetV2-YOLOx目标检测网络，然后使用训练后的轻量级ShuffleNetV2-YOLOx目标检测网络进行配电设备图像检测；如图1所示，所述轻量级ShuffleNetV2-YOLOx目标检测网络由主干特征提取网络和检测头网络构成；
所述主干特征提取网络依次由Focus模块（调焦模块）、CBS模块（由卷积层、批归一化层、激活函数SiLU这三个网络层组成）、最大池化层（Maxpool），第一洗牌网络 (ShuffleNetV2)单元模块、第二洗牌网络 (ShuffleNetV2)单元模块、第三洗牌网络(ShuffleNetV2)单元模块、3个CBS模块(CBS×3)、感受野块(RFB-s)组成；首先，Focus模块对配电设备图像进行切片操作，在一张配电设备图像中每隔一个像素取一个值，类似邻近下采样，得到四张配电设备图像，四张配电设备图像互补，将宽、高信息就集中到通道空间，使得输入通道扩充了4倍，新的配电设备图像相对于原先的RGB三通道模式变成了12个通道，最后将得到的配电设备图像经过卷积操作，得到二倍下采样特征图。采用CBS模块对特征图进行压缩降维。然后，特征图进入第一洗牌网络(ShuffleNetV2)单元模块、第二洗牌网络(ShuffleNetV2)单元模块、第三洗牌网络(ShuffleNetV2)单元模块进行下采样特征提取，其中ShuffleNetV2单元模块通过通道合并、通道打乱、通道分割提高特征提取的能力，并采用深度可分离卷积降低模型参数。随后在3个CBS模块后面加入感受野块（RFB-s），增大网络感受野，提升小目标设备的检测精度。
第三洗牌网络(ShuffleNetV2)单元模块输出的特征图经过3个CBS模块和上采样模块后与第一洗牌网络(ShuffleNetV2)单元模块输出的特征图进行多尺度特征融合，使得浅层特征和深层特征可以充分融合，可以提升目标设备的检测精度。
检测头网络包含两个解耦头（Decoupled Head1和Decoupled Head2）、两个ECA模块。为了缓解舍去中间尺度YOLOx解耦头造成特征信息缺失问题，在预测前通过ECA模块融合ECA注意力机制，可增强目标设备目标特征的语义信息，更好地提取设备特征提高目标检测网络的性能。第一洗牌网络(ShuffleNetV2)单元模块输出的特征图感受野最大，适合检测大尺寸的目标，直接进入融合ECA模块的第一个解耦头（Decoupled Head1）进行大尺度目标检测。第一洗牌网络(ShuffleNetV2)单元模块和第三洗牌网络(ShuffleNetV2)单元模块进行多尺度特征融合得到新的特征图，随后进入合ECA模块的第二个解耦头（DecoupledHead2）进行小尺度目标检测。针对配电线路设备大小设备尺寸状态差异大的特点，其中，小尺寸特征图是由原始图片经过32倍下采样所得，相比其他尺寸其感受野较小，适合检测小尺寸目标。因此，采用二分类器设计，即可实现配电线路目标设备全面检测。
更具体地，所述第一洗牌网络(ShuffleNetV2)单元模块由3个ShuffleBlock1模块和1个ShuffleBlock2模块组成；第二洗牌网络(ShuffleNetV2)单元模块由7个ShuffleBlock1模块和1个ShuffleBlock2模块组成；第三洗牌网络(ShuffleNetV2)单元模块由3个ShuffleBlock1模块和1个ShuffleBlock2模块组成。将ShuffleBlock1模块和1个ShuffleBlock2模块进行卷积扩张，将ShuffleBlock1模块和1个ShuffleBlock2模块中的3×3深度可分离卷积换成5×5深度可分离卷积,以少量计算代价提高目标检测精度；并通过稀疏化训练，将ShuffleNetV2的基本单元ShuffleBlock模块中深度可分离卷积(DWConv3×3)后面的一层1×1普通卷积层剪掉，进一步减小模型复杂度。
更具体的，ShuffleNetV2单元模块由ShuffleBlock1模块（如图2所示）和ShuffleBlock2模块（如图3所示）组成，在ShuffleBlock1模块的输入特征图，首先经过右分支1×1卷积处理，然后通过一个5×5深度可分离卷积（5×5 DWConv）模块，后和左分支残差结构融合，最后经过通道随机混合操作输出特征图。
ShuffleBlock2模块的输入特征图，首先经过右分支1×1卷积处理，后通过一个5×5深度可分离卷积（5×5 DWConv）模块，然后与左分支的ECANet模块和5×5深度可分离卷积（5×5 DWConv）模块融合，最后经过通道随机混合操作输出特征图。
稀疏训练主要是为了区分重要和非重要通道，为ShuffleNetV2网络通道剪枝进行前期准备。基于ShuffleNetV2网络的结构特点，有大量的卷积层和BN层进行直连，利用BN层的权重系数作为剪枝重要指标，ShuffleNetV2网络经过稀疏性训练，将一批图片进行归一化处理得到卷积层中每个通道培训比例因子，通道权重因子描述卷积层通道的重要性，可以为剪除掉些不重要通道，保留权重因子较大的通道数，可以减少前面一层卷积层的参数。本发明将通过稀疏化训练，ShuffleBlock1模块右分支中的深度可分离卷积模块(DWConv3×3)的后使用卷积（Conv1×1）进行升降维存在冗余，故将深度可分离卷积模块(DWConv3×3)后面的一层1×1卷积剪掉，改进后的ShuffleBlock1模块如图2所示，在确保目标检测网络检测精度的同时，进一步减少目标检测网络复杂度，加快模型推理速度。
ShuffleBlock2模块右分支中的深度可分离卷积(3×3DWConv)的前有一个卷积（1×1Conv）主要为了进行通道间的信息融合，后有一个卷积（1×1Conv）主要为了实现通道的降维和升维。后面的卷积（1×1Conv）运算会将上一层的特征图在通道方向上进行加权组合，生成新的特征图。为遵循轻量级网络ShuffleNetV2的设计准则，深度可分离卷积(3×3DWConv)的后使用卷积（1×1Conv）进行升降维存在冗余，故将3×3DWConv后面的1×1卷积层剪掉，在确保目标检测网络检测精度的同时，使目标检测网络更加轻量化，并且加快目标检测网络推理速度。同时，在一个分支中添加超通道注意力模块（ECANet），使得通道数较大的层可以高效地进行跨通道交互，加强网络对关键区域的关注。修改后的ShuffleBlock2模块如图3所示。
本发明采用重构的轻量级ShuffleNetV2网络作为YOLOx的主干网络。其中，轻量级ShuffleNetV2网络引入了分组卷积与通道混洗操作来降低网络运算中的计算量，使其可以搭载至移动端无人机设备。
小目标设备在配电线路原图中所占像素较少，虽有丰富的细节信息，但随着主干网络ShuffleNetV2不断下采样特征提取，小目标特征存在感受野较小、上下文信息缺失，导致小目标设备检测精度低。故在引入感受野块（RFB），感受野块模拟人类视觉的感受野和偏心度，可以增大网络感受野。使用多尺寸、多离心率的空洞卷积核构建多分支结构。首先对输入的上一层特征层先使用3种不同尺寸（1×1、3×3、5×5）的普通卷积核进行处理，然后使用不同离心率的空洞卷积得到3个不同感受野的特征图，将3个分支通过1×1卷积连接融合得到特征加强的特征图，输出与残差边进行连接，得到新的特征层。感受野块（RFB）可以融合配电线路设备的局部特征和全局特征，丰富特征层的语义信息，从而提高配电线路目标设备的识别精度。
为进一步提升设备检测精度，本发明使用改进感受野块（RFB-s）来增强网络感受野，改进感受野块（RFB-s）参考Inception网络结构对感受野块（RFB）进行改进，Inception提出利用不同内核大小的卷积层并行地提取图像中不同尺度的特征。通过用3×3卷积层代替感受野块（RFB）中5×5卷积层，用1×3和3×1卷积层代替RFB中3×3卷积层，使原来的3×3卷积层分支变成2个1×3和3×1卷积层分支，可以减少模型计算量。改进感受野块（RFB-s）如图4所示，由四条支路和残差边组成，第一支路由1×1卷积和3×3卷积组成，第二支路由1×1卷积、1×3卷积和3×3卷积组成，第三支路由1×1卷积、3×1卷积和3×3卷积组成，第四支路由1×1卷积、3×1卷积和3×3卷积组成，第一支路、第二支路、第三支路、第四支路的输出通过1×1卷积融合。
本发明使用ECA模块可以实现不降维的局部跨信道交互，通过1×1卷积完成跨通道间高效的信息交互，卷积核的大小通过函数来自适应变化，使得通道数较大的层可以高效地进行跨通道交互，且ECA模块只含少数参数就能达到很好的效果。
YOLOx解耦头，在以前YOLO系列V3-V5目标检测中，所用的检测头分类和回归任务是一起的，分类和回归在一个1×1卷积里实现，但是分类任务与回归任务之间有冲突，因此本发明方法采用最新的YOLO解耦头（Decoupled Head），解耦头将分类任务与回归任务分别实现。解耦头由1个1×1卷积，4个3×3卷积组成，首先解耦头由1×1的卷积进行通道压缩，对颈部输出特征图的通道数进行统一，后面跟着两个平行分支结构，每个分支有两个3×3卷积层，分别用于分类和回归任务，可以有利于提升检测效果和加速模型收敛。解耦头虽然提升了模型的精确度和收敛速度，但是增加了模型的参数量和计算量。
参照图5，为使解耦头轻量化，将1×1卷积用3×3卷积替代，并将两个平行分支结构分类和回归分支的两个3×3卷积减少一层，既保证模型可以有足够大的感受野，还可以有效地减少解耦头的计算量和参数量。同时将解耦头中3×3卷积全部替换成为3×3深度可分离卷积，进一步减少模型的计算量和参数量。特征图在解耦头经过3×3的深度可分离卷积，然后再分别经过3×3的深度可分离卷积进行分类和回归任务。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于无人机配电线路巡检的轻量级验收方法，其特征在于，步骤为：
步骤S1：通过无人机巡检拍摄获取配电设备图像数据集，然后人工对采集的配电设备图像进行筛选清洗；将配电设备图像数据集中的配电设备图像按类别进行命名标注，对配电设备图像进行数据增强，最后划分训练集和验证集；
步骤S2：构建并训练轻量级ShuffleNetV2-YOLOx目标检测网络，然后使用训练后的轻量级ShuffleNetV2-YOLOx目标检测网络进行配电设备图像检测；所述轻量级ShuffleNetV2-YOLOx目标检测网络由主干特征提取网络和检测头网络构成；
所述主干特征提取网络依次由Focus模块、CBS模块、最大池化层，第一ShuffleNetV2单元模块、第二ShuffleNetV2单元模块、第三ShuffleNetV2单元模块、3个CBS模块、感受野块组成；
第三ShuffleNetV2单元模块输出的特征图经过3个CBS模块和上采样模块后与第一ShuffleNetV2单元模块输出的特征图进行多尺度特征融合，使得浅层特征和深层特征可以充分融合；
所述第一ShuffleNetV2单元模块由3个ShuffleBlock1模块和1个ShuffleBlock2模块组成；第二ShuffleNetV2单元模块由7个ShuffleBlock1模块和1个ShuffleBlock2模块组成；第三ShuffleNetV2单元模块由3个ShuffleBlock1模块和1个ShuffleBlock2模块组成；输入ShuffleBlock1模块的特征图，首先经过右分支1×1卷积处理，然后通过一个5×5深度可分离卷积模块，后和左分支残差结构融合，最后经过通道随机混合操作输出特征图；输入ShuffleBlock2模块的特征图，首先经过右分支1×1卷积处理，后通过一个5×5深度可分离卷积模块，然后与左分支的ECANet模块和5×5深度可分离卷积模块融合，最后经过通道随机混合操作输出特征图；
检测头网络包含两个解耦头、两个ECA模块；第一ShuffleNetV2单元模块和第三ShuffleNetV2单元模块进行多尺度特征融合得到新的特征图，随后进入含ECA模块的第二个解耦头进行小尺度目标检测。
2.根据权利要求1所述的基于无人机配电线路巡检的轻量级验收方法，其特征在于，特征图在解耦头经过3×3的深度可分离卷积，然后再分别经过3×3的深度可分离卷积进行分类和回归任务。
3.根据权利要求1所述的基于无人机配电线路巡检的轻量级验收方法，其特征在于，所述CBS模块由卷积层、批归一化层、激活函数SiLU组成。
4.根据权利要求1所述的基于无人机配电线路巡检的轻量级验收方法，其特征在于，所述感受野块由四条支路和残差边组成，第一支路由1×1卷积和3×3卷积组成，第二支路由1×1卷积、1×3卷积和3×3卷积组成，第三支路由1×1卷积、3×1卷积和3×3卷积组成，第四支路由1×1卷积、3×1卷积和3×3卷积组成，第一支路、第二支路、第三支路、第四支路的输出通过1×1卷积融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310168250.5A CN115861861B (zh) | 2023-02-27 | 2023-02-27 | 一种基于无人机配电线路巡检的轻量级验收方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310168250.5A CN115861861B (zh) | 2023-02-27 | 2023-02-27 | 一种基于无人机配电线路巡检的轻量级验收方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115861861A CN115861861A (zh) | 2023-03-28 |
| CN115861861B true CN115861861B (zh) | 2023-06-16 |
Family
ID=85659077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310168250.5A Active CN115861861B (zh) | 2023-02-27 | 2023-02-27 | 一种基于无人机配电线路巡检的轻量级验收方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115861861B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116229301B (zh) * | 2023-05-09 | 2023-10-27 | 南京瀚海伏羲防务科技有限公司 | 一种轻量级无人机障碍物检测模型、检测方法及检测系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114462555A (zh) * | 2022-04-13 | 2022-05-10 | 国网江西省电力有限公司电力科学研究院 | 基于树莓派的多尺度特征融合配电网设备识别方法 |
| CN115019279A (zh) * | 2022-01-25 | 2022-09-06 | 昆明理工大学 | 一种基于MobileNet轻量化网络的上下文特征融合方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033390B (zh) * | 2021-03-23 | 2022-12-13 | 中国科学院空天信息创新研究院 | 一种基于深度学习的大坝遥感智能检测方法 |
| US11511772B2 (en) * | 2021-04-30 | 2022-11-29 | Deepx Co., Ltd. | NPU implemented for artificial neural networks to process fusion of heterogeneous data received from heterogeneous sensors |
| CN113537414B (zh) * | 2021-09-15 | 2022-01-11 | 深圳新视智科技术有限公司 | 锂电池缺陷检测方法、装置、设备及存储介质 |
| CN114898171B (zh) * | 2022-04-07 | 2023-09-22 | 中国科学院光电技术研究所 | 一种适用于嵌入式平台的实时目标检测方法 |
| CN114862768A (zh) * | 2022-04-14 | 2022-08-05 | 长沙理工大学 | 基于改进YOLOv5-LITE轻量级的配电组件缺陷识别方法 |
| CN114842315B (zh) * | 2022-05-07 | 2024-02-02 | 无锡雪浪数制科技有限公司 | 轻量化高铁轮毂垫片防松识别方法及装置 |
| CN114926907A (zh) * | 2022-06-06 | 2022-08-19 | 金陵科技学院 | 一种基于手势识别的无接触式电梯控制方法 |
| CN115147383A (zh) * | 2022-07-12 | 2022-10-04 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法 |
| CN115661065A (zh) * | 2022-10-20 | 2023-01-31 | 安徽理工大学 | 小目标缺陷的轻量化检测模型、方法、设备及存储介质 |
| CN115546620A (zh) * | 2022-10-26 | 2022-12-30 | 济南大学 | 基于yolo的轻量级目标检测网络、方法及电子设备 |
-
2023
- 2023-02-27 CN CN202310168250.5A patent/CN115861861B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115019279A (zh) * | 2022-01-25 | 2022-09-06 | 昆明理工大学 | 一种基于MobileNet轻量化网络的上下文特征融合方法 |
| CN114462555A (zh) * | 2022-04-13 | 2022-05-10 | 国网江西省电力有限公司电力科学研究院 | 基于树莓派的多尺度特征融合配电网设备识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115861861A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111767882B (zh) | 一种基于改进yolo模型的多模态行人检测方法 | |
| CN112541503B (zh) | 基于上下文注意力机制和信息融合的实时语义分割方法 | |
| CN114462555B (zh) | 基于树莓派的多尺度特征融合配电网设备识别方法 | |
| CN113569667B (zh) | 基于轻量级神经网络模型的内河船舶目标识别方法及系统 | |
| CN111046821B (zh) | 一种视频行为识别方法、系统及电子设备 | |
| CN110222718B (zh) | 图像处理的方法及装置 | |
| CN116740538A (zh) | 一种基于YOLOv8改进的轻量化目标检测方法及系统 | |
| CN113298817A (zh) | 一种准确率高的遥感图像语义分割方法 | |
| CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
| CN110991444A (zh) | 面向复杂场景的车牌识别方法及装置 | |
| CN115861861B (zh) | 一种基于无人机配电线路巡检的轻量级验收方法 | |
| CN110532959B (zh) | 基于双通道三维卷积神经网络的实时暴力行为检测系统 | |
| CN112183240A (zh) | 一种基于3d时间流和并行空间流的双流卷积行为识别方法 | |
| CN112037228A (zh) | 一种基于双倍注意力的激光雷达点云目标分割方法 | |
| CN113780132A (zh) | 一种基于卷积神经网络的车道线检测方法 | |
| CN113743505A (zh) | 基于自注意力和特征融合的改进ssd目标检测方法 | |
| CN111462090A (zh) | 一种多尺度图像目标检测方法 | |
| CN114898200A (zh) | 一种基于轻量化YOLOV4-tiny的传送带工件图像目标检测方法及系统 | |
| CN114882234A (zh) | 多尺度轻量级密集连目标检测网络的构建方法 | |
| CN115410087A (zh) | 一种基于改进YOLOv4的输电线路异物检测方法 | |
| CN115375672A (zh) | 一种基于改进型YOLOv4算法的煤矸检测方法 | |
| CN116740516A (zh) | 基于多尺度融合特征提取的目标检测方法及系统 | |
| CN114782859A (zh) | 一种目标行为时空感知定位模型的建立方法及应用 | |
| CN113657389A (zh) | 一种软件定义卫星语义分割方法、装置和介质 | |
| CN117593623A (zh) | 基于改进YOLOv8n模型的轻量化车辆检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |