CN116665090A - 一种基于轻量级网络的电力梯子检测方法 - Google Patents

一种基于轻量级网络的电力梯子检测方法 Download PDF

Info

Publication number
CN116665090A
CN116665090A CN202310543119.2A CN202310543119A CN116665090A CN 116665090 A CN116665090 A CN 116665090A CN 202310543119 A CN202310543119 A CN 202310543119A CN 116665090 A CN116665090 A CN 116665090A
Authority
CN
China
Prior art keywords
convolution
frame
giou
prediction
network
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.)
Pending
Application number
CN202310543119.2A
Other languages
English (en)
Inventor
薛晓岑
王向群
朱悦
黄杰杰
李星达
桑顺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong University
Original Assignee
Nantong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong University filed Critical Nantong University
Priority to CN202310543119.2A priority Critical patent/CN116665090A/zh
Publication of CN116665090A publication Critical patent/CN116665090A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于计算机视觉技术领域，具体涉及一种基于轻量级网络的电力梯子检测方法。本发明包括以下步骤：S1：对监控视频进行抽帧处理，采集电力梯子图像，使用在线增强技术对图像进行平移和缩放，并使用K‑means算法对数据集中的标签框进行聚类，输入尺寸为416×416的图片样本；S2：将输入416×416的图片经M‑YOLOv3网络进行特征提取，并通过特征金字塔融合、加强特征提取；S3：对加强特征提取后的特征图卷积并进行2倍上采样，再利用卷积预测；S4：引入GloU的损失函数来判断检测框和标签框的重叠程度，并衡量预测框回归的精确程度，当回归预测框位置的损失越接近0，表示预测框与标签框越相似；S5：根据预测结果，输出电力绝缘梯和非绝缘梯的检测图。

Description

一种基于轻量级网络的电力梯子检测方法
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于轻量级网络的电力梯子检测方法。
背景技术
在检修高位电力设备的过程中，往往需要工作人员携带梯子进行登高作业，当作业人员携带非绝缘梯子进入高压高危场景作业时，将会潜存巨大的安全隐患。传统的目标检测算法采用人工设计特征提取模板提取图像特征，然后对特征进行分类和回归以实现检测和识别的任务。然而，传统方法难以适应图像中目标的尺度变化、光照强度变化和仿射变换等现象，这些缺陷极大地减弱了目标检测的鲁棒性。深度卷积神经网络可以自动学习图像丰富的特征，One-stage算法是卷积神经网络的目标检测算法中的一类，它将图像输入网络，在预测层直接回归检测目标的类别概率和位置坐标值。YOLOv3检测方法是One-stage算法中的一种，其在保证检测精度的前提下实现了小目标的快速检测，满足智能化检测系统的实时性要求。
然而，现有YOLOv3的梯子检测方法存在如下问题：
(1)在YOLOv3网络结构中，主干网络具有较多的网络参数,降低了网络的检测速度。而在电力场景的梯子检测任务中，对检测速度要求较高，需要实现实时检测。
(2)在目标检测中，基于均方损失的边框回归损失只能判断检测框和标签框之间的距离，而不能判断检测框和标签框的重叠程度，且不能回归检测框的位置。而电力梯子具有尺度变化大的特点，容易降低检测效果。
发明内容
为解决上述现有技术存在的技术问题，本发明提出了一种基于轻量级网络的电力梯子检测方法。本发明的目的是为了解决YOLOv3的梯子检测方法网络参数较多、检测速度降低的问题，使用MobileNetv2骨干网络代替YOLOv3的特征提取器，在保证检测精度的前提下，减少YOLOv3模型耗时，提高了检测速度和实时性；另外，在M-YOLOv3的基础上引入GIoU的损失函数以构造MG-YOLOv3模型，通过关注检测框和标签框的重叠区域和非重叠区域的特征，有效地克服了电力梯子尺度变化大的特点，提高检测效果，从而更适合实际工程应用。
本发明为实现上述发明目的，采取的技术方案如下：
一种基于轻量级网络的电力梯子检测方法，包括以下步骤：S1：对监控视频进行抽帧处理，采集电力梯子图像，使用在线增强技术对图像进行平移和缩放，并使用K-means算法对数据集中的标签框进行聚类，输入尺寸为416×416的图片样本；
S2：将输入416×416的图片经M-YOLOv3网络进行特征提取，并通过特征金字塔融合、加强特征提取；
S3：对加强特征提取后的特征图卷积并进行2倍上采样，再利用卷积预测；
S4：引入GloU的损失函数来判断检测框和标签框的重叠程度，并衡量预测框回归的精确程度，当回归预测框位置的损失越接近0，表示预测框与标签框越相似；
S5：根据预测结果，输出电力绝缘梯和非绝缘梯的检测图。
进一步的作为本发明的优选技术方案，S1中，使用K-means算法对数据集中的标签框进行聚类，K-means通过迭代求解，将相似的样本归于同一类别，其中，三个尺度的锚点框分别为(17,53)，(25,117)，(26,187)；(31,282)，(40,209)，(55,146)；(61,284)，(66,356)，(147,284)，得到输入图片的样本尺寸为416×416。
进一步的作为本发明的优选技术方案，S2中，使用MobileNetv2轻量级深度网络的主干网络替代YOLOv3的主干网络，命名为M-YOLOv3；轻量级深度网络MobileNetv2利用深度可分离卷积构造反残差模块；深度可分离卷积将传统卷积操作分成两步卷积操作，分别为深度卷积和点卷积；在深度卷积中，每个卷积核不再与所有输入特征图通道进行按位相乘，而是只对一个输入通道进行卷积操作，输入通道数与输出通道数相等。
进一步的作为本发明的优选技术方案，S2中，MobileNetv2利用深度可分离卷积构造的反残差模块中，使用1×1的点卷积对深度卷积的输出特征图进行传统卷积运算，调整输出通道数；传统卷积计算量FLOPs1与深度可分离卷积的计算量FLOPs2分别如下式(1)和式(2)所示：
FLOPs1＝DF*DF*Dk*Dk*M*N (1)
FLOPs2＝Dk*Dk*M*DF*DF+1*1*M*N*DF*DF (2)
其中，DF为特征图尺寸，DK为卷积核尺寸，M为输入通道数，N为输出通道数；
反残差结构使用深度可分离卷积，先使用1×1卷积增加特征图通道数，再使用深度可分离卷积对特征图进行转换，最后使用1×1卷积缩小特征图通道；反残差模块中对输入特征升维的系数是一个超参数，采用的升维系数的值是6，通过堆叠反残差模块形成一个骨干网络结构，即M-YOLOv3的主干网络。
进一步的作为本发明的优选技术方案，S4中，引入GloU的损失函数来判断检测框和标签框的重叠程度；GIoU在IoU的基础上进行改进，不仅关注检测框和标签框的重叠区域，也关注非重叠区域的特征，其与IoU的关系式如下式(3)所示：
其中，A、B为任意的凸集，C为能够包围A、B的最小包围框；所述GIoU的取值范围是[-1,1]；
GIoU的回归预测框位置的损失函数LGIoU如下式(4)所示：
LGIoU＝1-GIoU (4)
根据LGIoU的值判断预测框与标签框的相似性，当LGIoU越接近0，表示预测框与标签框越相似。
进一步的作为本发明的优选技术方案，S5中，改进后M-YOLOv3的损失函数Loss如下式(5)所示：
Loss＝LGIoU+Lconf+Lcls (5)
其中，LGloU，Lconf和Lcls分别表示回归预测框位置的损失函数，预测框的置信度交叉熵损失函数和类别的交叉熵损失函数。
本发明所述的一种基于轻量级网络的电力梯子检测方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明对原始YOLOv3的电力梯子检测方法进行改进，在YOLOv3的网络结构中，使用MobileNetv2轻量级深度网络的主干网络替代YOLOv3的主干网络，通过利用深度可分离卷积构造反残差模块，减少网络参数，提高检测速度和实时性；在M-YOLOv3的基础上引入GIoU的损失函数来描述检测框和标签框的重合情况以及衡量预测框回归的好坏程度，从而得到最小的预测框偏移量，提高网络的检测精度。
附图说明
图1为本发明一实施例——基于轻量级网络的电力梯子检测方法流程图；
图2为本发明一实施例——传统残差结构与反残差结构对比图。
具体实施方式
下面结合附图详细的描述本发明的作进一步的解释说明，以使本领域的技术人员可以更深入地理解本发明并能够实施，但下面通过参考实例仅用于解释本发明，不作为本发明的限定。
如图1所示，一种基于轻量级网络的电力梯子检测方法，包括以下步骤：S1：对监控视频进行抽帧处理，采集电力梯子图像，使用在线增强技术对图像进行平移和缩放，并使用K-means算法对数据集中的标签框进行聚类，输入尺寸为416×416的图片样本；
S2：将输入416×416的图片经M-YOLOv3网络进行特征提取，并通过特征金字塔融合、加强特征提取；
S3：对加强特征提取后的特征图卷积并进行2倍上采样，再利用卷积预测；
S4：引入GloU的损失函数来判断检测框和标签框的重叠程度，并衡量预测框回归的精确程度，当回归预测框位置的损失越接近0，表示预测框与标签框越相似；
S5：根据预测结果，输出电力绝缘梯和非绝缘梯的检测图。
S1中，使用K-means算法对数据集中的标签框进行聚类，K-means通过迭代求解，将相似的样本归于同一类别，其中，三个尺度的锚点框分别为(17,53)，(25,117)，(26,187)；(31,282)，(40,209)，(55,146)；(61,284)，(66,356)，(147,284)，得到输入图片的样本尺寸为416×416。
S2中，使用MobileNetv2轻量级深度网络的主干网络替代YOLOv3的主干网络，命名为M-YOLOv3；轻量级深度网络MobileNetv2利用深度可分离卷积构造反残差模块；深度可分离卷积将传统卷积操作分成两步卷积操作，分别为深度卷积和点卷积；在深度卷积中，每个卷积核不再与所有输入特征图通道进行按位相乘，而是只对一个输入通道进行卷积操作，输入通道数与输出通道数相等。
S2中，MobileNetv2利用深度可分离卷积构造的反残差模块中，使用1×1的点卷积对深度卷积的输出特征图进行传统卷积运算，调整输出通道数；传统卷积计算量FLOPs1与深度可分离卷积的计算量FLOPs2分别如下式(1)和式(2)所示：
FLOPs1＝DF*DF*Dk*Dk*M*N (1)
FLOPs2＝Dk*Dk*M*DF*DF+1*1*M*N*DF*DF (2)
其中，DF为特征图尺寸，DK为卷积核尺寸，M为输入通道数，N为输出通道数；
反残差结构使用深度可分离卷积，先使用1×1卷积增加特征图通道数，再使用深度可分离卷积对特征图进行转换，最后使用1×1卷积缩小特征图通道；反残差模块中对输入特征升维的系数是一个超参数，采用的升维系数的值是6，通过堆叠反残差模块形成一个骨干网络结构，即M-YOLOv3的主干网络。
S4中，引入GloU的损失函数来判断检测框和标签框的重叠程度；GIoU在IoU的基础上进行改进，不仅关注检测框和标签框的重叠区域，也关注非重叠区域的特征，其与IoU的关系式如下式(3)所示：
其中，A、B为任意的凸集，C为能够包围A、B的最小包围框；所述GIoU的取值范围是[-1,1]；
GIoU的回归预测框位置的损失函数LGIoU如下式(4)所示：
LGIoU＝1-GIoU (4)
根据LGIoU的值判断预测框与标签框的相似性，当LGIoU越接近0，表示预测框与标签框越相似。
S5中，改进后M-YOLOv3的损失函数Loss如下式(5)所示：
Loss＝LGIoU+Lconf+Lcls (5)
其中，LGloU，Lconf和Lcls分别表示回归预测框位置的损失函数，预测框的置信度交叉熵损失函数和类别的交叉熵损失函数。
具体实施时，请参阅图2，本发明一实施例——传统残差结构与反残差结构对比图，图2左侧是传统残差结构，其仅用到传统卷积操作，先采用1×1卷积降低特征层通道数，采用3×3的卷积层低维特征空间进行学习，再采用1×1卷积操作进行升维。图2右侧的反残差结构则先使用1×1卷积增加特征图通道数，再使用深度可分离卷积对特征图进行转换，最后使用1×1卷积缩小特征图通道。相比之下，深度可分离卷积的每一个卷积核只卷积一个通道，可以有效减少计算量。因此，反残差结构可以在学习多通道特征图的同时，保持较少计算量。
表1检测性能对比
请参阅表1，本发明与不同方法的检测性能对比，本次实验平台所采用的操作系统是Ubuntu 14.04.4，配备显卡为Tesla P100，显存空间是16G。CPU主频为1249.445MHz，采用12核处理器。本次实验采用mAP，FPS，精确度和回归率作为实验结果的评价指标。其中mAP，表示先求取所有类别的平均检测精度再求平均，FPS表示模型每秒能处理的帧数，精确度表示预测正样本与真实正样本的比值，回归率表示正样本中被正确预测的比例。由表1可以看出，本发明即KMG-YOLOv3的各项指标均为最优。
本发明对原始YOLOv3的电力梯子检测方法进行改进，在YOLOv3的网络结构中，使用MobileNetv2轻量级深度网络的主干网络替代YOLOv3的主干网络，通过利用深度可分离卷积构造反残差模块，减少网络参数，提高检测速度和实时性；在M-YOLOv3的基础上引入GIoU的损失函数来描述检测框和标签框的重合情况以及衡量预测框回归的好坏程度，从而得到最小的预测框偏移量，提高网络的检测精度。
以上所述的具体实施方案，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所做出的等同变化与修改，均应属于本发明保护的范围。

Claims (6)

1.一种基于轻量级网络的电力梯子检测方法，其特征在于，包括以下步骤：
S1：对监控视频进行抽帧处理，采集电力梯子图像，使用在线增强技术对图像进行平移和缩放，并使用K-means算法对数据集中的标签框进行聚类，输入尺寸为416×416的图片样本；
S2：将输入416×416的图片经M-YOLOv3网络进行特征提取，并通过特征金字塔融合、加强特征提取；
S3：对加强特征提取后的特征图卷积并进行2倍上采样，再利用卷积预测；
S4：引入GloU的损失函数来判断检测框和标签框的重叠程度，并衡量预测框回归的精确程度，当回归预测框位置的损失越接近0，表示预测框与标签框越相似；
S5：根据预测结果，输出电力绝缘梯和非绝缘梯的检测图。
2.根据权利要求1所述的一种基于轻量级网络的电力梯子检测方法，其特征在于，S1中，使用K-means算法对数据集中的标签框进行聚类，K-means通过迭代求解，将相似的样本归于同一类别，其中，三个尺度的锚点框分别为(17,53)，(25,117)，(26,187)；(31,282)，(40,209)，(55,146)；(61,284)，(66,356)，(147,284)，得到输入图片的样本尺寸为416×416。
3.根据权利要求1所述的一种基于轻量级网络的电力梯子检测方法，其特征在于，S2中，使用MobileNetv2轻量级深度网络的主干网络替代YOLOv3的主干网络，命名为M-YOLOv3；轻量级深度网络MobileNetv2利用深度可分离卷积构造反残差模块；深度可分离卷积将传统卷积操作分成两步卷积操作，分别为深度卷积和点卷积；在深度卷积中，每个卷积核不再与所有输入特征图通道进行按位相乘，而是只对一个输入通道进行卷积操作，输入通道数与输出通道数相等。
4.根据权利要求3所述的一种基于轻量级网络的电力梯子检测方法，其特征在于，S2中，MobileNetv2利用深度可分离卷积构造的反残差模块中，使用1×1的点卷积对深度卷积的输出特征图进行传统卷积运算，调整输出通道数；传统卷积计算量FLOPs1与深度可分离卷积的计算量FLOPs2分别如下式(1)和式(2)所示：
FLOPs1＝DF*DF*Dk*Dk*M*N (1)
FLOPs2＝Dk*Dk*M*DF*DF+1*1*M*N*DF*DF (2)
其中，DF为特征图尺寸，DK为卷积核尺寸，M为输入通道数，N为输出通道数；
反残差结构使用深度可分离卷积，先使用1×1卷积增加特征图通道数，再使用深度可分离卷积对特征图进行转换，最后使用1×1卷积缩小特征图通道；反残差模块中对输入特征升维的系数是一个超参数，采用的升维系数的值是6，通过堆叠反残差模块形成一个骨干网络结构，即M-YOLOv3的主干网络。
5.根据权利要求1所述的一种基于轻量级网络的电力梯子检测方法，其特征在于，S4中，引入GloU的损失函数来判断检测框和标签框的重叠程度；GIoU在IoU的基础上进行改进，不仅关注检测框和标签框的重叠区域，也关注非重叠区域的特征，其与IoU的关系式如下式(3)所示：
其中，A、B为任意的凸集，C为能够包围A、B的最小包围框；所述GIoU的取值范围是[-1,1]；
GIoU的回归预测框位置的损失函数LGIoU如下式(4)所示：
LGIoU＝1-GIoU (4)
根据LGIoU的值判断预测框与标签框的相似性，当LGIoU越接近0，表示预测框与标签框越相似。
6.根据权利要求1所述的一种基于轻量级网络的电力梯子检测方法，其特征在于，S5中，改进后M-YOLOv3的损失函数Loss如下式(5)所示：
Loss＝LGIoU+Lconf+Lcls (5)
其中，LGloU，Lconf和Lcls分别表示回归预测框位置的损失函数，预测框的置信度交叉熵损失函数和类别的交叉熵损失函数。
CN202310543119.2A 2023-05-15 2023-05-15 一种基于轻量级网络的电力梯子检测方法 Pending CN116665090A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310543119.2A CN116665090A (zh) 2023-05-15 2023-05-15 一种基于轻量级网络的电力梯子检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310543119.2A CN116665090A (zh) 2023-05-15 2023-05-15 一种基于轻量级网络的电力梯子检测方法

Publications (1)

Publication Number Publication Date
CN116665090A true CN116665090A (zh) 2023-08-29

Family

ID=87714478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310543119.2A Pending CN116665090A (zh) 2023-05-15 2023-05-15 一种基于轻量级网络的电力梯子检测方法

Country Status (1)

Country Link
CN (1) CN116665090A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815886A (zh) * 2019-01-21 2019-05-28 南京邮电大学 一种基于改进YOLOv3的行人和车辆检测方法及系统
CN111444809A (zh) * 2020-03-23 2020-07-24 华南理工大学 一种基于改进YOLOv3的输电线路异常目标检测方法
CN114220035A (zh) * 2021-12-23 2022-03-22 中科合肥智慧农业协同创新研究院 一种基于改进yolo v4的快速害虫检测方法
CN114937151A (zh) * 2022-05-06 2022-08-23 西安电子科技大学 基于多感受野和注意力特征金字塔的轻量级目标检测方法
CN115829999A (zh) * 2022-12-22 2023-03-21 国网新疆电力有限公司信息通信公司 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质
CN115908833A (zh) * 2022-11-23 2023-04-04 凌坤(南通)智能科技有限公司 一种基于改进YOLOv3的轻量级垃圾检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815886A (zh) * 2019-01-21 2019-05-28 南京邮电大学 一种基于改进YOLOv3的行人和车辆检测方法及系统
CN111444809A (zh) * 2020-03-23 2020-07-24 华南理工大学 一种基于改进YOLOv3的输电线路异常目标检测方法
CN114220035A (zh) * 2021-12-23 2022-03-22 中科合肥智慧农业协同创新研究院 一种基于改进yolo v4的快速害虫检测方法
CN114937151A (zh) * 2022-05-06 2022-08-23 西安电子科技大学 基于多感受野和注意力特征金字塔的轻量级目标检测方法
CN115908833A (zh) * 2022-11-23 2023-04-04 凌坤(南通)智能科技有限公司 一种基于改进YOLOv3的轻量级垃圾检测方法
CN115829999A (zh) * 2022-12-22 2023-03-21 国网新疆电力有限公司信息通信公司 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN111898432B (zh) 一种基于改进YOLOv3算法的行人检测系统及方法
CN111709909A (zh) 基于深度学习的通用印刷缺陷检测方法及其模型
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN112364931B (zh) 一种基于元特征和权重调整的少样本目标检测方法及网络系统
CN107092884B (zh) 一种快速粗精级联行人检测方法
CN110399840B (zh) 一种快速的草坪语义分割及边界检测方法
CN107545263A (zh) 一种物体检测方法及装置
CN117557775B (zh) 基于红外和可见光融合的变电站电力设备检测方法及系统
CN115035371A (zh) 基于多尺度特征融合神经网络的井壁裂缝识别方法
CN116524189A (zh) 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法
CN115937736A (zh) 基于注意力和上下文感知的小目标检测方法
CN117611994A (zh) 基于注意力机制加权特征融合的遥感图像目标检测方法
CN116152254A (zh) 工业泄露目标气体检测模型训练方法、检测方法、电子设备
CN114120202B (zh) 一种基于多尺度目标模型和特征融合的半监督视频目标分割方法
CN111027440A (zh) 一种基于神经网络的人群异常行为检测装置和检测方法
CN114332655A (zh) 一种车辆自适应融合检测方法及系统
CN117609925A (zh) 基于多教师网络知识蒸馏的工业异常检测方法及系统
CN113052234A (zh) 一种基于图像特征和深度学习技术的玉石分类方法
CN111950452A (zh) 一种人脸识别方法
CN116934820A (zh) 基于交叉注意力的多尺寸窗口Transformer网络布匹图像配准方法及系统
CN116385766A (zh) 一种融合梯度图的镂空目标检测方法
CN116665090A (zh) 一种基于轻量级网络的电力梯子检测方法
CN113673534B (zh) 一种基于Faster RCNN的RGB-D图像果实检测方法
CN112131996B (zh) 基于通道分离卷积的路侧图像多尺度行人快速检测方法

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