CN116958148B - 输电线路关键部件缺陷的检测方法、装置、设备、介质 - Google Patents

输电线路关键部件缺陷的检测方法、装置、设备、介质 Download PDF

Info

Publication number
CN116958148B
CN116958148B CN202311218677.8A CN202311218677A CN116958148B CN 116958148 B CN116958148 B CN 116958148B CN 202311218677 A CN202311218677 A CN 202311218677A CN 116958148 B CN116958148 B CN 116958148B
Authority
CN
China
Prior art keywords
feature
fusion
primary
module
feature fusion
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
Application number
CN202311218677.8A
Other languages
English (en)
Other versions
CN116958148A (zh
Inventor
卢立晖
陈振聪
刘利
王日凡
陈佳琪
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.)
Qufu Normal University
Original Assignee
Qufu Normal 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 Qufu Normal University filed Critical Qufu Normal University
Priority to CN202311218677.8A priority Critical patent/CN116958148B/zh
Publication of CN116958148A publication Critical patent/CN116958148A/zh
Application granted granted Critical
Publication of CN116958148B publication Critical patent/CN116958148B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体为输电线路关键部件缺陷的检测方法、装置、设备、介质，该检测方法在教师网络和学生网络中均设有坐标注意力处理、空间注意力处理、自适应融合、特征融合操作，可获得关键信息丰富的图形特征；学生网络在学习教师网络的过程中，不仅要学对应层的特征融合信息，还要回顾性学习上一层与教师网络存在的特征融合学习差，且最后一层还要学习之前所有层的特征融合学习差；同时，学生网络的初级分类器模块在进行缺陷目标检测时，还会关注教师缺陷目标检测结果和原始真实标签之间的特征，让学生网络既能够学到更多来自于教师网络的信息，也能关注到原始图像特征，便于整个检测方法输出更准确的目标检测结果。

Description

输电线路关键部件缺陷的检测方法、装置、设备、介质
技术领域
本发明涉及图像处理技术领域，具体为输电线路关键部件缺陷的检测方法、装置、设备、介质。
背景技术
基于云计算的图像处理技术在输电线路检测中，能够提高大规模数据处理的效率，但它在数据上传和下载过程中容易出现延迟。为了避免上传延迟并提高响应速度，近年来基于边缘计算的图像处理技术引起广泛关注。通过将基于云的数据处理任务转移到边缘设备，基于边缘计算的检测模式使检测过程更具响应性，同时避免上传延迟。然而，基于边缘计算的图像处理技术也存在一些技术挑战。一方面，为了满足实时检测的要求，检测器需要快速检测大量数据。然而，许多快速检测方法在准确性方面存在局限，错误检测也是一个常见问题。另一方面，高精度检测模型需要更多的计算资源来进行高效计算，这增加了边缘设备的计算压力。因此，研究一种平衡检测速度和精度的缺陷检测方法，对基于边缘计算的检测技术的发展具有重要意义。
在许多电力系统关键部件的缺陷检测方法中，往往忽略了精度和速度之间的平衡。此外，许多研究采用轻量级网络结构来实现更快的检测速度，当面临复杂的检测环境时，这些模型可能无法满足实际应用的要求。值得注意的是，无人机相机经常受到风速和抖动等因素的影响，这不可避免地会导致图像模糊。尽管去模糊可以消除模糊的影响，但它往往会导致信息丢失，从而影响最终的检测结果。
发明内容
本发明提供了一种输电线路关键部件缺陷的检测方法、装置、设备、介质。
本发明技术方案如下：
一种输电线路关键部件缺陷的检测方法，包括如下操作：
S1、获取数据集：分别获取输电线路的动态模糊图像和静态清楚图像，得到动态模糊数据集和静态清楚数据集；
S2、构建并训练教师网络：将高级特征提取模块、高级特征融合模块、高级分类器模块依次连接组成教师网络；所述教师网络经静态清楚数据集训练，得到训练教师网络；
所述高级特征提取模块用于实现改变图像尺寸、改变图像通道数和高级特征提取；所述高级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合和特征融合；所述高级分类器模块用于实现教师缺陷目标检测；
S3、构建并训练学生网络：将初级特征提取模块、初级特征融合模块、初级分类器模块依次连接组成学生网络；所述学生网络经动态模糊数据集训练，得到训练学生网络；
所述初级特征提取模块用于实现改变图像尺寸、改变图像通道数和初级特征提取，所述初级特征提取包括部分卷积；所述初级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合、特征融合，以及学习所述高级特征融合模块；所述初级分类器模块用于实现学习教师缺陷目标检测结果和原始真实标签后，进行学生缺陷目标检测；
所述初级特征融合模块中的初级特征融合层，学习所述高级特征融合模块中对应层级的高级特征融合层，并获取每层的特征融合学习差；下一层初级特征融合层学习上一层的特征融合学习差；最后一层初级特征融合层学习所有层的特征融合学习差；
S4、缺陷目标检测：获取待检输电线路图，所述待检输电线路图分别经训练教师网络和训练学生网络处理，当所述训练教师网络和训练学生网络之间的特征损失熵小于阈值时，输出缺陷目标检测结果。
所述高级特征融合模块或初级特征融合模块中，输入特征图分别经坐标注意力处理和空间注意力处理，得到坐标注意力特征图和空间注意力特征图；所述坐标注意力特征图和空间注意力处理特征图，经自适应融合，得到自适应融合特征图；所述自适应融合特征图与输入特征图经特征融合处理后，执行所述高级分类器模块或初级分类器模块的处理。
所述空间注意力处理的操作具体为：所述高级特征融合模块或初级特征融合模块中，输入特征图分别经全局最大池化和全局平均池化，得到第一张量和第二张量；所述第一张量和第二张量经拼接，进行扩张卷积，经权重分配后，与所述输入特征图进行融合，得到所述空间注意力特征图。
所述自适应融合的操作具体为：所述坐标注意力特征图和空间注意力特征图分别经自适应分配权重，进行权重融合处理，得到所述自适应融合特征图。
所述S4中的特征损失熵为学习特征损失熵和分类特征损失熵之和；
所述学习特征损失熵为最后一层初级特征融合层与最后一层高级特征融合层之间的损失熵；
所述分类特征损失熵为初级分类器模块与高级分类器模块之间的损失熵。
所述初级特征提取的操作具体为：将经改变图像尺寸和改变图像通道数处理的图像，依次进行部分卷积处理、多次的常规卷积、批量归一化和激活处理后，得到第一卷积特征图；所述第一卷积特征图与所述图像，进行拼接融合，经所述改变图像尺寸和改变图像通道数处理后，执行所述初级特征融合模块中的操作。
所述常规卷积为普通卷积或1×1卷积。
一种输电线路关键部件缺陷的检测装置，包括：
数据集生成系统，用于分别获取输电线路的动态模糊图像和静态清楚图像，得到动态模糊数据集和静态清楚数据集；
构建并训练教师网络系统，用于将高级特征提取模块、高级特征融合模块、高级分类器模块依次连接组成教师网络；所述教师网络经静态清楚数据集训练，得到训练教师网络；所述高级特征提取模块用于实现改变图像尺寸、改变图像通道数和高级特征提取；所述高级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合和特征融合；所述高级分类器模块用于实现教师缺陷目标检测；
构建并训练学生网络系统，用于将初级特征提取模块、初级特征融合模块、初级分类器模块依次连接组成学生网络；所述学生网络经动态模糊数据集训练，得到训练学生网络；所述初级特征提取模块用于实现改变图像尺寸、改变图像通道数和初级特征提取，所述初级特征提取包括部分卷积；所述初级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合、特征融合，以及学习所述高级特征融合模块；所述初级分类器模块用于实现学习教师缺陷目标检测结果和原始真实标签后，进行学生缺陷目标检测；所述初级特征融合模块中的初级特征融合层，学习所述高级特征融合模块中对应层级的高级特征融合层，并获取每层的特征融合学习差；下一层初级特征融合层学习上一层的特征融合学习差；最后一层初级特征融合层学习所有层的特征融合学习差；
缺陷目标检测系统，用于获取待检输电线路图，所述待检输电线路图分别经训练教师网络和训练学生网络处理，当所述训练教师网络和训练学生网络之间的特征损失熵小于阈值时，输出缺陷目标检测结果。
一种输电线路关键部件缺陷的检测设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现上述的输电线路关键部件缺陷的检测方法。
一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现上述的输电线路关键部件缺陷的检测方法。
本发明的有益效果在于：
本发明提供的一种输电线路关键部件缺陷的检测方法，教师网络和学生网络中均设有坐标注意力处理、空间注意力处理、自适应融合、特征融合操作，可获得关键信息丰富的图形特征；学生网络在学习教师网络的过程中，不仅要学对应层的特征融合信息，还要回顾性学习上一层与教师网络存在的特征融合学习差，且最后一层还要学习之前所有层的特征融合学习差；同时，学生网络的初级分类器模块在进行缺陷目标检测时，还会关注教师缺陷目标检测结果和原始真实标签之间的特征，让学生网络既能够学到更多来自于教师网络的信息，也能关注到原始图像特征，便于整个检测方法输出更准确的目标检测结果；
本发明提供的一种输电线路关键部件缺陷的检测方法，利用静态清楚数据集训练教师网络，可使教师网络能够提取到准确丰富的图像特征信息，便于学生网络在学习教师网络时能够提取关键信息，提高学习效率；利用动态模糊数据集训练学生网络，使得学生网络在学习教师网络的过程中，能够关注到动态模糊数据中的图像特征，从而能够对动态模糊数据进行准确的缺陷目标检测，减少信息损失。
附图说明
通过阅读下文优选实施方式的详细描述，本申请的方案和优点对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
在附图中：
图1为本实施例提供检测方法处理数据集D1得到的混淆矩阵图；
图2为本实施例提供检测方法处理数据集D2得到的混淆矩阵图；
图3为YOLOv5n处理数据集D2得到的混淆矩阵图。
具体实施方式
下面将结合附图更详细地描述本公开的示例性实施方式。
本实施例提供一种输电线路关键部件缺陷的检测方法，包括如下操作：
S1、获取数据集：分别获取输电线路的动态模糊图像和静态清楚图像，得到动态模糊数据集和静态清楚数据集；
S2、构建并训练教师网络：将高级特征提取模块、高级特征融合模块、高级分类器模块依次连接组成教师网络；所述教师网络经静态清楚数据集训练，得到训练教师网络；
所述高级特征提取模块用于实现改变图像尺寸、改变图像通道数和高级特征提取；所述高级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合和特征融合；所述高级分类器模块用于实现教师缺陷目标检测；
S3、构建并训练学生网络：将初级特征提取模块、初级特征融合模块、初级分类器模块依次连接组成学生网络；所述学生网络经动态模糊数据集训练，得到训练学生网络；
所述初级特征提取模块用于实现改变图像尺寸、改变图像通道数和初级特征提取，所述初级特征提取包括部分卷积；所述初级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合、特征融合，以及学习所述高级特征融合模块；所述初级分类器模块用于实现学习教师缺陷目标检测结果和原始真实标签后，进行学生缺陷目标检测；
所述初级特征融合模块中的初级特征融合层，学习所述高级特征融合模块中对应层级的高级特征融合层，并获取每层的特征融合学习差；下一层初级特征融合层学习上一层的特征融合学习差；最后一层初级特征融合层学习所有层的特征融合学习差；
S4、缺陷目标检测：获取待检输电线路图，所述待检输电线路图分别经训练教师网络和训练学生网络处理，当所述训练教师网络和训练学生网络之间的特征损失熵小于阈值时，输出缺陷目标检测结果。
S1、获取数据集：分别获取输电线路的动态模糊图像和静态清楚图像，得到动态模糊数据集和静态清楚数据集。
由于现有的绝缘子数据集（又称CPLID缺陷数据集）缺陷目标的数量和类型有限，用于检测输电线路的绝缘体缺陷，无法确保检测结果的准确度和稳定性。因此，本实施例构建了一个仅含有输电线路的静态清楚图像的数据集，即静态清楚数据集，包括CPLID缺陷数据集中的248个绝缘体缺陷图像数据，以及五种不同类型的缺陷图像数据，如损坏、污垢、跌落、鸟巢和阻尼器。
为了解决图像中的运动模糊问题，将静态清楚数据集进行增强，优选使用OpenCV库中的cv2.filter2D（）函数来实现增强。具体为，从静态清楚数据集中五种不同类型的缺陷图像数据中，分别随机选择100个图像，并使用拍摄得到的对应类型的输电线路的动态模糊图像，来替换初始图像数据，因此，得到动态模糊数据集。每个数据集中均有4300张样本，每个数据集均以8:2的比例分为训练集和测试集，并使用LabelImg工具对数据集中的图像进行注释。
S2、构建并训练教师网络：将高级特征提取模块、高级特征融合模块、高级分类器模块依次连接组成教师网络；所述教师网络经静态清楚数据集训练，得到训练教师网络；所述高级特征提取模块用于实现改变图像尺寸、改变图像通道数和高级特征提取；所述高级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合和特征融合；所述高级分类器模块用于实现教师缺陷目标检测。
教师网络当中的高级特征提取模块中包含有改变图像尺寸层、改变图像通道数，以及用于提取图像语义特征的高级特征提取层，分别能够实现改变图像尺寸、改变图像通道数和高级特征提取的功能。其中，改变图像尺寸具体为将待处理图像尺寸进行降尺寸处理，每次降尺寸的过程中，均会将待处理图像的尺寸降低至一半。改变图像通道数的处理，具体为增加待处理图像的通道数。
高级特征提取的操作为：将待处理图像依次进行普通卷积、批量归一化和激活处理，经多次图像参数降低处理后，与经过普通卷积、批量归一化和激活处理的待处理图像进行拼接融合，再依次经普通卷积、批量归一化和激活处理后，执行高级特征融合模块中的操作。激活处理优选使用Sigmoid函数。
进入高级特征融合模块的输入特征图，分别经坐标注意力处理和空间注意力处理，得到坐标注意力特征图和空间注意力特征图；坐标注意力特征图和空间注意力处理特征图，经自适应融合，得到自适应融合特征图；自适应融合特征图与输入特征图经特征融合处理后，执行高级分类器模块或初级分类器模块的处理。
坐标注意力处理的操作为：进入高级特征融合模块的输入特征图，分别经水平方向池化和垂直方向池化，得到第一水平嵌入特征图和第二垂直嵌入特征图；将第一水平池化量和第二垂直池化量进行拼接，经卷积、第一激活、分割后，得到第二水平嵌入特征图和第二垂直嵌入特征图；第二水平池化量和第二垂直池化量分别经卷积和第二激活处理后，得到水平注意力向量gh和垂直注意力向量gw，将水平注意力向量和垂直注意力向量分别分配权重后，与输入特征图进行特征融合，得到坐标注意力特征图。
具体为，输入特征图分别沿着特征图的水平和垂直方向的（H，1）和（1，W）两个池化核进行池化，所得的两个嵌入特征图沿着空间维度拼接连接，然后经1x1卷积，H-swish函数激活后，沿着空间维度被分割成两个独立的张量，与连接前一样具有一致的维度，接着经1x1卷积后通过Sigmoid激活，以获得水平注意力向量gh和垂直注意力向量gw，最后，水平注意力向量gh和垂直注意力向量gw经权重分配、与输入特征图进行特征融合，最终获得坐标注意力特征图。这种坐标注意力处理方法分别对输入特征图的水平特征和垂直特征进行注意力处理，可以捕获不同方向上的长程相关性，并准确地保留相反方向上的位置信息。
空间注意力处理的操作为：进入高级特征融合模块的输入特征图，分别经全局最大池化和全局平均池化，得到第一张量和第二张量；第一张量和第二张量经拼接，进行扩张卷积，经权重分配后，与输入特征图进行融合，得到空间注意力特征图。
自适应融合的操作为：坐标注意力特征图和空间注意力特征图分别经自适应分配权重，进行权重融合处理，得到所述自适应融合特征图。
自适应分配权重可通过如下公式实现：
，
为权重，wi为第一学习权重，wj为第二学习权重，可根据需求，提前设定，/>取0.0001，用于避免分母为零，xi为输入。
权重融合可通过如下公式实现：
，
S(F)为自适应融合特征图，为Sigmoid函数，yCA为坐标注意力特征图，为坐标 注意力特征图权重，yspatial为空间注意力特征图，为空间注意力特征图权重。
利用静态清楚数据集训练教师网络，可使教师网络能够提取到准确丰富的图像特征信息，便于学生网络在学习教师网络时能够提取准确的关键信息，提高学习效率。
S3、构建并训练学生网络：将初级特征提取模块、初级特征融合模块、初级分类器模块依次连接组成学生网络；学生网络经动态模糊数据集训练，得到训练学生网络；初级特征提取模块用于实现改变图像尺寸、改变图像通道数和初级特征提取，初级特征提取包括部分卷积；初级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合、特征融合，以及学习高级特征融合模块；初级分类器模块用于实现学习教师缺陷目标检测结果和原始真实标签后，进行学生缺陷目标检测；初级特征融合模块中的初级特征融合层，学习高级特征融合模块中对应层级的高级特征融合层，并获取每层的特征融合学习差；下一层初级特征融合层学习上一层的特征融合学习差；最后一层初级特征融合层学习所有层的特征融合学习差。
学生网络当中的初级特征提取模块中包含有改变图像尺寸层、改变图像通道数，以及用于提取图像语义特征的高级特征提取层，分别能够实现改变图像尺寸、改变图像通道数和高级特征提取的功能。其中，改变图像尺寸具体为将待处理图像尺寸进行降尺寸处理，每次降尺寸的过程中，均会将待处理图像的尺寸降低至一半。改变图像通道数的处理，具体为增加待处理图像的通道数。
初级特征提取的操作为：将经改变图像尺寸和改变图像通道数处理的图像，依次进行部分卷积、多次的常规卷积、批量归一化和激活处理后，得到第一卷积特征图；第一卷积特征图与图像，进行拼接融合，经改变图像尺寸和改变图像通道数处理后，执行初级特征融合模块中的操作。常规卷积为普通卷积或1×1卷积，优选1×1卷积。初级特征提取中包括一次3×3 部分卷积，和2次1×1 卷积的处理操作。
其中，部分卷积的操作中，会将图像输入通道划分为n个相等的部分，并且在对输入1/n通道的数量进行常规卷积之后，将其与剩余的（n-1）/n通道直接级联，部分卷积与普通卷积相比，浮点运算成本更低，有利于提高计算效率。具体为，给定输入特征图，应用大小为k×k的卷积核来计算输出特征图。普通卷积的浮点运算成本是C×H×W×C×k×k，并且它们的存储器访问成本是H×W×2C+k×k×C×C。然而，对于部分卷积，它的浮点运算成本是Cp×H×W×k×k×Cp，并且它的存储器访问成本是H×W×2Cp+k×k×Cp。定义Cp/C=K，其中K<1，部分卷积的浮点运算成本是普通卷积的K2倍，存储器访问成本是普通卷积的K倍，由此可大幅度提升计算效率。
进入初级特征融合模块的输入特征图，分别经坐标注意力处理和空间注意力处理，得到坐标注意力特征图和空间注意力特征图；坐标注意力特征图和空间注意力处理特征图，经自适应融合，得到自适应融合特征图；自适应融合特征图与输入特征图经特征融合处理后，执行初级分类器模块的处理。初级特征融合模块中坐标注意力处理、空间注意力处理和自适应融合的操作过程，与高级特征融合模块相同，为节省篇幅，因此不在此重复论述。
在整个检测方法中，学生网络学习教师网络的过程具体为，学生网络的初级特征融合模块中的初级特征融合层，学习教师网络的高级特征融合模块中对应层级的高级特征融合层，并获取每层的特征融合学习差；下一层初级特征融合层学习上一层的特征融合学习差；最后一层初级特征融合层学习所有层的特征融合学习差。这意味着学生网络中每层初级特征融合层不仅要学习与教师网络相对应的层次特征，还学习之前与教师网络中高级特征融合层之间的特征差，以实现渐进学习，且最后一层的初级特征融合层需回顾所有历史层的特征差，以进一步弥补学生网络的差学习能力，让学生网络能够学到更多来自于教师网络的信息；最后，学生网络的初级分类器模块在进行缺陷目标检测时，会学习教师缺陷目标检测结果和原始真实标签（带有真实检测标签的数据，可人工标记，可提前输入至学生网络中）之间的特征差，让学生网络既能够学到更多来自于教师网络的信息，也能关注到原始图像特征，进一步提高学生网络的目标检测能力，学生网络的缺陷目标检测结果作为整个检测方法的输出结果，最终得到准确度高的缺陷目标检测结果。
利用动态模糊数据集训练学生网络，使得学生网络在学习教师网络的过程中，能够根据教师网络指导，关注到动态模糊数据中的图像特征，从而能够对动态模糊数据进行准确的缺陷目标检测。
S4、缺陷目标检测：获取待检输电线路图，待检输电线路图分别经训练教师网络和训练学生网络处理，当训练教师网络和训练学生网络之间的特征损失熵小于阈值时，输出缺陷目标检测结果。
特征损失熵为学习特征损失熵和分类特征损失熵之和；学习特征损失熵为最后一层初级特征融合层与最后一层高级特征融合层之间的损失熵（也为学生网络的学习特征损失熵）；分类特征损失熵为初级分类器模块与高级分类器模块之间的损失熵，这样可以确保学生网络既能够可回顾性学习教师网络，又关注与高级分类器模块之间的分类差异性，以此提高学生网络的缺陷目标检测准确度。
特征损失熵L可通过如下公式实现：
，
Lrespond为分类特征损失熵，Lrestrospective为学习特征损失熵，µ为超参数，取值为0.6。当特征损失熵小于阈值后，整个检测方法当中损伤函数曲线逐渐平稳，检测效果趋于稳定，有利于提供稳定且准确的检测结果。
其中，分类特征损失熵由分类损失，置信度损失和边界框回归损失/>组成，即：
，、、分别为分类、置信度和边界框位置的基础真值，分别为学生网络的分 类、置信度和边界框位置的输出值，分别为教师网络的分类、置信度和边界框位 置的输出值，为置信度权重，α、β、γ分别为第一权重参数、第二权重参数、第三权重参 数，分别为0.5、1.0和0.05，gcls（）、gobj（）、gbbox（）分别为第一函数、第二函数、第三函数。边 界框回归和分类损失中引入了置信度目标得分，学生网络学习置信度目标得分中置信度超 过阈值所对应的目标特征，这些目标特征与真实特征更为接近，以此提高学生网络学习能 力，提高学生网络的缺陷目标检测能力。
另外，学习特征损失熵可通过如下公式得到：
，
，为学生网络第i个初级特征融合层的输出，，为教师网络第i个高级特征融合层的输出，σ为L2损失函数。对于输入大小为640×640且 通道数为3的图像，的输出大小分别为40×40×512、80×80×256、40×40×256和20× 20×512，的输出大小分别为40×40×256、80×80×128、40×40×128和20×20×256。 因此，为了让学生网络能够匹配教师网络的输出通道数量，通过1×1卷积调整学生网络中 每一个初级特征融合层的输出通道数量，与教师网络中每一个高级特征融合层的输出通道 数量相等。
本实施例提供的检测方法可以优选布置在边缘设备当中，能够进一步提高边缘设备的平衡性、检测精度和检测效率，并且能够显著地提升无人机巡检待检输电线路图的可靠性。
为显示本实施例的检测方法能够消除运动模糊对图像信息损失的影响，将静态清楚数据集中的所有图像进行模糊处理，得到一个新的测试模糊数据集-数据集D2，将静态清楚数据集称为数据集D1。采用本实施例检测方法分别对数据集D1和数据集D2进行测试，得到如图1、图2所示的混淆矩阵，采用现有技术YOLOv5n（You Only Look Once v5系列的n版本模型）对数据集D2的处理结果如图3所示。其中，背景正样本错检是指，负样本（非背景）被分为了正样本，分错了。背景负样本正检是指，正样本（背景）被分为负样本，分错了。从图1可以看出，在没有运动模糊影响的情况下，本实施例提供的检测方法检测到的缺陷准确度都较高，从图2可以看出，即使有运动模糊的影响，本实施例提供的检测方法也能有效消除运动模糊的影响。相比之下，图3为YOLOv5n在处理数据集D2上的性能并不令人满意，所有类别的准确率都大幅下降。综上，本实施例提供的检测方法，可以有效地消除运动模糊对图像信息损失的影响，能够有效提升检测准确度。
本实施例还提供一种输电线路关键部件缺陷的检测装置，包括：
数据集生成系统，用于分别获取输电线路的动态模糊图像和静态清楚图像，得到动态模糊数据集和静态清楚数据集；
构建并训练教师网络系统，用于将高级特征提取模块、高级特征融合模块、高级分类器模块依次连接组成教师网络；教师网络经静态清楚数据集训练，得到训练教师网络；高级特征提取模块用于实现改变图像尺寸、改变图像通道数和高级特征提取；高级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合和特征融合；高级分类器模块用于实现教师缺陷目标检测；
构建并训练学生网络系统，用于将初级特征提取模块、初级特征融合模块、初级分类器模块依次连接组成学生网络；学生网络经动态模糊数据集训练，得到训练学生网络；初级特征提取模块用于实现改变图像尺寸、改变图像通道数和初级特征提取，初级特征提取包括部分卷积；初级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合、特征融合，以及学习高级特征融合模块；初级分类器模块用于实现学习教师缺陷目标检测结果和原始真实标签后，进行学生缺陷目标检测；初级特征融合模块中的初级特征融合层，学习高级特征融合模块中对应层级的高级特征融合层，并获取每层的特征融合学习差；下一层初级特征融合层学习上一层的特征融合学习差；最后一层初级特征融合层学习所有层的特征融合学习差；
缺陷目标检测系统，用于获取待检输电线路图，待检输电线路图分别经训练教师网络和训练学生网络处理，当训练教师网络和训练学生网络之间的特征损失熵小于阈值时，输出缺陷目标检测结果。
本实施例还提供一种输电线路关键部件缺陷的检测设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现上述的输电线路关键部件缺陷的检测方法。
本实施例还提供一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现上述的输电线路关键部件缺陷的检测方法。
本实施例提供的一种输电线路关键部件缺陷的检测方法，教师网络和学生网络中均设有坐标注意力处理、空间注意力处理、自适应融合、特征融合操作，可获得关键信息丰富的图形特征；学生网络在学习教师网络的过程中，不仅要学对应层的特征融合信息，还要回顾性学习上一层与教师网络存在的特征融合学习差，且最后一层还要学习之前所有层的特征融合学习差；同时，学生网络的初级分类器模块在进行缺陷目标检测时，还会关注教师缺陷目标检测结果和原始真实标签之间的特征，让学生网络既能够学到更多来自于教师网络的信息，也能关注到原始图像特征，便于整个检测方法输出更准确的目标检测结果。
本实施例提供的一种输电线路关键部件缺陷的检测方法，利用静态清楚数据集训练教师网络，可使教师网络能够提取到准确丰富的图像特征信息，便于学生网络在学习教师网络时能够提取关键信息，提高学习效率；利用动态模糊数据集训练学生网络，使得学生网络在学习教师网络的过程中，能够关注到动态模糊数据中的图像特征，从而能够对动态模糊数据进行准确的缺陷目标检测，减少信息损失。

Claims (8)

1.一种输电线路关键部件缺陷的检测方法，其特征在于，包括如下操作：
S1、获取数据集：分别获取输电线路的动态模糊图像和静态清楚图像，得到动态模糊数据集和静态清楚数据集；
S2、构建并训练教师网络：将高级特征提取模块、高级特征融合模块、高级分类器模块依次连接组成教师网络；所述教师网络经静态清楚数据集训练，得到训练教师网络；
所述高级特征提取模块用于实现改变图像尺寸、改变图像通道数和高级特征提取；所述高级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合和特征融合；所述高级分类器模块用于实现教师缺陷目标检测；
S3、构建并训练学生网络：将初级特征提取模块、初级特征融合模块、初级分类器模块依次连接组成学生网络；所述学生网络经动态模糊数据集训练，得到训练学生网络；
所述初级特征提取模块用于实现改变图像尺寸、改变图像通道数和初级特征提取，所述初级特征提取包括部分卷积；所述初级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合、特征融合，以及学习所述高级特征融合模块；所述初级分类器模块用于实现学习教师缺陷目标检测结果和原始真实标签后，进行学生缺陷目标检测；
所述初级特征融合模块中的初级特征融合层，学习所述高级特征融合模块中对应层级的高级特征融合层，并获取每层的特征融合学习差；下一层初级特征融合层学习上一层的特征融合学习差；最后一层初级特征融合层学习所有层的特征融合学习差；
所述高级特征融合模块或初级特征融合模块中，输入特征图分别经坐标注意力处理和空间注意力处理，得到坐标注意力特征图和空间注意力特征图；所述坐标注意力特征图和空间注意力处理特征图，经自适应融合，得到自适应融合特征图；所述自适应融合特征图与输入特征图经特征融合处理后，执行所述高级分类器模块或初级分类器模块的处理；
S4、缺陷目标检测：获取待检输电线路图，所述待检输电线路图分别经训练教师网络和训练学生网络处理，当所述训练教师网络和训练学生网络之间的特征损失熵小于阈值时，输出缺陷目标检测结果；
所述特征损失熵为学习特征损失熵和分类特征损失熵之和；所述学习特征损失熵为最后一层初级特征融合层与最后一层高级特征融合层之间的损失熵；所述分类特征损失熵为初级分类器模块与高级分类器模块之间的损失熵；
所述特征损失熵L可通过如下公式得到：
，
Lrespond为所述分类特征损失熵，Lrestrospective为所述学习特征损失熵，µ为超参数；
，为分类损失，/>为置信度损失，/>为边界框回归损失，/>、/>、/>分别为分类、置信度和边界框位置的基础真值，分别为学生网络的分类、置信度和边界框位置的输出值，/>分别为教师网络的分类、置信度和边界框位置的输出值，/>为置信度权重，α、β、γ分别为第一权重参数、第二权重参数、第三权重参数，gcls（）、gobj（）、gbbox（）分别为第一函数、第二函数、第三函数；
，/>，/>为学生网络第i个初级特征融合层的输出，/>，/>为教师网络第i个高级特征融合层的输出，σ为L2损失函数。
2.根据权利要求1所述的检测方法，其特征在于，所述空间注意力处理的操作具体为：
所述高级特征融合模块或初级特征融合模块中，输入特征图分别经全局最大池化和全局平均池化，得到第一张量和第二张量；
所述第一张量和第二张量经拼接，进行扩张卷积，经权重分配后，与所述输入特征图进行融合，得到所述空间注意力特征图。
3.根据权利要求1所述的检测方法，其特征在于，所述自适应融合的操作具体为：
所述坐标注意力特征图和空间注意力特征图分别经自适应分配权重，进行权重融合处理，得到所述自适应融合特征图。
4.根据权利要求1所述的检测方法，其特征在于，所述初级特征提取的操作具体为：
将经改变图像尺寸和改变图像通道数处理的图像，依次进行部分卷积处理、多次的常规卷积、批量归一化和激活处理后，得到第一卷积特征图；
所述第一卷积特征图与所述图像，进行拼接融合，经所述改变图像尺寸和改变图像通道数处理后，执行所述初级特征融合模块中的操作。
5.根据权利要求4所述的检测方法，其特征在于，所述常规卷积为普通卷积或1×1卷积。
6.一种输电线路关键部件缺陷的检测装置，其特征在于，包括：
数据集生成系统，用于分别获取输电线路的动态模糊图像和静态清楚图像，得到动态模糊数据集和静态清楚数据集；
构建并训练教师网络系统，用于将高级特征提取模块、高级特征融合模块、高级分类器模块依次连接组成教师网络；所述教师网络经静态清楚数据集训练，得到训练教师网络；所述高级特征提取模块用于实现改变图像尺寸、改变图像通道数和高级特征提取；所述高级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合和特征融合；所述高级分类器模块用于实现教师缺陷目标检测；
构建并训练学生网络系统，用于将初级特征提取模块、初级特征融合模块、初级分类器模块依次连接组成学生网络；所述学生网络经动态模糊数据集训练，得到训练学生网络；所述初级特征提取模块用于实现改变图像尺寸、改变图像通道数和初级特征提取，所述初级特征提取包括部分卷积；所述初级特征融合模块用于实现坐标注意力处理、空间注意力处理、自适应融合、特征融合，以及学习所述高级特征融合模块；所述初级分类器模块用于学习教师缺陷目标检测结果和原始真实标签后，进行学生缺陷目标检测；所述初级特征融合模块中的初级特征融合层，学习所述高级特征融合模块中对应层级的高级特征融合层，并获取每层的特征融合学习差；下一层初级特征融合层学习上一层的特征融合学习差；最后一层初级特征融合层学习所有层的特征融合学习差；所述高级特征融合模块或初级特征融合模块中，输入特征图分别经坐标注意力处理和空间注意力处理，得到坐标注意力特征图和空间注意力特征图；所述坐标注意力特征图和空间注意力处理特征图，经自适应融合，得到自适应融合特征图；所述自适应融合特征图与输入特征图经特征融合处理后，执行所述高级分类器模块或初级分类器模块的处理；
缺陷目标检测系统，用于获取待检输电线路图，所述待检输电线路图分别经训练教师网络和训练学生网络处理，当所述训练教师网络和训练学生网络之间的特征损失熵小于阈值时，输出缺陷目标检测结果；
所述特征损失熵为学习特征损失熵和分类特征损失熵之和；所述学习特征损失熵为最后一层初级特征融合层与最后一层高级特征融合层之间的损失熵；所述分类特征损失熵为初级分类器模块与高级分类器模块之间的损失熵；
所述特征损失熵L可通过如下公式得到：
，
Lrespond为所述分类特征损失熵，Lrestrospective为所述学习特征损失熵，µ为超参数；
，为分类损失，/>为置信度损失，/>为边界框回归损失，/>、/>、/>分别为分类、置信度和边界框位置的基础真值，分别为学生网络的分类、置信度和边界框位置的输出值，/>分别为教师网络的分类、置信度和边界框位置的输出值，/>为置信度权重，α、β、γ分别为第一权重参数、第二权重参数、第三权重参数，gcls（）、gobj（）、gbbox（）分别为第一函数、第二函数、第三函数；
，/>，/>为学生网络第i个初级特征融合层的输出，/>，/>为教师网络第i个高级特征融合层的输出，σ为L2损失函数。
7.一种输电线路关键部件缺陷的检测设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1-5任一项所述的输电线路关键部件缺陷的检测方法。
8.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的输电线路关键部件缺陷的检测方法。
CN202311218677.8A 2023-09-21 2023-09-21 输电线路关键部件缺陷的检测方法、装置、设备、介质 Active CN116958148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311218677.8A CN116958148B (zh) 2023-09-21 2023-09-21 输电线路关键部件缺陷的检测方法、装置、设备、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311218677.8A CN116958148B (zh) 2023-09-21 2023-09-21 输电线路关键部件缺陷的检测方法、装置、设备、介质

Publications (2)

Publication Number Publication Date
CN116958148A CN116958148A (zh) 2023-10-27
CN116958148B true CN116958148B (zh) 2023-12-12

Family

ID=88458727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311218677.8A Active CN116958148B (zh) 2023-09-21 2023-09-21 输电线路关键部件缺陷的检测方法、装置、设备、介质

Country Status (1)

Country Link
CN (1) CN116958148B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117975253A (zh) * 2024-03-29 2024-05-03 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 基于坐标注意力的三疣梭子蟹识别方法，系统和设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335270A (zh) * 2019-07-09 2019-10-15 华北电力大学（保定） 基于层级区域特征融合学习的输电线路缺陷检测方法
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法
CN113205002A (zh) * 2021-04-08 2021-08-03 南京邮电大学 非受限视频监控的低清人脸识别方法、装置、设备及介质
KR20220008135A (ko) * 2020-07-13 2022-01-20 서강대학교산학협력단 영상 초해상도 처리 방법 및 장치
CN114299559A (zh) * 2021-12-27 2022-04-08 杭州电子科技大学 基于轻量级融合全局与局部特征网络的指静脉识别方法
CN115641474A (zh) * 2022-10-21 2023-01-24 华中科技大学 基于高效学生网络的未知类型缺陷检测方法与装置
WO2023097638A1 (zh) * 2021-12-03 2023-06-08 宁德时代新能源科技股份有限公司 一种基于对比表征蒸馏的快速异常检测方法和系统
CN116363124A (zh) * 2023-05-26 2023-06-30 南京杰智易科技有限公司 一种基于深度学习的钢材表面缺陷检测方法
CN116563738A (zh) * 2023-06-08 2023-08-08 安徽理工大学 一种基于不确定性的多阶段引导的小目标半监督学习检测方法
CN116630286A (zh) * 2023-05-31 2023-08-22 博衍科技(珠海)有限公司 一种图像异常检测与定位的方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180268292A1 (en) * 2017-03-17 2018-09-20 Nec Laboratories America, Inc. Learning efficient object detection models with knowledge distillation
US11354906B2 (en) * 2020-04-13 2022-06-07 Adobe Inc. Temporally distributed neural networks for video semantic segmentation
US20230153943A1 (en) * 2021-11-16 2023-05-18 Adobe Inc. Multi-scale distillation for low-resolution detection

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335270A (zh) * 2019-07-09 2019-10-15 华北电力大学（保定） 基于层级区域特征融合学习的输电线路缺陷检测方法
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法
JP2021117969A (ja) * 2020-01-23 2021-08-10 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法
KR20220008135A (ko) * 2020-07-13 2022-01-20 서강대학교산학협력단 영상 초해상도 처리 방법 및 장치
CN113205002A (zh) * 2021-04-08 2021-08-03 南京邮电大学 非受限视频监控的低清人脸识别方法、装置、设备及介质
WO2023097638A1 (zh) * 2021-12-03 2023-06-08 宁德时代新能源科技股份有限公司 一种基于对比表征蒸馏的快速异常检测方法和系统
CN114299559A (zh) * 2021-12-27 2022-04-08 杭州电子科技大学 基于轻量级融合全局与局部特征网络的指静脉识别方法
CN115641474A (zh) * 2022-10-21 2023-01-24 华中科技大学 基于高效学生网络的未知类型缺陷检测方法与装置
CN116363124A (zh) * 2023-05-26 2023-06-30 南京杰智易科技有限公司 一种基于深度学习的钢材表面缺陷检测方法
CN116630286A (zh) * 2023-05-31 2023-08-22 博衍科技(珠海)有限公司 一种图像异常检测与定位的方法、装置、设备及存储介质
CN116563738A (zh) * 2023-06-08 2023-08-08 安徽理工大学 一种基于不确定性的多阶段引导的小目标半监督学习检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Knowledge distillation and attention mechanism analysis of traffic sign detection;Peng-wei Guan;2022 China Automation Congress (CAC);全文 *
基于注意力机制和特征融合改进的小目标检测算法;麻森权;周克;;计算机应用与软件(第05期);全文 *
基于特征优化的目标检测技术研究;徐明珠;中国优秀硕士学位论文全文数据库;全文 *
基于特征金字塔的多尺度特征融合网络;郭启帆;刘磊;工程数学学报(第05期);全文 *
基于知识蒸馏的轻量型浮游植物检测网络;张彤彤;董军宇;赵浩然;李琼;孙鑫;;应用科学学报(第03期);全文 *
结合混合域注意力与空洞卷积的3维目标检测;严娟;方志军;高永彬;;中国图象图形学报(第06期);全文 *

Also Published As

Publication number Publication date
CN116958148A (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN108764063B (zh) 一种基于特征金字塔的遥感影像时敏目标识别系统及方法
CN112396002B (zh) 一种基于SE-YOLOv3的轻量级遥感目标检测方法
CN108647585B (zh) 一种基于多尺度循环注意力网络的交通标识符检测方法
CN109816032B (zh) 基于生成式对抗网络的无偏映射零样本分类方法和装置
CN110569738B (zh) 基于密集连接网络的自然场景文本检测方法、设备和介质
CN111179217A (zh) 一种基于注意力机制的遥感图像多尺度目标检测方法
CN113128558B (zh) 基于浅层空间特征融合与自适应通道筛选的目标检测方法
CN110782420A (zh) 一种基于深度学习的小目标特征表示增强方法
CN111027576B (zh) 基于协同显著性生成式对抗网络的协同显著性检测方法
CN116958148B (zh) 输电线路关键部件缺陷的检测方法、装置、设备、介质
CN113449640B (zh) 基于多任务cnn+gcn的遥感影像建筑物语义分割边缘优化方法
CN112801047B (zh) 缺陷检测方法、装置、电子设备及可读存储介质
CN112434618A (zh) 基于稀疏前景先验的视频目标检测方法、存储介质及设备
CN113487610B (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
Li et al. Ss-yolo: An object detection algorithm based on YOLOv3 and shufflenet
CN111274981A (zh) 目标检测网络构建方法及装置、目标检测方法
CN112991281B (zh) 视觉检测方法、系统、电子设备及介质
Tang et al. HIC-YOLOv5: Improved YOLOv5 for small object detection
CN116805387B (zh) 基于知识蒸馏的模型训练方法、质检方法和相关设备
CN112669452B (zh) 一种基于卷积神经网络多分支结构的物体定位方法
CN112966815A (zh) 基于脉冲神经网络的目标检测方法、系统及设备
CN116580324A (zh) 一种基于YOLOv5的无人机对地目标检测方法
Qiao et al. Two-Stream Convolutional Neural Network for Video Action Recognition.
CN116958809A (zh) 一种特征库迁移的遥感小样本目标检测方法
CN114743023B (zh) 一种基于RetinaNet模型的麦蜘蛛图像检测方法

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