CN117392572B - 一种基于无人机巡检的输电杆塔鸟巢检测方法 - Google Patents
一种基于无人机巡检的输电杆塔鸟巢检测方法 Download PDFInfo
- Publication number
- CN117392572B CN117392572B CN202311684319.6A CN202311684319A CN117392572B CN 117392572 B CN117392572 B CN 117392572B CN 202311684319 A CN202311684319 A CN 202311684319A CN 117392572 B CN117392572 B CN 117392572B
- Authority
- CN
- China
- Prior art keywords
- transmission tower
- bird nest
- scale
- unmanned aerial
- module
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 104
- 235000005770 birds nest Nutrition 0.000 title claims abstract description 89
- 235000005765 wild carrot Nutrition 0.000 title claims abstract description 89
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000007689 inspection Methods 0.000 title claims abstract description 33
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 45
- 230000004927 fusion Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 description 6
- 230000001174 ascending effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机巡检的输电杆塔鸟巢检测方法,包括:根据无人机的预设巡检航线采集输电杆塔图像,并进行归一化预处理;构建多尺度的杆塔鸟巢检测模型;将归一化预处理的输电杆塔图像依次输入多尺度的杆塔鸟巢检测模型中进行训练,直至交叉熵损失函数收敛,完成对多尺度的杆塔鸟巢检测模型的训练;无人机再次在预设巡检航线中对输电杆塔进行图像采集,将图像输入至训练好的多尺度的杆塔鸟巢检测模型中,获得出输电杆塔鸟巢检测结果;当检测到输电杆塔鸟巢时,无人机根据预设巡检航线获取输电杆塔鸟巢的定位,并在电子地图对应位置进行标注,得到输电杆塔鸟巢区域和位置。该方法提高了复杂环境下多尺度的杆塔鸟巢检测模型检测的准确度。
Description
技术领域
本发明涉及图像处理、配电杆塔故障检测技术领域,具体地,涉及一种基于无人机巡检的输电杆塔鸟巢检测方法。
背景技术
输电杆塔是电力系统中最重要的基础设施,承担着电厂发电到用户用电的桥梁,对输电杆塔的外观检测是保证输电安全的一个重要部分。对于输电杆塔的安全检测一直采取传统的人工检测模式,但是输电杆塔顶部较高,分布广泛,人工检测受制于天气环境和望远镜类辅助工具,需要花费较多的时间成本和经济成本。同时,输电杆塔作为高空鸟类筑巢的选择之一,而鸟巢的存在会带来安全隐患,因此,携载视觉设备的无人机被广泛应用于工程智能巡检作业中。
目前,无人机广泛运用于商业,为了增强输电杆塔的高处视角,基于无人机的视觉检测技术蓬勃发展,针对高空易存在的鸟巢安全问题,依赖于图像检测技术。传统机器学习为了增强网络的泛化能力,采用多种学习步骤,存在处理时间长、内存占比高,无法适用于大规模巡检任务的问题。
发明内容
针对现有技术中存在的问题,本发明提供了一种基于无人机巡检的输电杆塔鸟巢检测方法,利用无人机自动采集图像数据实现智能化的分析和处理,降低输电杆塔鸟巢检测的人力成本、经济成本以及时间成本。
为实现上述技术目的,本发明采用如下技术方案:一种基于无人机巡检的输电杆塔鸟巢检测方法,具体包括如下步骤:
步骤S1、根据无人机的预设巡检航线采集输电杆塔图像,并对采集的输电杆塔图像进行归一化预处理;
步骤S2、构建多尺度的杆塔鸟巢检测模型;
步骤S3、将归一化预处理的输电杆塔图像依次输入多尺度的杆塔鸟巢检测模型中进行训练,直至交叉熵损失函数收敛,完成对多尺度的杆塔鸟巢检测模型的训练;
步骤S4、无人机再次在预设巡检航线中对输电杆塔进行图像采集,将图像输入至训练好的多尺度的杆塔鸟巢检测模型中,获得出输电杆塔鸟巢检测结果;
步骤S5、当检测到输电杆塔鸟巢时,无人机根据预设巡检航线获取输电杆塔鸟巢的定位,并在电子地图对应位置进行标注,得到输电杆塔鸟巢区域和位置。
进一步地,步骤S1中输电杆塔图像包括:独立的输电杆塔图像和带有鸟巢的输电杆塔图像,并对带有鸟巢的输电杆塔图像上的鸟巢区域进行人工标记。
进一步地,步骤S1中归一化预处理的过程为:通过上采样或下采样的方式将输电杆塔图像缩放至指定大小。
进一步地,步骤S2中多尺度的杆塔鸟巢检测模型包括:尺度特征提取模块、MobileNetV2网络、曲率监督注意力模块、目标分类模块、融合模块,所述尺度特征提取模块的输出端与MobileNetV2网络的输入端连接,所述MobileNetV2网络的输出端分别与曲率监督注意力模块的输入端、目标分类模块的输入端连接,所述曲率监督注意力模块的输出端、目标分类模块的输出端与融合模块连接;所述尺度特征提取模块用于提取不同尺度下的输电杆塔图像特征,所述MobileNetV2网络根据输电杆塔图像特征获取不同尺度下的语义特征,所述曲率监督注意力模块用于设置不同尺度下语义特征的权重系数,所述目标分类模块用于对不同尺度下的语义特征进行分类,所述融合模块用于融合不同尺度下的分类。
进一步地,所述尺度特征提取模块包括:卷积核大小为1×1、通道数为256的第一尺度特征提取单元、卷积核大小为3×3、通道数为64的第二尺度特征提取单元、卷积核大小为5×5、通道数为32的第三尺度特征提取单元;所述第一尺度特征提取单元、第二尺度特征提取单元、第三尺度特征提取单元的输出端均与MobileNetV2网络的输入端连接。
进一步地,所述MobileNetV2网络包括依次连接的卷积核为1×1的第一卷积层、第一Relu6激活层、卷积核为3×3的第二卷积层、第二Relu6激活层、卷积核为1×1的第三卷积层、Linear激活层。
进一步地,当卷积步长为1时,在MobileNetV2网络中引入shortcut结构。
进一步地,步骤S3包括如下子步骤:
步骤S31、将一张归一化预处理的输电杆塔图像分别输入第一尺度特征提取单元、第二尺度特征提取单元、第三尺度特征提取单元中提取出三种尺度下的输电杆塔图像特征;
步骤S32、将三种尺度下的输电杆塔图像特征分别输入MobileNetV2网络中提取三种尺度下的语义特征;
步骤S33、将三种尺度下的语义特征分别输入目标分类模块中,获取各尺度下的分类结果,并通过曲率监督注意力模块引入三种尺度语义特征的权重值;
步骤S34、将权重值引入各尺度的分类结果中,并通过融合模块进行融合,得到最终分类结果,其中,/>分别表示不同尺度下的权重值,/>分别表示不同尺度下的分类结果;
步骤S35、重复步骤S31-S34,直至交叉熵损失函数收敛,完成对多尺度的杆塔鸟巢检测模型的训练。
进一步地,所述权重值满足:
。
进一步地,所述交叉熵损失函数为:
,
其中:M为输电杆塔鸟巢检测类别数量,c为M的索引,为第i个输电杆塔图像归属c类时的输入值,/>为第i个输电杆塔归属c类时的预测值。
与现有技术相比,本发明具有如下有益效果:
(1)本发明基于无人机巡检的输电杆塔鸟巢检测方法将无人机根据预设巡检航线进行输电杆塔图像拍摄,并通过多尺度的杆塔鸟巢检测模型进行输电杆塔鸟巢检测和定位,减少对环境的依赖,能够及时发现输电杆塔上的鸟巢,并标出鸟巢位置,实现预警,保证问题解决的时效性;
(2)本发明基于无人机巡检的输电杆塔鸟巢检测方法在保留MobileNetV2原有网络结构基础上,引入曲率监督注意力机制,替代简单的特征层相加,提高有效信息的特征提取能力,降低特征融合时微小信息的丢失;
(3)本发明基于无人机巡检的输电杆塔鸟巢检测方法提出的多尺度的杆塔鸟巢检测模型,通过赋予不同尺度特征信息的不同权重,基于曲率监督注意力模块进一步增强有效特征,在不影响训练精度的前提下,抑制了浅层噪声的传输,同时强调目标特征的细节信息,提高复杂环境下多尺度的杆塔鸟巢检测模型检测的准确度。
附图说明
图1为本发明基于无人机巡检的输电杆塔鸟巢检测方法的流程图;
图2为本发明中多尺度的杆塔鸟巢检测模型的结构示意图;
图3为本发明中MobileNetV2网络结构图。
具体实施方式
下面结合附图对本发明的技术方案作进一步地解释说明。
如图1为本发明基于无人机巡检的输电杆塔鸟巢检测方法的流程图,该输电杆塔鸟巢检测方法具体包括如下步骤:
步骤S1、根据无人机的预设巡检航线采集输电杆塔图像,本发明中输电杆塔图像包括:独立的输电杆塔图像和带有鸟巢的输电杆塔图像,并对带有鸟巢的输电杆塔图像上的鸟巢区域进行人工标记;为提高后续多尺度的杆塔鸟巢检测模型训练的效率以及考虑多尺度的杆塔鸟巢检测模型的轻量化,对采集的输电杆塔图像进行归一化预处理,具体地,通过上采样或下采样的方式将输电杆塔图像缩放至指定大小。
步骤S2、由于现实中输电杆塔上的鸟巢存在不同程度的构建和退化情况,造就了鸟巢特征的多样化,单纯堆叠卷积层和下采样扩大感受野的检测方法会导致目标区域与背景边界的模糊性,对鸟巢区域的判定缺乏连续性。因此,构建多尺度的杆塔鸟巢检测模型,从深层信息、浅层信息以及全局、局部信息中,充分提取特征之间的依赖关系并进行融合。如图2,该多尺度的杆塔鸟巢检测模型包括:尺度特征提取模块、MobileNetV2网络、曲率监督注意力模块、目标分类模块、融合模块,尺度特征提取模块的输出端与MobileNetV2网络的输入端连接,MobileNetV2网络的输出端分别与曲率监督注意力模块的输入端、目标分类模块的输入端连接,曲率监督注意力模块的输出端、目标分类模块的输出端与融合模块连接;尺度特征提取模块用于提取不同尺度下的输电杆塔图像特征,MobileNetV2网络根据输电杆塔图像特征获取不同尺度下的语义特征,曲率监督注意力模块用于设置不同尺度下语义特征的权重系数,通过不同权重系数增强多尺度的杆塔鸟巢检测模型对有效信息的提取能力;目标分类模块用于对不同尺度下的语义特征进行分类,融合模块用于融合不同尺度下的分类。该多尺度的杆塔鸟巢检测模型通过提取不同尺度的图像特征,并基于曲率监督注意力模块增强杆塔鸟巢的特征权重,能够提高复杂环境下特征图像的检测性能。
本发明中尺度特征提取模块包括:卷积核大小为1×1、通道数为256的第一尺度特征提取单元、卷积核大小为3×3、通道数为64的第二尺度特征提取单元、卷积核大小为5×5、通道数为32的第三尺度特征提取单元,从而使不同尺度下提取的图像特征大小保持一致;第一尺度特征提取单元、第二尺度特征提取单元、第三尺度特征提取单元的输出端均与MobileNetV2网络的输入端连接。
本发明中MobileNetV2网络与经典的ResNet残差结构不同的是采用先升维后降维的操作,如图3,该MobileNetV2网络包括依次连接的卷积核为1×1的第一卷积层、第一Relu6激活层、卷积核为3×3的第二卷积层、第二Relu6激活层、卷积核为1×1的第三卷积层、Linear激活层,先进行1×1卷积升维,再基于深度卷积提取特征,然后通过Linear进行逐点卷积降维,当卷积步长为1时,在MobileNetV2网络中引入shortcut结构,复用间隔特征层的特征,最后将输入与输出相加,形成残差结构,这种倒残差结构通过单通道的方式不仅可以压缩计算量,以实现多尺度的杆塔鸟巢检测模型的轻量化,减少多尺度的杆塔鸟巢检测模型的计算量,还能增强网络训练速度。此外MobileNetV2网络使用深度可分离卷积,相较于标准卷积可以分解成两个更小的操作:(1)逐通道卷积,即单通道卷积操作,通道之间独立,输出语义特征的每一个点只对应输入特征一个通道上的3×3大小卷积的特征;(2)逐点卷积,即1×1卷积操作,用来融合不同通道间的特征,同时可以改变特征图的通道数。
步骤S3、将归一化预处理的输电杆塔图像依次输入多尺度的杆塔鸟巢检测模型中进行训练,直至交叉熵损失函数收敛,完成对多尺度的杆塔鸟巢检测模型的训练;具体包括如下子步骤:
步骤S31、将一张归一化预处理的输电杆塔图像分别输入第一尺度特征提取单元、第二尺度特征提取单元、第三尺度特征提取单元中提取出三种尺度下的输电杆塔图像特征;
步骤S32、将三种尺度下的输电杆塔图像特征分别输入MobileNetV2网络中提取三种尺度下的语义特征;
步骤S33、将三种尺度下的语义特征分别输入目标分类模块中,获取各尺度下的分类结果,并通过曲率监督注意力模块引入三种尺度语义特征的权重值;
步骤S34、将权重值引入各尺度的分类结果中,并通过融合模块进行融合,得到最终分类结果,其中,/>分别表示不同尺度下的权重值,权重值/>满足:/>;/>分别表示不同尺度下的分类结果;
步骤S35、重复步骤S31-S34,直至交叉熵损失函数收敛,完成对多尺度的杆塔鸟巢检测模型的训练。
本发明中交叉熵损失函数为:
,
其中:M为输电杆塔鸟巢检测类别数量,c为M的索引,为第i个输电杆塔图像归属c类时的输入值,/>为第i个输电杆塔归属c类时的预测值。
步骤S4、无人机再次在预设巡检航线中对输电杆塔进行图像采集,将图像输入至训练好的多尺度的杆塔鸟巢检测模型中,获得出输电杆塔鸟巢检测结果;
步骤S5、当检测到输电杆塔鸟巢时,无人机根据预设巡检航线获取输电杆塔鸟巢的定位,并在电子地图对应位置进行标注,得到输电杆塔鸟巢区域和位置。
本发明基于无人机巡检的输电杆塔鸟巢检测方法为了增强有效特征的提取、提高多尺度的杆塔鸟巢检测模型检测结果的精度,通过学习不同尺度的特征,分别从浅层、中层以及深层学习语义特征,并引入曲率监督注意力模块对有效特征进一步的进行增强和筛选,提高有效信息的特征提取能力,降低特征融合时微小信息的丢失,提高复杂环境下多尺度的杆塔鸟巢检测模型检测的准确度。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施方式,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种基于无人机巡检的输电杆塔鸟巢检测方法,其特征在于,具体包括如下步骤:
步骤S1、根据无人机的预设巡检航线采集输电杆塔图像,并对采集的输电杆塔图像进行归一化预处理;
步骤S2、构建多尺度的杆塔鸟巢检测模型,包括:尺度特征提取模块、MobileNetV2网络、曲率监督注意力模块、目标分类模块、融合模块,所述尺度特征提取模块的输出端与MobileNetV2网络的输入端连接,所述MobileNetV2网络的输出端分别与曲率监督注意力模块的输入端、目标分类模块的输入端连接,所述曲率监督注意力模块的输出端、目标分类模块的输出端与融合模块连接;所述尺度特征提取模块用于提取不同尺度下的输电杆塔图像特征,所述MobileNetV2网络根据输电杆塔图像特征获取不同尺度下的语义特征,所述曲率监督注意力模块用于设置不同尺度下语义特征的权重系数,所述目标分类模块用于对不同尺度下的语义特征进行分类,所述融合模块用于融合不同尺度下的分类;
步骤S3、将归一化预处理的输电杆塔图像依次输入多尺度的杆塔鸟巢检测模型中进行训练,直至交叉熵损失函数收敛,完成对多尺度的杆塔鸟巢检测模型的训练;包括如下子步骤:
步骤S31、将一张归一化预处理的输电杆塔图像分别输入第一尺度特征提取单元、第二尺度特征提取单元、第三尺度特征提取单元中提取出三种尺度下的输电杆塔图像特征;
步骤S32、将三种尺度下的输电杆塔图像特征分别输入MobileNetV2网络中提取三种尺度下的语义特征;
步骤S33、将三种尺度下的语义特征分别输入目标分类模块中,获取各尺度下的分类结果,并通过曲率监督注意力模块引入三种尺度语义特征的权重值;
步骤S34、将权重值引入各尺度的分类结果中,并通过融合模块进行融合,得到最终分类结果F=α1·f1+α2·f2+α3·f3,其中,α1、α2、α3分别表示不同尺度下的权重值,f1、f2、f3分别表示不同尺度下的分类结果;
所述权重值α1、α2、α3满足:
步骤S35、重复步骤S31-S34,直至交叉熵损失函数收敛,完成对多尺度的杆塔鸟巢检测模型的训练;
步骤S4、无人机再次在预设巡检航线中对输电杆塔进行图像采集,将图像输入至训练好的多尺度的杆塔鸟巢检测模型中,获得出输电杆塔鸟巢检测结果;
步骤S5、当检测到输电杆塔鸟巢时,无人机根据预设巡检航线获取输电杆塔鸟巢的定位,并在电子地图对应位置进行标注,得到输电杆塔鸟巢区域和位置。
2.根据权利要求1所述的一种基于无人机巡检的输电杆塔鸟巢检测方法,其特征在于,步骤S1中输电杆塔图像包括:独立的输电杆塔图像和带有鸟巢的输电杆塔图像,并对带有鸟巢的输电杆塔图像上的鸟巢区域进行人工标记。
3.根据权利要求1所述的一种基于无人机巡检的输电杆塔鸟巢检测方法,其特征在于,步骤S1中归一化预处理的过程为:通过上采样或下采样的方式将输电杆塔图像缩放至指定大小。
4.根据权利要求1所述的一种基于无人机巡检的输电杆塔鸟巢检测方法,其特征在于,所述尺度特征提取模块包括:卷积核大小为1×1、通道数为256的第一尺度特征提取单元、卷积核大小为3×3、通道数为64的第二尺度特征提取单元、卷积核大小为5×5、通道数为32的第三尺度特征提取单元;所述第一尺度特征提取单元、第二尺度特征提取单元、第三尺度特征提取单元的输出端均与MobileNetV2网络的输入端连接。
5.根据权利要求4所述的一种基于无人机巡检的输电杆塔鸟巢检测方法,其特征在于,所述MobileNetV2网络包括依次连接的卷积核为1×1的第一卷积层、第一Relu6激活层、卷积核为3×3的第二卷积层、第二Relu6激活层、卷积核为1×1的第三卷积层、Linear激活层。
6.根据权利要求5所述的一种基于无人机巡检的输电杆塔鸟巢检测方法,其特征在于,当卷积步长为1时,在MobileNetV2网络中引入shortcut结构。
7.根据权利要求1所述的一种基于无人机巡检的输电杆塔鸟巢检测方法,其特征在于,所述交叉熵损失函数为:
其中:M为输电杆塔鸟巢检测类别数量,c为M的索引,Fic为第i个输电杆塔图像归属c类时的输入值,为第i个输电杆塔归属c类时的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684319.6A CN117392572B (zh) | 2023-12-11 | 2023-12-11 | 一种基于无人机巡检的输电杆塔鸟巢检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684319.6A CN117392572B (zh) | 2023-12-11 | 2023-12-11 | 一种基于无人机巡检的输电杆塔鸟巢检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117392572A CN117392572A (zh) | 2024-01-12 |
CN117392572B true CN117392572B (zh) | 2024-02-27 |
Family
ID=89472452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311684319.6A Active CN117392572B (zh) | 2023-12-11 | 2023-12-11 | 一种基于无人机巡检的输电杆塔鸟巢检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392572B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971152A (zh) * | 2017-03-16 | 2017-07-21 | 天津大学 | 一种基于航拍图像的检测输电线路中鸟巢的方法 |
CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
CN111104906A (zh) * | 2019-12-19 | 2020-05-05 | 南京工程学院 | 一种基于yolo的输电塔鸟巢故障检测方法 |
WO2021088300A1 (zh) * | 2019-11-09 | 2021-05-14 | 北京工业大学 | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 |
CN113011365A (zh) * | 2021-03-31 | 2021-06-22 | 中国科学院光电技术研究所 | 一种结合轻量化网络的目标检测方法 |
CN113313024A (zh) * | 2021-05-28 | 2021-08-27 | 宁波新胜中压电器有限公司 | 一种基于掩膜的输电线杆塔鸟巢小样本检测方法 |
CN113569981A (zh) * | 2021-08-13 | 2021-10-29 | 桂林电子科技大学 | 一种基于单阶段目标检测网络的电力巡检鸟窝检测方法 |
CN114332697A (zh) * | 2021-12-19 | 2022-04-12 | 西安科技大学 | 输电线路中多类目标故障检测方法、系统、设备及介质 |
CN116071668A (zh) * | 2022-09-01 | 2023-05-05 | 重庆理工大学 | 基于多尺度特征融合的无人机航拍图像目标检测方法 |
-
2023
- 2023-12-11 CN CN202311684319.6A patent/CN117392572B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971152A (zh) * | 2017-03-16 | 2017-07-21 | 天津大学 | 一种基于航拍图像的检测输电线路中鸟巢的方法 |
CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
WO2021088300A1 (zh) * | 2019-11-09 | 2021-05-14 | 北京工业大学 | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 |
CN111104906A (zh) * | 2019-12-19 | 2020-05-05 | 南京工程学院 | 一种基于yolo的输电塔鸟巢故障检测方法 |
CN113011365A (zh) * | 2021-03-31 | 2021-06-22 | 中国科学院光电技术研究所 | 一种结合轻量化网络的目标检测方法 |
CN113313024A (zh) * | 2021-05-28 | 2021-08-27 | 宁波新胜中压电器有限公司 | 一种基于掩膜的输电线杆塔鸟巢小样本检测方法 |
CN113569981A (zh) * | 2021-08-13 | 2021-10-29 | 桂林电子科技大学 | 一种基于单阶段目标检测网络的电力巡检鸟窝检测方法 |
CN114332697A (zh) * | 2021-12-19 | 2022-04-12 | 西安科技大学 | 输电线路中多类目标故障检测方法、系统、设备及介质 |
CN116071668A (zh) * | 2022-09-01 | 2023-05-05 | 重庆理工大学 | 基于多尺度特征融合的无人机航拍图像目标检测方法 |
Non-Patent Citations (4)
Title |
---|
CurvPnP: Plug-and-play Blind Image Restoration with Deep Curvature Denoiser;Yutong Li等;《arXiv》;正文1-23 * |
Multi-scale self-attention-based feature enhancement for detection of targets with small image sizes;Ying Deng等;《Pattern Recognition Letters》;第166卷;46-52 * |
改进YOLOv5的无人机航拍图像目标检测算法;李校林等;《计算机工程与应用》;正文1-13 * |
融合自适应加权模块的YOLOv4多尺度目标检测算法;聂帅杰等;《计算机辅助设计与图形学学报》;正文1-8 * |
Also Published As
Publication number | Publication date |
---|---|
CN117392572A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022083784A1 (zh) | 一种基于车联网的道路检测方法 | |
CN110245709B (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
CN107609525A (zh) | 基于剪枝策略构建卷积神经网络的遥感图像目标检测方法 | |
CN112364721A (zh) | 一种道面异物检测方法 | |
CN113034444A (zh) | 一种基于MobileNet-PSPNet神经网络模型的路面裂缝检测方法 | |
CN112417973A (zh) | 一种基于车联网的无人驾驶系统 | |
CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
CN115861619A (zh) | 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统 | |
CN111008979A (zh) | 一种鲁棒的夜晚图像语义分割方法 | |
CN117079163A (zh) | 一种基于改进yolox-s的航拍图像小目标检测方法 | |
CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备 | |
CN112395953A (zh) | 一种道面异物检测系统 | |
CN113011308A (zh) | 一种引入注意力机制的行人检测方法 | |
CN114373099A (zh) | 一种基于稀疏图卷积的三维点云分类方法 | |
CN112288701A (zh) | 一种智慧交通图像检测方法 | |
CN115497002A (zh) | 一种多尺度特征融合的激光雷达遥感分类方法 | |
CN117237559A (zh) | 面向数字孪生城市的三维模型数据智能分析方法及系统 | |
CN116543346A (zh) | 一种基于深度学习的输电线路视频山火检测方法 | |
CN113807404B (zh) | 面向多源信息融合的智慧交通网络智能化监控与应急系统 | |
CN117392572B (zh) | 一种基于无人机巡检的输电杆塔鸟巢检测方法 | |
CN112288702A (zh) | 一种基于车联网的道路图像检测方法 | |
CN112308066A (zh) | 一种车牌识别系统 | |
CN114998866A (zh) | 一种基于改进YOLOv4的交通标志识别方法 | |
Jabeen et al. | Weather classification on roads for drivers assistance using deep transferred features | |
Zheng et al. | Multiscale fusion network for rural newly constructed building detection in unmanned aerial vehicle imagery |
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 |