CN117422689B - 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法 - Google Patents
一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法 Download PDFInfo
- Publication number
- CN117422689B CN117422689B CN202311426256.4A CN202311426256A CN117422689B CN 117422689 B CN117422689 B CN 117422689B CN 202311426256 A CN202311426256 A CN 202311426256A CN 117422689 B CN117422689 B CN 117422689B
- Authority
- CN
- China
- Prior art keywords
- module
- branch
- gam
- loss
- prenet
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 239000012212 insulator Substances 0.000 title claims abstract description 56
- 230000007547 defect Effects 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000007246 mechanism Effects 0.000 claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 36
- 238000011176 pooling Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 13
- 230000006872 improvement Effects 0.000 claims description 10
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/80—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进MS‑PReNet和GAM‑YOLOv7的雨天绝缘子缺陷检测方法，属于绝缘子缺陷检测技术领域；对绝缘子缺陷数据集进行加雨操作，对数据集进行预处理；构建MS‑PReNet去雨网络模型，对MS‑PReNet去雨网络模型进行训练；将新的数据集进行绝缘子缺陷真实目标框标注；根据数据集的绝缘子缺陷真实目标框，聚类生成不同尺寸的锚框；构建GAM‑YOLOv7目标检测网络模型，GAM‑YOLOv7目标检测网络模型进行训练；对MS‑PReNet去雨网络模型与GAM‑YOLOv7目标检测网络模型进行测试、验证。本发明通过MS‑PReNet去雨网络模型中的添加多尺度特征融合模块MSFM有效地去除雨滴造成的图像噪声和光照不均匀现象，提高图像质量；在GAM‑YOLOv7目标检测网络模型中添加全局注意力机制GAM，进行绝缘子缺陷检测，提高绝缘子缺陷的准确率和稳定性。
Description
技术领域
本发明属于绝缘子缺陷检测技术领域，具体涉及一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法。
背景技术
在电力系统中，绝缘子是保障高压导线正常运行的关键元件，其稳定的工作对于电力传输的安全和可靠性至关重要。然而，在恶劣的气候条件下，尤其是雨天，绝缘子可能受到潮湿、结露等环境影响，导致绝缘子表面出现污秽、裂纹等缺陷。这些缺陷可能会导致绝缘子的绝缘性能下降，进而引发电力系统中的故障和事故，对设备的安全和电力系统的稳定运行造成威胁；维护和监测绝缘子的状态对于确保电力传输的可靠性至关重要。
为实现绝缘子缺陷的自动检测，计算机视觉和深度学习技术被引入该领域。YOLOv7是一种先进的目标检测算法，以其高效、准确和实时的特点广受关注。它能够在复杂场景下精确定位和识别目标，适用于绝缘子缺陷的检测任务。采用YOLOv7作为基础算法，可以为绝缘子缺陷检测提供一个可行的解决方案。
然而，在雨天条件下，由于雨滴的干扰和图像的光照变化，绝缘子缺陷的检测变得更加困难。传统的YOLOv7模型在处理这种复杂情况时可能存在一定的不足，导致检测结果的准确性和稳定性下降。
因此，如何提高绝缘子缺陷的检测的稳定性和准确性是本发明申请想要重点解决的技术问题。
发明内容
本发明的目的在于提供一种光缆路由用户配置系统及其配置方法，以解决上述背景技术中提出的问题。
本发明目的是这样实现的：一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法，其特征在于：该方法包括以下步骤：
步骤S1：对所有的绝缘子缺陷数据集进行加雨操作，并对一部分加雨操作后的数据集进行预处理；
步骤S2：构建MS-PReNet去雨网络模型，将加雨的图像和对应的原图像送入MS-PReNet去雨网络模型进行训练；
所述MS-PReNet去雨网络模型包括用于接收MS-PReNet去雨网络模型输入图像的卷积层fin、用于特征融合的多尺度特征融合模块fmsfm、用于传递阶段间特征依赖关系的循环层frecurrent、对不同通道特征分配不同权重的SE注意机制残差模块fse、用于提取图像深度特征的残差块fres以及用于输出去雨结果图像的卷积层fout；
步骤S3：将训练好的MS-PReNet去雨网络模型保存最优参数，并将对所有的绝缘子缺陷数据集进行去雨操作，生成新的数据集；
步骤S4：将新的数据集进行绝缘子缺陷真实目标框标注，按照比例划分训练集、验证集和测试集；
步骤S5：根据数据集的绝缘子缺陷真实目标框，聚类生成不同尺寸的锚框；
步骤S6：构建GAM-YOLOv7目标检测网络模型，并将步骤S5中处理好的绝缘子缺陷数据集送GAM-YOLOv7目标检测网络模型进行训练；
步骤S7：将训练好的GAM-YOLOv7目标检测网络模型最优参数进行保存；
步骤S8：对MS-PReNet去雨网络模型与GAM-YOLOv7目标检测网络模型进行测试、验证。
优选的，所述卷积层fin包括卷积层和ReLU激活层，同阶段卷积层fin的输出和上一阶段循环单元的状态输入St-1作为当前阶段的输入；
所述循环层frecurrent为LSTM循环处理模块，挖掘不同阶段之间的深层特征；
所述多尺度特征融合模块fmsfm包括四个并行的分支结构，分别为1x1卷积分支、3x3卷积分支、5x5卷积分支以及3x3最大池化分支；
所述SE注意机制残差模块fse包括Global pooling池化模块、第一全连接层、第二全连接层以及Sigmod函数，SE注意机制残差模块fse通过Global pooling池化模块对输入的图像特征进行全部平均池化，再将图像特征经过第一全连接层、第二全连接层,最后使用Sigmod函数将输出限制到0-1之间，作为通道注意力机制产生的权重，跟原特征图进行相乘，获得最终加入注意力机制的特征图。
优选的，所述步骤S2中将加雨的图像和对应的原图像送入MS-PReNet去雨网络模型进行训练，具体训练过程如下：
步骤S2-1：将加雨的图像和对应的原图像送入改进的MS-PReNet去雨网络进行训练；
步骤S2-2：根据MS-PReNet去雨网络输出的结果，计算MSE损失、负SSIM损失以及RecSSIM损失；
计算MSE损失为：L＝||xT-xgt||2；
负SSIM损失为：L＝-SSIM(xT,xgt)；
RecSSIM损失为：
其中，xgt是真实的去雨图像，xt是t阶段的去雨图像，λt是t阶段的权衡参数；
步骤S2-3：计算总损失LOSS＝αMSE+β(-SSIM)+γ(RecSSIM)，设定三个损失的权重参数α,β,γ，损失阈值lossmin1，
步骤S2-4：若总损失达到损失阈值，则停止训练，反之更新网络参数，继续迭代训练网络。
优选的，所述MS-PReNet去雨网络模型的操作过程如下：
首先将原始雨图和上个阶段的输出图像送入卷积层fin，接着进入多尺度特征融合模块fmsfm，使得感受野呈非线性增长，从而尽可能输出更大范围的特征信息；接着进入循环层frecurrent，传递各个阶段之间的特征依赖关系；再进入SE注意机制残差模块fse，提高LSTM的学习能力；在进入残差块fres，提取图像的深度特征信息；最后通过卷积层fout输出去雨图像。
优选的，所述GAM-YOLOv7目标检测网络模型包括：input、backbone和head三大部分，backbone和head包括：CBS模块、ELAN模块、MP模块、SPPCSPC模块、UPSample模块、GAM模块、ELAN-W模块、REP模块和CBM模块。
优选的，所述CBS模块包括一个卷积层、一个BN层和一个激活函数Silu层，GAM-YOLOv7目标检测网络模型使用三个不同的CBS模块，分别用来改变通道数、特征提取和下采样；
所述ELAN模块包括第一条分支和第二条分支，第一条分支经过一个CBS模块改变通道数；
所述第二条分支先经过一个CBS模块改变通道数，再经过四个CBS模块特征提取，并行输出CBS模块的结果，最后把第一个分支、第二个分支和两个CBS模块输出结果叠加作为特征提取结果；
所述MP模块用于进行下采样操作，MP模块拥有两条分支，包括第三条分支和第四分支；所述第三条分支先经过一个最大池化层，再经过一个CBS模块改变通道数；
所述第四条分支先经过一个CBS模块改变通道数，再经过另一个CBS模块进行下采样；最后第三条分支和第四分支加在一起，得到超级下采样的结果；
所述SPPCSPC模块用于增大感受野，使算法适应不同分辨率的图像；SPPCSPC拥有两条分支，包括第五分支和第六分支；
所述第五分支经过一个CBS模块改变通道数，第六分支经过四种不同尺度的最大池化层，分别对应处理不同尺度的目标；最后合并第五分支、第六分支结果；
所述UPSample模块是上采样模块，采用最近邻插值进行上采样；
所述GAM模块用于保留通道和空间方面的信息，添加在在每个ELAN-W模块之前；
所述ELAN-W模块和ELAN模块类似，拥有两条分支，包括第七分支和第八分支；所述第七分支经过一个CBS模块改变通道数，第八分支先经过一个CBS模块改变通道数，再经过四个CBS模块特征提取，并行输出CBS模块的结果，最后把第七分支、第八分支和四个CBS模块输出结果叠加作为特征提取结果；
所述REP模块包括训练模块和推理模块，训练模块有三个分支，包括第九分支、第十分支和第十一分支；
所述第九分支用于卷积层和BN层的特征提取，第十分支用于卷积层和BN层平滑特征，第十一分支是BN层，最后将第九分支、第十分支和第十一分支相加输出结果；
所述CBM模块和CBS模块类似，包括个卷积层、BN层和激活层，激活层的激活函数使sigmoid函数。
优选的，所述步骤S6中将标注过的绝缘子缺陷数据集送GAM-YOLOv7目标检测网络模型进行训练，具体的训练过程如下：
步骤S6-1：GAM-YOLOv7目标检测网络会根据三类不同尺寸的网格生成三种不同尺寸的预测框；
步骤S6-2：根据预测框的位置信息计算分类损失、定位损失以及置信度损失；
分类损失：
其中，yi代表当前类别的预测值，代表当前类别的真实值，wclass代表正样本的权重；
定位损失：
其中，IoU为预测框与真实框交集与并集的比值，c为同时框住预测框与真实框的最小框，b,bgt代表预测框与真实框中心点，ρ代表两点间的欧氏距离，α为权衡长宽比例造成损失和IoU部分造成损失的平衡因子，ν为预测框和真实框长宽比例差值的归一化；
置信度损失：
其中，po代表预测框中的目标置信度分数，pIoU代表预测框和对应目标框的IoU值，作为真实值；
步骤S6-3：根据公式计算总损失Loss＝λ1Lclass+λ2LCIoU+λ3Lobj，设定损三个损失的权重参数λ1,λ2,λ3，损失阈值lossmin2；
步骤S6-4：判断损失函数是否达到损失阈值，若总损失达到损失阈值，则停止训练，反之更新网络参数，继续训练网络。
优选的，所述定位损失：中
其中，wgt为真实框的宽度；hgt为真实框的高度；w为预测框的宽度；h为预测框的高度。
优选的，所述GAM-YOLOv7目标检测网络模型的操作过程如下：
首先将输入图像送入四个CBS模块，第一CBS模块用来改变通道数，第二CBS模块进行下采样，第三CBS模块用来特征提取，第四CBS模块用来下采样；送入ELAN模块，提高网络的学习能力和鲁棒性，连续送入三组MP模块和ELAN模块，进行下采样和特征学习；第一组MP模块和ELAN模块后面紧跟一个改变通道数的CBS模块并融合后两组的操作，然后通过一个全局注意力机制GAM模块，保留更多通道和空间方面的信息，最后通过ELAN-W模块和REP模块进行推理和训练，输出第一个检测头；第二组MP模块和ELAN模块类似第一组MP模块和ELAN模块的操作输出第二个检测头；第三组MP模块和ELAN模块后面紧跟一个SPPCSPC模块，增大感受野，便于适应不同分辨率的图像，融合第一组MP模块和ELAN模块和第二组MP模块和ELAN模块，通过ELAN-W模块和REP模块进行推理和训练，输出第三个检测头；最终模型的输出为三个不同尺寸的检测头。
与现有技术相比，本发明具有如下改进及优点：1、通过MS-PReNet去雨网络模型中的添加多尺度特征融合模块MSFM有效地去除雨滴造成的图像噪声和光照不均匀现象，提高图像质量；在GAM-YOLOv7目标检测网络模型中添加全局注意力机制GAM，进行绝缘子缺陷检测，以实现在雨天条件下的准确检测，提高绝缘子缺陷的准确率和稳定性。
2、通过添加SE注意力机制，可以提高神经网络的学习能力，为不同的通道特征分配不同权重，增强关键特征，降低非关键特征的冗余，有效地去除雨滴造成的图像噪声，进一步提高了绝缘子缺陷检测的精确性和可靠性，为电力系统的安全和可靠运行做出了贡献。
附图说明
图1为本发明的整体流程图。
图2为本发明MS-PReNet去雨网络模型结构示意图。
图3为本发明多尺度特征融合模块fmsfm的模块示意图。
图4为本发明SE注意机制残差模块fse的模块示意图。
图5为本发明GAM-YOLOv7目标检测网络模型的结构示意图。
图6为本发明GAM模块示意图。
图7为本发明GAM-YOLOv7目标检测网络模型训练集上分类损失、定位损失和置信度损失图效果示意图。
图8为本发明GAM-YOLOv7目标检测网络模型验证集上分类损失、定位损失和置信度损失图效果示意图。
图9为使用GAM-YOLOv7目标检测网络模型的精确率、召回率和mAP指标图。
图10为本发明雨天绝缘子缺陷检测结果示意图。
具体实施方式
以下结合附图对本发明做进一步概述。
如图1所示，一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法，该方法包括以下步骤：
步骤S1：对所有的绝缘子缺陷数据集进行加雨操作，并对一部分加雨操作后的数据集进行预处理；
对部分加雨操作后的数据集进行归一化预处理并裁剪图片大小。
步骤S2：构建MS-PReNet去雨网络模型，将加雨的图像和对应的原图像送入MS-PReNet去雨网络模型进行训练；
如图2所示，MS-PReNet去雨网络模型包括：
卷积层fin：主要用于接收网络的输入图像，包含上个阶段输出的图像和原始雨图；
在原始PReNet中，采用普通卷积块提取雨纹特征图存在感受野线性增长的问题，会导致复原图像较易出现细节信息丢失，LSTM也只能学习固定长度的内部特征，对长输入序列的学习能力较弱，为了弥补原始PreNet的不足，针对感受野线性增长的问题，在卷积层fin后面添加了一个多尺度特征融合模块fmsfm；多尺度特征融合模块fmsfm：如图3所示，尺度特征融合模块fmsfm包括四个并行的分支结构，分别为1x1卷积分支、3x3卷积分支、5x5卷积分支以及3x3最大池化分支；除了1x1卷积分支以外还使用了多个1x1卷积，主要是为了进行降维，减少运算量。
针对LSTM学习能力不足的问题，引入注意力机制，在LSTM后面添加SE注意机制残差模块fse；如图4所示，SE注意机制残差模块fse：包括Global pooling池化模块、第一全连接层、第二全连接层以及Sigmod函数；SE注意机制残差模块fse通过Global pooling池化模块对输入的图像特征进行全部平均池化，再将图像特征经过第一全连接层、第二全连接层，第二个全连接层的神经元个数与输入特征层相同，这样可以保证图像的通道数不改变；最后使用Sigmod函数将输出限制到0-1之间，作为通道注意力机制产生的权重，跟原特征图进行相乘，获得最终加入注意力机制的特征图；通过添加SE注意机制残差模块fse可以提高神经网络的学习能力，为不同的通道特征分配不同权重，增强关键特征，降低非关键特征的冗余。
循环层frecurrent：主要用于传递阶段间的特征依赖关系；
残差块fres：主要用于提取图像的深度特征；
卷积层fout：主要用于输出去雨的结果图像；
步骤S2中将加雨的图像和对应的原图像送入MS-PReNet去雨网络模型进行训练，具体训练过程如下：
步骤S2-1：将加雨的图像和对应的原图像送入改进的MS-PReNet去雨网络进行训练；
步骤S2-2：根据MS-PReNet去雨网络输出的结果，计算MSE损失、负SSIM损失以及RecSSIM损失；
计算MSE损失为：L＝||xT-xgt||2；
负SSIM损失为：L＝-SSIM(xT,xgt)；
RecSSIM损失为：
其中，xgt是真实的去雨图像，xt是t阶段的去雨图像，λt是t阶段的权衡参数；
步骤S2-3：计算总损失LOSS＝αMSE+β(-SSIM)+γ(RecSSIM)，设定三个损失的权重参数α,β,γ，损失阈值lossmin1，
步骤S2-4：若总损失达到损失阈值，则停止训练，反之更新网络参数，继续迭代训练网络。
MS-PReNet去雨网络模型的具体操作过程如下：
每个阶段t的PreNet推断过程用以下公式描述：
其中，xt为t阶段的去雨图像，t-1阶段输出的去雨图像xt-1和原始雨图y进行张量拼接，作为t阶段的输入；fin包含卷积层和ReLU激活层；同阶段fin的输出和上一阶段循环单元的状态输入St-1作为当前阶段的输入；frecurrent为LSTM循环处理模块，挖掘不同阶段之间的深层特征；fres为5个残差块的级联，提取雨图的深度特征信息；卷积层fout为卷积操作，输出去雨结果；
首先将原始雨图和上个阶段的输出图像送入卷积层fin；接着进入多尺度特征融合模块fmsfm，使得感受野呈非线性增长，从而尽可能输出更大范围的特征信息；接着进入循环层frecurrent，传递各个阶段之间的特征依赖关系；紧接着进入SE注意机制残差模块fse，提高LSTM的学习能力；然后进入残差块fres，提取图像的深度特征信息，最后通过卷积层fout输出去雨图像。
步骤S3：将训练好的MS-PReNet去雨网络模型保存最优参数，并将对所有的绝缘子缺陷数据集进行去雨操作，生成新的数据集；
步骤S4：将新的数据集进行绝缘子缺陷真实目标框标注，按照比例划分训练集、验证集和测试集；
步骤S5：根据数据集的绝缘子缺陷真实目标框，聚类生成不同尺寸的锚框；
步骤S6：构建GAM-YOLOv7目标检测网络模型，并将标注过的绝缘子缺陷数据集送GAM-YOLOv7目标检测网络模型进行训练；
如图5所示，GAM-YOLOv7目标检测网络模型包括input、backbone和head三大部分；，backbone和head包括：CBS模块、ELAN模块、MP模块、SPPCSPC模块、UPSample模块、GAM模块、ELAN-W模块、REP模块和CBM模块；
CBS模块由一个卷积层、一个BN层和一个激活函数Silu层，一共有三个不同的CBS模块，它们的区别在于卷积层的卷积核和步长不同；作用分别是用来改变通道数、特征提取和下采样。
ELAN模块有很强的鲁棒性，通过控制最短和最长的梯度路径使网络能够学习到更多的特征；ELAN模块包括第一条分支和第二条分支，第一条分支经过一个CBS模块改变通道数；第一条分支经过一个CBS模块改变通道数；第二条分支首先经过一个CBS模块改变通道数，再经过四个CBS模块特征提取，并行输出CBS模块的结果；最后把第一个分支、第二个分支和两个CBS模块输出结果叠加作为特征提取结果。
MP模块主要是进行下采样，MP模块拥有两条分支，包括第三条分支和第四分支；第三条分支先经过一个最大池化层，再经过一个CBS模块改变通道数；第四条分支先经过一个CBS模块改变通道数，再经过另一个CBS模块进行下采样；最后第三条分支和第四分支加在一起，得到超级下采样的结果。
SPPCSPC模块用于增大感受野，使算法适应不同分辨率的图像；SPPCSPC拥有两条分支，包括第五分支和第六分支；第五分支经过一个CBS模块改变通道数，第六分支经过四种不同尺度的最大池化层，分别对应处理不同尺度的目标；最后合并第五分支、第六分支结果。
UPSample模块是上采样模块，采用最近邻插值进行上采样；
GAM模块用于保留通道和空间方面的信息，添加在在每个ELAN-W模块之前；
ELAN-W模块和ELAN模块类似，拥有两条分支，包括第七分支和第八分支；所述第七分支经过一个CBS模块改变通道数，第八分支先经过一个CBS模块改变通道数，再经过四个CBS模块特征提取，并行输出CBS模块的结果，最后把第七分支、第八分支和四个CBS模块输出结果叠加作为特征提取结果；
REP模块包括训练模块和推理模块，训练模块有三个分支，包括第九分支、第十分支和第十一分支；第九分支用于卷积层和BN层的特征提取，第十分支用于卷积层和BN层平滑特征，第十一分支是BN层，最后将第九分支、第十分支和第十一分支相加输出结果；
CBM模块和CBS模块类似，包括个卷积层、BN层和激活层，激活层的激活函数使sigmoid函数。
为了提高GAM-YOLOv7目标检测网络模型的性能，在每个ELAN-W模块之前添加全局注意力机制模块，改进GAM-YOLOv7目标检测网络模型结构，大部分注意力机制都只是单方面保留通道或者是空间方面的信息，而全局注意力机制GAM则是同时保留了通道和空间方面的信息，对目标检测网络性能提高有着重要作用。
如图6所示，为全局注意力机制GAM的网络结构图，主要分为两个模块，一个是通道注意力机制CAM，另一个是空间注意力机制SAM，个子模块共同构成了全局注意力机制模块。通道注意力机制首先对输入特征图进行维度转换，接着通过多层感知器MLP放大跨维通道空间，然后再转换为原来的维度，最后进行Sigmoid激活函数处理；空间注意力机制首先通过卷积核为7的卷积缩减通道数量，以此来缩小计算量，在经过一个卷积核为7x7的卷积操作，增加通道数量，保持通道数量的一致，最后经过Sigmoid激活函数输出。
步骤S6中将标注过的绝缘子缺陷数据集送GAM-YOLOv7目标检测网络模型进行训练，具体的训练过程如下：
步骤S6-1：GAM-YOLOv7目标检测网络会根据三类不同尺寸的网格生成三种不同尺寸的预测框；
步骤S6-2：根据预测框的位置信息计算分类损失、定位损失以及置信度损失；
分类损失：
其中，yi代表当前类别的预测值，代表当前类别的真实值，wclass代表正样本的权重；
定位损失：
其中，IoU为预测框与真实框交集与并集的比值，c为同时框住预测框与真实框的最小框，b,bgt代表预测框与真实框中心点，ρ代表两点间的欧氏距离，α为权衡长宽比例造成损失和IoU部分造成损失的平衡因子，ν为预测框和真实框长宽比例差值的归一化；
定位损失：中
其中，wgt为真实框的宽度；hgt为真实框的高度；w为预测框的宽度；h为预测框的高度；
置信度损失：
其中，po代表预测框中的目标置信度分数，pIoU代表预测框和对应目标框的IoU值，作为真实值；
步骤S6-3：根据公式计算总损失Loss＝λ1Lclass+λ2LCIoU+λ3Lobj，设定损三个损失的权重参数λ1,λ2,λ3，损失阈值lossmin2，这里λ1取0.125，λ2取0.05，λ3取0.1；
步骤S6-4：判断损失函数是否达到损失阈值，若总损失达到损失阈值，则停止训练，反之更新网络参数，继续训练网络。
GAM-YOLOv7目标检测网络模型的操作过程如下：
首先将输入图像送入四个CBS模块，第一CBS模块用来改变通道数，第二CBS模块进行下采样，第三CBS模块用来特征提取，第四CBS模块用来下采样；送入ELAN模块，提高网络的学习能力和鲁棒性，连续送入三组MP模块和ELAN模块，进行下采样和特征学习；第一组MP模块和ELAN模块后面紧跟一个改变通道数的CBS模块并融合后两组的操作，然后通过一个全局注意力机制GAM模块，保留更多通道和空间方面的信息，最后通过ELAN-W模块和REP模块进行推理和训练，输出第一个检测头；第二组MP模块和ELAN模块类似第一组MP模块和ELAN模块的操作输出第二个检测头；第三组MP模块和ELAN模块后面紧跟一个SPPCSPC模块，增大感受野，便于适应不同分辨率的图像，融合第一组MP模块和ELAN模块和第二组MP模块和ELAN模块，通过ELAN-W模块和REP模块进行推理和训练，输出第三个检测头；最终模型的输出为三个不同尺寸的检测头。
步骤S7：将训练好的GAM-YOLOv7目标检测网络模型最优参数进行保存；
步骤S8：对MS-PReNet去雨网络模型与GAM-YOLOv7目标检测网络模型进行测试、验证；
表1为不同模型实验对比结果：
表1给出了改进算法和主流YOLO算法的指标结果对比，除了召回率，其余指标都表现极佳，精确率相比较原始YOLOv7提高了4.6％，召回率虽然不是第一，但是相对原始YOLOv7也提高了2.7％，mAP@.5提高了1.6％，mAP@.5:.95提升了高达5.1％。mAP@.5指标和其他模型的差距不大，mAP@.5:.95指标差距非常大，原因在于使用的数据集是模拟雨天场景的数据集，在图片中加入了许多噪声，其他模型的鲁棒性不佳，当提高iou阈值时，mAP@.5:.95指标就会下降，而改进的模型引入了去雨模型，保留了图片中更多有用的信息，所以提升iou阈值时，mAP@.5:.95指标会高于其他模型。总体来说，MS-PReNet和GAM-YOLOv7在这四个指标中表现出色，尤其是在mAP@.5:.95指标上。
从图7、图8和图9中对比可以看出，使用GAM-YOLOv7目标检测网络模型的精确率、召回率和mAP指标满足在雨天的复杂环境下，保证绝缘子缺陷检测的准确性。
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。
Claims (9)
1.一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法，其特征在于：该方法包括以下步骤：
步骤S1：对所有的绝缘子缺陷数据集进行加雨操作，并对一部分加雨操作后的数据集进行预处理；
步骤S2：构建MS-PReNet去雨网络模型，将加雨的图像和对应的原图像送入MS-PReNet去雨网络模型进行训练；
所述MS-PReNet去雨网络模型包括用于接收MS-PReNet去雨网络模型输入图像的卷积层fin、用于特征融合的多尺度特征融合模块fmsfm、用于传递阶段间特征依赖关系的循环层frecurrent、对不同通道特征分配不同权重的SE注意机制残差模块fse、用于提取图像深度特征的残差块fres以及用于输出去雨结果图像的卷积层fout；
所述SE注意机制残差模块fse包括Global pooling池化模块、第一全连接层、第二全连接层以及Sigmod函数，SE注意机制残差模块fse通过Global pooling池化模块对输入的图像特征进行全部平均池化，再将图像特征经过第一全连接层、第二全连接层,最后使用Sigmod函数将输出限制到0-1之间，作为通道注意力机制产生的权重，跟原特征图进行相乘，获得最终加入注意力机制的特征图；
步骤S3：将训练好的MS-PReNet去雨网络模型保存最优参数，并将对所有的绝缘子缺陷数据集进行去雨操作，生成新的数据集；
步骤S4：将新的数据集进行绝缘子缺陷真实目标框标注，按照比例划分训练集、验证集和测试集；
步骤S5：根据数据集的绝缘子缺陷真实目标框，聚类生成不同尺寸的锚框；
步骤S6：构建GAM-YOLOv7目标检测网络模型，并将步骤S5中处理好的绝缘子缺陷数据集送GAM-YOLOv7目标检测网络模型进行训练；
步骤S7：将训练好的GAM-YOLOv7目标检测网络模型最优参数进行保存；
步骤S8：对MS-PReNet去雨网络模型与GAM-YOLOv7目标检测网络模型进行测试、验证。
2.根据权利要求1所述的一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法，其特征在于：
所述卷积层fin包括卷积层和ReLU激活层，同阶段卷积层fin的输出和上一阶段循环单元的状态输入St-1作为当前阶段的输入；
所述循环层frecurrent为LSTM循环处理模块，挖掘不同阶段之间的深层特征；
所述多尺度特征融合模块fmsfm包括四个并行的分支结构，分别为1x1卷积分支、3x3卷积分支、5x5卷积分支以及3x3最大池化分支。
3.根据权利要求2所述的一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法，其特征在于：所述步骤S2中将加雨的图像和对应的原图像送入MS-PReNet去雨网络模型进行训练，具体训练过程如下：
步骤S2-1：将加雨的图像和对应的原图像送入改进的MS-PReNet去雨网络进行训练；
步骤S2-2：根据MS-PReNet去雨网络输出的结果，计算MSE损失、负SSIM损失以及RecSSIM损失；
计算MSE损失为：L＝||xT-xgt||2；
负SSIM损失为：L＝-SSIM(xT,xgt)；
RecSSIM损失为：
其中，xgt是真实的去雨图像，xt是t阶段的去雨图像，λt是t阶段的权衡参数；
步骤S2-3：计算总损失LOSS＝αMSE+β(-SSIM)+γ(RecSSIM)，设定三个损失的权重参数α,β,γ，损失阈值lossmin1，
步骤S2-4：若总损失达到损失阈值，则停止训练，反之更新网络参数，继续迭代训练网络。
4.根据权利要求1所述的一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法，其特征在于：所述MS-PReNet去雨网络模型的操作过程如下：
首先将原始雨图和上个阶段的输出图像送入卷积层fin，接着进入多尺度特征融合模块fmsfm，使得感受野呈非线性增长，从而尽可能输出更大范围的特征信息；接着进入循环层frecurrent，传递各个阶段之间的特征依赖关系；再进入SE注意机制残差模块fse，提高LSTM的学习能力；在进入残差块fres，提取图像的深度特征信息；最后通过卷积层fout输出去雨图像。
5.根据权利要求1所述的一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法，其特征在于：所述GAM-YOLOv7目标检测网络模型包括：input、backbone和head三大部分，backbone和head包括：CBS模块、ELAN模块、MP模块、SPPCSPC模块、UPSample模块、GAM模块、ELAN-W模块、REP模块和CBM模块。
6.根据权利要求5所述的一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法，其特征在于：所述CBS模块包括一个卷积层、一个BN层和一个激活函数Silu层，GAM-YOLOv7目标检测网络模型使用三个不同的CBS模块，分别用来改变通道数、特征提取和下采样；
所述ELAN模块包括第一条分支和第二条分支，第一条分支经过一个CBS模块改变通道数；
所述第二条分支先经过一个CBS模块改变通道数，再经过四个CBS模块特征提取，并行输出CBS模块的结果，最后把第一个分支、第二个分支和两个CBS模块输出结果叠加作为特征提取结果；
所述MP模块用于进行下采样操作，MP模块拥有两条分支，包括第三条分支和第四分支；所述第三条分支先经过一个最大池化层，再经过一个CBS模块改变通道数；
所述第四分支先经过一个CBS模块改变通道数，再经过另一个CBS模块进行下采样；最后第三条分支和第四分支加在一起，得到超级下采样的结果；
所述SPPCSPC模块用于增大感受野，使算法适应不同分辨率的图像；SPPCSPC拥有两条分支，包括第五分支和第六分支；
所述第五分支经过一个CBS模块改变通道数，第六分支经过四种不同尺度的最大池化层，分别对应处理不同尺度的目标；最后合并第五分支、第六分支结果；
所述UPSample模块是上采样模块，采用最近邻插值进行上采样；
所述GAM模块用于保留通道和空间方面的信息，添加在在每个ELAN-W模块之前；
所述ELAN-W模块和ELAN模块类似，拥有两条分支，包括第七分支和第八分支；所述第七分支经过一个CBS模块改变通道数，第八分支先经过一个CBS模块改变通道数，再经过四个CBS模块特征提取，并行输出CBS模块的结果，最后把第七分支、第八分支和四个CBS模块输出结果叠加作为特征提取结果；
所述REP模块包括训练模块和推理模块，训练模块有三个分支，包括第九分支、第十分支和第十一分支；
所述第九分支用于卷积层和BN层的特征提取，第十分支用于卷积层和BN层平滑特征，第十一分支是BN层，最后将第九分支、第十分支和第十一分支相加输出结果；
所述CBM模块和CBS模块类似，包括个卷积层、BN层和激活层，激活层的激活函数使sigmoid函数。
7.根据权利要求1所述的一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法，其特征在于：所述步骤S6中将标注过的绝缘子缺陷数据集送GAM-YOLOv7目标检测网络模型进行训练，具体的训练过程如下：
步骤S6-1：GAM-YOLOv7目标检测网络会根据三类不同尺寸的网格生成三种不同尺寸的预测框；
步骤S6-2：根据预测框的位置信息计算分类损失、定位损失以及置信度损失；
分类损失：
其中，yi代表当前类别的预测值，代表当前类别的真实值，wclass代表正样本的权重；
定位损失：
其中，IoU为预测框与真实框交集与并集的比值，c为同时框住预测框与真实框的最小框，b,bgt代表预测框与真实框中心点，ρ代表两点间的欧氏距离，α为权衡长宽比例造成损失和IoU部分造成损失的平衡因子，ν为预测框和真实框长宽比例差值的归一化；
置信度损失：
其中，po代表预测框中的目标置信度分数，pIoU代表预测框和对应目标框的IoU值，作为真实值；
步骤S6-3：根据公式计算总损失Loss＝λ1Lclass+λ2LCIoU+λ3Lobj，设定损三个损失的权重参数λ1,λ2,λ3，损失阈值lossmin2；
步骤S6-4：判断损失函数是否达到损失阈值，若总损失达到损失阈值，则停止训练，反之更新网络参数，继续训练网络。
8.根据权利要求7所述的一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法，其特征在于：所述定位损失：中
其中，wgt为真实框的宽度；hgt为真实框的高度；w为预测框的宽度；h为预测框的高度。
9.根据权利要求1所述的一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法，其特征在于：所述GAM-YOLOv7目标检测网络模型的操作过程如下：
首先将输入图像送入四个CBS模块，第一CBS模块用来改变通道数，第二CBS模块进行下采样，第三CBS模块用来特征提取，第四CBS模块用来下采样；送入ELAN模块，提高网络的学习能力和鲁棒性，连续送入三组MP模块和ELAN模块，进行下采样和特征学习；第一组MP模块和ELAN模块后面紧跟一个改变通道数的CBS模块并融合后两组的操作，然后通过一个全局注意力机制GAM模块，保留更多通道和空间方面的信息，最后通过ELAN-W模块和REP模块进行推理和训练，输出第一个检测头；第二组MP模块和ELAN模块类似第一组MP模块和ELAN模块的操作输出第二个检测头；第三组MP模块和ELAN模块后面紧跟一个SPPCSPC模块，增大感受野，便于适应不同分辨率的图像，融合第一组MP模块和ELAN模块和第二组MP模块和ELAN模块，通过ELAN-W模块和REP模块进行推理和训练，输出第三个检测头；最终模型的输出为三个不同尺寸的检测头。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311426256.4A CN117422689B (zh) | 2023-10-31 | 2023-10-31 | 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311426256.4A CN117422689B (zh) | 2023-10-31 | 2023-10-31 | 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117422689A CN117422689A (zh) | 2024-01-19 |
| CN117422689B true CN117422689B (zh) | 2024-05-31 |
Family
ID=89528042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311426256.4A Active CN117422689B (zh) | 2023-10-31 | 2023-10-31 | 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117422689B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108230278A (zh) * | 2018-02-24 | 2018-06-29 | 中山大学 | 一种基于生成对抗网络的图像去雨滴方法 |
| CN109760635A (zh) * | 2019-01-08 | 2019-05-17 | 同济大学 | 一种基于gan网络的线控雨刷控制系统 |
| CN111179249A (zh) * | 2019-12-30 | 2020-05-19 | 南京南瑞信息通信科技有限公司 | 一种基于深度卷积神经网络的电力设备检测方法和装置 |
| CN114092917A (zh) * | 2022-01-10 | 2022-02-25 | 南京信息工程大学 | 一种基于mr-ssd的被遮挡交通标志检测方法及系统 |
| CN114240878A (zh) * | 2021-12-16 | 2022-03-25 | 国网河南省电力公司电力科学研究院 | 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法 |
| CN114782679A (zh) * | 2022-05-05 | 2022-07-22 | 国家电网有限公司 | 一种基于级联网络的输电线路中金具缺陷检测方法、装置 |
| CN115294473A (zh) * | 2022-07-05 | 2022-11-04 | 哈尔滨理工大学 | 一种基于目标检测与实例分割的绝缘子故障识别方法及系统 |
| CN115731164A (zh) * | 2022-09-14 | 2023-03-03 | 常州大学 | 基于改进YOLOv7的绝缘子缺陷检测方法 |
| CN116403129A (zh) * | 2023-03-24 | 2023-07-07 | 广州大学 | 一种适应复杂气候环境的绝缘子检测方法 |
| CN116468730A (zh) * | 2023-06-20 | 2023-07-21 | 齐鲁工业大学(山东省科学院) | 基于YOLOv5算法的航拍绝缘子图像缺陷检测方法 |
| CN116503399A (zh) * | 2023-06-26 | 2023-07-28 | 广东电网有限责任公司湛江供电局 | 基于yolo-afps的绝缘子污闪检测方法 |
| CN116503398A (zh) * | 2023-06-26 | 2023-07-28 | 广东电网有限责任公司湛江供电局 | 绝缘子污闪检测方法、装置、电子设备及存储介质 |
| CN116664526A (zh) * | 2023-06-01 | 2023-08-29 | 广州大学 | 一种高精度绝缘子检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079645A (zh) * | 2019-12-16 | 2020-04-28 | 国网重庆市电力公司永川供电分公司 | 一种基于AlexNet网络的绝缘子自爆识别方法 |
-
2023
- 2023-10-31 CN CN202311426256.4A patent/CN117422689B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108230278A (zh) * | 2018-02-24 | 2018-06-29 | 中山大学 | 一种基于生成对抗网络的图像去雨滴方法 |
| CN109760635A (zh) * | 2019-01-08 | 2019-05-17 | 同济大学 | 一种基于gan网络的线控雨刷控制系统 |
| CN111179249A (zh) * | 2019-12-30 | 2020-05-19 | 南京南瑞信息通信科技有限公司 | 一种基于深度卷积神经网络的电力设备检测方法和装置 |
| CN114240878A (zh) * | 2021-12-16 | 2022-03-25 | 国网河南省电力公司电力科学研究院 | 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法 |
| CN114092917A (zh) * | 2022-01-10 | 2022-02-25 | 南京信息工程大学 | 一种基于mr-ssd的被遮挡交通标志检测方法及系统 |
| CN114782679A (zh) * | 2022-05-05 | 2022-07-22 | 国家电网有限公司 | 一种基于级联网络的输电线路中金具缺陷检测方法、装置 |
| CN115294473A (zh) * | 2022-07-05 | 2022-11-04 | 哈尔滨理工大学 | 一种基于目标检测与实例分割的绝缘子故障识别方法及系统 |
| CN115731164A (zh) * | 2022-09-14 | 2023-03-03 | 常州大学 | 基于改进YOLOv7的绝缘子缺陷检测方法 |
| CN116403129A (zh) * | 2023-03-24 | 2023-07-07 | 广州大学 | 一种适应复杂气候环境的绝缘子检测方法 |
| CN116664526A (zh) * | 2023-06-01 | 2023-08-29 | 广州大学 | 一种高精度绝缘子检测方法 |
| CN116468730A (zh) * | 2023-06-20 | 2023-07-21 | 齐鲁工业大学(山东省科学院) | 基于YOLOv5算法的航拍绝缘子图像缺陷检测方法 |
| CN116503399A (zh) * | 2023-06-26 | 2023-07-28 | 广东电网有限责任公司湛江供电局 | 基于yolo-afps的绝缘子污闪检测方法 |
| CN116503398A (zh) * | 2023-06-26 | 2023-07-28 | 广东电网有限责任公司湛江供电局 | 绝缘子污闪检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| A Multi-feature Fusion-based Deep Learning for Insulator Image Identification and Fault Detection;Xinlei Huang 等;《ITNEC 2020》;20201231;1957-1960 * |
| 基于改进YOLOv5的输电线路绝缘子识别方法;王素珍 等;《电子测量技术》;20221130;第45卷(第21期);181-188 * |
| 电力大数据智能化高效分析挖掘技术框架;邓松 等;《电子测量与仪器学报》;20161130;第30卷(第11期);1679-1686 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117422689A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113392960B (zh) | 一种基于混合空洞卷积金字塔的目标检测网络及方法 | |
| CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及系统 | |
| CN107133943A (zh) | 一种防震锤缺陷检测的视觉检测方法 | |
| CN109671071B (zh) | 一种基于深度学习的地下管道缺陷定位及等级判定方法 | |
| CN112434586B (zh) | 一种基于域自适应学习的多复杂场景目标检测方法 | |
| CN115439694A (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
| CN114283120B (zh) | 一种基于领域自适应的端到端多源异质遥感影像变化检测方法 | |
| Zhu et al. | Object detection in complex road scenarios: improved YOLOv4-tiny algorithm | |
| CN111199255A (zh) | 基于darknet53网络的小目标检测网络模型及检测方法 | |
| CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
| CN114972312A (zh) | 基于YOLOv4-Tiny改进的绝缘子缺陷检测方法 | |
| CN112149612A (zh) | 一种基于深度神经网络的海洋生物识别系统及识别方法 | |
| CN115239710A (zh) | 基于注意力反馈和双空间金字塔的绝缘子缺陷检测方法 | |
| CN115578574A (zh) | 一种基于深度学习和拓扑感知的三维点云补全方法 | |
| CN116342536A (zh) | 基于轻量化模型的铝带材表面缺陷检测方法、系统及设备 | |
| CN112837281B (zh) | 基于级联卷积神经网络的销钉缺陷识别方法、装置和设备 | |
| CN113689383A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN117422689B (zh) | 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法 | |
| CN117173595A (zh) | 基于改进YOLOv7的无人机航拍图像目标检测方法 | |
| CN117197530A (zh) | 一种基于改进YOLOv8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法 | |
| CN117173449A (zh) | 基于多尺度detr的航空发动机叶片缺陷检测方法 | |
| CN114140524B (zh) | 一种多尺度特征融合的闭环检测系统及方法 | |
| CN116363610A (zh) | 一种基于改进YOLOv5的航拍车辆旋转目标检测方法 | |
| CN115880660A (zh) | 一种基于结构表征和全局注意力机制的轨道线检测方法和系统 | |
| CN116861261B (zh) | 自动驾驶模型的训练方法、部署方法、系统、介质和设备 |
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 |