亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于改進(jìn)Cascade R-CNN算法的多類型絕緣子缺陷圖像聯(lián)合檢測(cè)

        2022-02-26 08:35:36王紅星陳玉權(quán)高小偉
        電瓷避雷器 2022年1期
        關(guān)鍵詞:檢測(cè)

        張 欣,王紅星,陳玉權(quán),黃 鄭,沈 杰,高小偉

        (1.江蘇方天電力技術(shù)有限公司,南京 211102;2.北京御航智能科技有限公司,北京 100085)

        0 引言

        絕緣子是架空輸電線路中不可或缺的部件,在輸電線路中起到防止電流接地以及支撐導(dǎo)線的雙重作用。一些常見的絕緣子缺陷如絕緣子爆片、絕緣子電弧燒傷、絕緣子傘裙破損等會(huì)引起絕緣子絕緣的失效,從而損害輸電線路的使用和運(yùn)行壽命。因此對(duì)絕緣子進(jìn)行缺陷檢測(cè)是輸電線路巡檢過程中必不可少的環(huán)節(jié),但巡檢圖像中絕緣子區(qū)域目標(biāo)背景較為復(fù)雜且缺陷形狀多變、大小不一,這些缺陷特性都為絕緣子缺陷檢測(cè)研究帶來一定挑戰(zhàn)。

        隨著無人機(jī)技術(shù)的成熟,輸電線路無人機(jī)巡檢技術(shù)逐漸代替人工巡檢技術(shù)[1],將會(huì)產(chǎn)生海量的巡檢圖,尤其在桿塔精細(xì)化中一些關(guān)鍵部位需要進(jìn)行缺陷檢測(cè)。目前,在絕緣子串檢測(cè)方面已有一些研究成果,如基于方向梯度直方圖檢測(cè)算法、紅外成像法、支持向量機(jī)方法以及深度學(xué)習(xí)算法在絕緣子串檢測(cè)的應(yīng)用[2]。其中,無人機(jī)巡檢 + AI方案的提出減少了人為干擾因素,深度學(xué)習(xí)算法的應(yīng)用使得電力巡檢變成一件智能且便捷的事情[3]。趙振兵等人提出了利用區(qū)域全卷積網(wǎng)絡(luò)模型對(duì)巡檢圖像中的絕緣子進(jìn)行檢測(cè),在 R-FCN 網(wǎng)絡(luò)中引入 ASDN(Adversarial Spatial Dropout Network)解決了絕緣子部分遮擋難以檢測(cè)的問題[4]。陳春玲等人提出Faster R-CNN+VGGNet 網(wǎng)絡(luò)方法實(shí)現(xiàn)了復(fù)雜背景下的絕緣子目標(biāo)的高精度識(shí)別[5]。Jiaming Han 等人采用級(jí)聯(lián)模型方法來檢測(cè)絕緣子爆片,首先定位絕緣子串的位置,運(yùn)用YOLO-v3微型網(wǎng)絡(luò)檢測(cè)定位區(qū)域中的絕緣子爆片缺陷,實(shí)驗(yàn)證明該方法非常有效,且YOLO-v3微型網(wǎng)絡(luò)節(jié)省了檢測(cè)時(shí)間[6]。潘龍等人利用深度卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)復(fù)合絕緣子實(shí)現(xiàn)了憎水性判別,提高了檢測(cè)效率和準(zhǔn)確性[7]。Zenan Ling等人利用兩個(gè)模塊解決了低信噪比圖像中絕緣子爆片的問題,首先基于Faster R-CNN進(jìn)行目標(biāo)檢測(cè),然后將檢測(cè)結(jié)果利用Unet網(wǎng)絡(luò)實(shí)現(xiàn)分類,實(shí)驗(yàn)結(jié)果表明此方法非常有效[8]。

        上述對(duì)絕緣子檢測(cè)相關(guān)工作做了很多探索,但針對(duì)多類型絕緣子缺陷檢測(cè)的研究較少,目前絕緣子識(shí)別與缺陷檢測(cè)研究面臨著以下挑戰(zhàn):

        1)缺少用于無人機(jī)巡檢圖像中絕緣子缺陷檢測(cè)的公開可用數(shù)據(jù)集及標(biāo)準(zhǔn)的標(biāo)注方案。

        2)現(xiàn)有算法大多集中于絕緣子爆片這一類缺陷進(jìn)行的算法研究,但在實(shí)際工作中絕緣子電弧燒傷、絕緣子傘裙破損等其他缺陷也會(huì)造成絕緣子絕緣的失效,因此需要對(duì)絕緣子多種缺陷目標(biāo)檢測(cè),增加了檢測(cè)難度。

        3)絕緣子材質(zhì)復(fù)雜多變導(dǎo)致缺陷形態(tài)多變、大小不一增加了檢測(cè)復(fù)雜度。

        針對(duì)以上問題,為有效實(shí)現(xiàn)無人機(jī)巡檢圖像中多類絕緣子缺陷的檢測(cè),收集了足夠的絕緣子巡檢圖像,探索出了可靠的絕緣子缺陷標(biāo)注方式,建立標(biāo)準(zhǔn)的絕緣子缺陷數(shù)據(jù)集并提出使用Cascade R-CNN[9]為基礎(chǔ)算法,通過設(shè)定不同的IoU(Intersection over Union)閾值利用Cascade R-CNN訓(xùn)練了多級(jí)聯(lián)的檢測(cè)器,可以使網(wǎng)絡(luò)更加適應(yīng)各種大小不一絕緣子缺陷目標(biāo),從而提升檢測(cè)精度。此外,在原有網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行了方法的改進(jìn),最終聯(lián)合絕緣子串模型實(shí)現(xiàn)了缺陷檢測(cè)。經(jīng)過實(shí)驗(yàn)對(duì)比測(cè)試,筆者提出的方法能夠有效的識(shí)別各類絕緣子缺陷。

        1 絕緣子缺陷檢測(cè)原理

        相較傳統(tǒng)分類方法(如支持向量機(jī)方法、決策樹分類等)深度學(xué)習(xí)方法是機(jī)器學(xué)習(xí)中的熱點(diǎn)方向,作為一種以模擬人腦映射為原理的圖像處理算法它具有強(qiáng)大的自學(xué)習(xí)能力、容錯(cuò)能力,尤其在目標(biāo)識(shí)別領(lǐng)域表現(xiàn)突出,如人臉識(shí)別、自動(dòng)駕駛等,這些對(duì)于將深度模型應(yīng)用到絕緣子檢測(cè)上有著很好的借鑒作用。

        1.1 建立絕緣子缺陷數(shù)據(jù)集

        一般情況下一個(gè)具有較好泛化能力的深度模型必然需要依賴于一定數(shù)量的樣本數(shù)據(jù)。場(chǎng)景豐富、目標(biāo)形態(tài)多樣的訓(xùn)練數(shù)據(jù)能夠使得深度網(wǎng)絡(luò)在訓(xùn)練中得到更加準(zhǔn)確的參數(shù)??紤]到目前缺少公開可用的電力數(shù)據(jù)集,需要構(gòu)建專業(yè)的巡檢圖像絕緣子缺陷數(shù)據(jù)集。

        根據(jù)絕緣子受損類型及損傷特點(diǎn)將絕緣子數(shù)據(jù)中缺陷分為絕緣子爆片、絕緣子電弧燒傷、絕緣子傘裙破損3類。示意圖見圖1,標(biāo)注方式需遵循以下規(guī)則:

        圖1 絕緣子缺陷Fig.1 The defect of insulator

        1)目標(biāo)需要完全包括在標(biāo)注框內(nèi)部。

        2)目標(biāo)框盡量少地包含除缺陷外的背景干擾。

        3)摒棄不確定目標(biāo)(模糊目標(biāo))。

        訓(xùn)練樣本挑選過程中盡量篩掉一些質(zhì)量不佳(如模糊、噪音嚴(yán)重等)的巡檢圖片。最終確定絕緣子缺陷訓(xùn)練集中絕緣子爆片數(shù)量為3 120張、絕緣子電弧燒傷數(shù)量588張、絕緣子傘裙破損537張,測(cè)試集中絕緣子爆片數(shù)量為614張、絕緣子電弧燒傷數(shù)量111張、絕緣子傘裙破損128張,詳見表1。由于3類樣本數(shù)量不均衡,會(huì)導(dǎo)致訓(xùn)練模型泛化能力差且容易出現(xiàn)過擬合,為使網(wǎng)絡(luò)更加穩(wěn)健缺陷數(shù)據(jù)采用數(shù)據(jù)增強(qiáng)的方式對(duì)燒傷與破損數(shù)據(jù)擴(kuò)充。在增加樣本復(fù)雜度方面,使用調(diào)整圖片亮度、圖像裁剪的方式進(jìn)行了數(shù)據(jù)增強(qiáng),使網(wǎng)絡(luò)能足夠多地學(xué)習(xí)到目標(biāo)變化中的深層特征。

        表1 數(shù)據(jù)集Table 1 Data set

        1.2 改進(jìn)的Cascade R-CNN算法

        眾所周知,深度神經(jīng)網(wǎng)絡(luò)主要任務(wù)為目標(biāo)分類與目標(biāo)定位。在訓(xùn)練時(shí)首先提取候選目標(biāo),然后將候選目標(biāo)回歸到對(duì)應(yīng)的真實(shí)標(biāo)簽上進(jìn)行分類,在這一關(guān)鍵步驟中網(wǎng)絡(luò)根據(jù)IoU閾值來確定候選目標(biāo)是否合格,因此IoU閾值的選取決定了檢測(cè)目標(biāo)的質(zhì)量。經(jīng)過對(duì)大量的輸電線路巡檢圖像進(jìn)行標(biāo)注,發(fā)現(xiàn)圖像中缺陷形態(tài)大小比較多變,尤其是一些電弧燒傷目標(biāo)在形態(tài)顏色方面變化都較大,而且圖像中還包含背景干擾影響絕緣子缺陷檢測(cè)準(zhǔn)確性。因此選取Cascade R-CNN網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò),可通過設(shè)定不同的IoU閾值,訓(xùn)練多個(gè)級(jí)聯(lián)的檢測(cè)器,上個(gè)網(wǎng)絡(luò)輸出用于下一個(gè)網(wǎng)絡(luò)輸入,通過網(wǎng)絡(luò)間的級(jí)聯(lián)減少了缺陷目標(biāo)多變對(duì)網(wǎng)絡(luò)造成的影響,使得輸出結(jié)果準(zhǔn)確度逐步提升。

        據(jù)統(tǒng)計(jì),絕緣子爆片目標(biāo)面積大小約為同圖片中電弧與燒傷目標(biāo)的10倍,不同分辨率圖片中的同類目標(biāo)的大小也可大致分為大尺寸,中尺寸和小尺寸3類。為解決多尺度目標(biāo)檢測(cè)問題,首先將損失函數(shù)更改為Focal loss,并引入RoI Align方法以解決小目標(biāo)的漏檢,在此基礎(chǔ)上訓(xùn)練了絕緣子串模型,將絕緣子串的檢測(cè)區(qū)域設(shè)置為RoI供下一個(gè)檢測(cè)分支使用,以消除巡檢圖像中的大多數(shù)背景干擾。除此之外,在網(wǎng)絡(luò)中還引入了FPN結(jié)構(gòu),在不增加原有模型計(jì)算量的情況下,大幅度提升了較小缺陷目標(biāo)檢測(cè)的性能[10]。

        1.2.1 損失函數(shù)的改進(jìn)

        在實(shí)際訓(xùn)練工作中經(jīng)常會(huì)遇到這樣一個(gè)問題:正負(fù)樣本比例極度不平衡的,有時(shí)正負(fù)樣本接近500:1,而且困難樣本在負(fù)樣本中占比極少。在這種情況下就會(huì)導(dǎo)致另一個(gè)問題:梯度完全由簡(jiǎn)易樣本控制,雖然loss很低,但由于簡(jiǎn)易樣本比重大,依舊對(duì)loss有很大貢獻(xiàn),從而導(dǎo)致困難樣本收斂不夠好。

        基于標(biāo)準(zhǔn)的交叉熵?fù)p失函數(shù),F(xiàn)ocal loss的解決方法是賦予一個(gè)權(quán)重因子?給正樣本的loss,負(fù)樣本的權(quán)重為1-?,并將1-pt作為樣本的損失權(quán)重就能辨別簡(jiǎn)易樣本/困難樣本,以及對(duì)比例失衡現(xiàn)象起到抑制作用[11]。Focal Loss的計(jì)算如下:

        FL(pt)=-?t(1-pt)γlog(pt)

        (1)

        式中pt是不同類別的分類概率,?t和γ都是常數(shù)不參與訓(xùn)練(0≤?t≤1,γ>0)。從表達(dá)式可以看出:

        1)在前景類或者是背景類中pt值增大,權(quán)重(1-pt)γ減小,也就是說簡(jiǎn)易樣本能夠通過權(quán)重進(jìn)行控制。

        2)?t用于調(diào)節(jié)正負(fù)樣本比例,若前景類用?t表示,背景類則表示為1-?t。

        3)γ和?t兩者的最優(yōu)值彼此作用,因此兩者要聯(lián)合調(diào)整評(píng)估精準(zhǔn)度。

        1.2.2 加入RoIAlign

        在網(wǎng)絡(luò)中加入ROI Align層,ROI Align 是在Mask-RCNN中提出的一種區(qū)域特征聚集方式,對(duì)ROI Pooling操作中兩次量化造成的區(qū)域不匹配問題進(jìn)行了改進(jìn)[12]。首先取消了兩次離散量化操作,為了將特征聚集操作連續(xù)化在過程中使用雙線性插值,從而使得圖像像素值精確到了浮點(diǎn)位。除此之外,ROI Align在兩步量化中不需要對(duì)像素值全部計(jì)算,具體操作如下:

        1)遍歷所有RoI區(qū)域,保持浮點(diǎn)數(shù)邊界不做量化。

        2)將RoI區(qū)域分割成m×m個(gè)等大子區(qū)域,每個(gè)等大子區(qū)域的邊界也不做數(shù)量的評(píng)定。

        3)在每個(gè)等大子區(qū)域中計(jì)算特定4個(gè)坐標(biāo)位置,用雙線性插值方式算出這4個(gè)坐標(biāo)值,然后進(jìn)行max-pooling操作。

        在ROIAlign反向傳播中,xi×(r,j)是坐標(biāo)為浮點(diǎn)數(shù)的采樣點(diǎn)(由前向傳播時(shí)得到),在池化前的特征圖中,與xi×(r,j)橫縱坐標(biāo)相差一個(gè)像素內(nèi)的所有點(diǎn)(即雙線性插值時(shí)特征圖上的四個(gè)點(diǎn))需要接受與之對(duì)應(yīng)點(diǎn)yrj的回傳梯度,所以ROI Align的反向傳播公式如下:

        (2)

        式中,yrj表示池化后的第r個(gè)候選區(qū)域的第j個(gè)點(diǎn),L是池化前的特征圖,xi表示L上的像素點(diǎn),i*(r,j)表示點(diǎn)yrj像素值的來源;Δw、Δh分別為xi*(r,j)與xi縱坐標(biāo)和橫坐標(biāo)的差,d(i,i*(r,j))表示兩個(gè)像素間的間隔長(zhǎng)度。

        1.2.3 聯(lián)合絕緣子串模型檢測(cè)

        盡管從之前的文獻(xiàn)中了解到深度網(wǎng)絡(luò)可以解決大部分變化因素的影響從而識(shí)別出缺陷目標(biāo),但實(shí)際場(chǎng)景中絕大多數(shù)絕緣子圖像的背景復(fù)雜度高,實(shí)現(xiàn)多類別絕緣子缺陷目標(biāo)檢測(cè)時(shí)易將背景誤檢,且存在部分巡檢圖像尺寸大小超過5 000×5 000,使得目標(biāo)在檢測(cè)時(shí)經(jīng)過網(wǎng)絡(luò)壓縮成為了極小目標(biāo),易被漏掉。針對(duì)這一問題,通過Cascade R-CNN訓(xùn)練絕緣子串模型,將絕緣子串的檢測(cè)區(qū)域設(shè)置為RoI,最后檢測(cè)RoI區(qū)域中的絕緣子缺陷。經(jīng)實(shí)踐證實(shí),這種方法可以消除航拍圖像中的大多數(shù)背景干擾,并且通過絕緣子串的提取步驟避免了將RoI區(qū)域壓縮為極小目標(biāo)的操作,從而極大程度上提升了召回率。

        在Cascade R-CNN基礎(chǔ)網(wǎng)絡(luò)中將原有的交叉熵?fù)p失函數(shù)更改為Focal loss,然后引入了RoI Align層以解決小目標(biāo)的漏檢,并利用高精度絕緣子串模型進(jìn)行聯(lián)合檢測(cè),最終形成的新網(wǎng)絡(luò)如圖2。

        圖2 改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 The structure of improved network

        2 實(shí)驗(yàn)及分析

        實(shí)驗(yàn)評(píng)估工作深度學(xué)習(xí)框架為pytorch,硬件環(huán)境為Tesla V100-DGX WORK STATION,里面搭載了四塊NVIDIA Tesla V100 Tensor Core GPU。所提出的網(wǎng)絡(luò)使用在ImageNet數(shù)據(jù)集上經(jīng)過預(yù)訓(xùn)練的101層的ResNeXt 作為骨干網(wǎng)絡(luò),而其他層的參數(shù)則是隨機(jī)初始化的,訓(xùn)練過程中三次判斷正負(fù)樣本的IoU閾值分別設(shè)為0.5、0.6、0.7,輸入圖像訓(xùn)練尺寸為((1 333,800),(2 000,1 200)),學(xué)習(xí)率初始化為0.02,經(jīng)多次迭代后學(xué)習(xí)率會(huì)逐漸降低,得到最終的模型,并在測(cè)試集上進(jìn)行測(cè)試。

        為了驗(yàn)證所提出網(wǎng)絡(luò)的有效性和魯棒性,將其與Faster-rcnn網(wǎng)絡(luò)[]進(jìn)行了比較,共訓(xùn)練了4組實(shí)驗(yàn):

        1)基于Faster R-CNN網(wǎng)絡(luò)的絕緣子爆片、絕緣子電弧燒傷、絕緣子傘裙破損缺陷模型訓(xùn)練與識(shí)別。

        2)基于Cascade R-CNN網(wǎng)絡(luò)的絕緣子爆片、絕緣子電弧燒傷、絕緣子傘裙破損缺陷模型訓(xùn)練與識(shí)別。

        3)在Cascade R-CNN網(wǎng)絡(luò)引入損失函數(shù)Focal loss及加入RoIAlign進(jìn)行缺陷訓(xùn)練與識(shí)別。

        4)絕緣子串模型訓(xùn)練及聯(lián)合絕緣子串模型進(jìn)行缺陷識(shí)別。

        為了公正地評(píng)價(jià)網(wǎng)絡(luò),不同實(shí)驗(yàn)中訓(xùn)練迭代次數(shù)均保持一致,然后在制定的標(biāo)準(zhǔn)測(cè)試集進(jìn)行了測(cè)試。在訓(xùn)練階段,將網(wǎng)絡(luò)的最大迭代設(shè)置為30個(gè)epoch。

        在數(shù)據(jù)集制作階段直接仿照了Pascal VOC數(shù)據(jù)集格式[14],在VOC數(shù)據(jù)集中評(píng)價(jià)指標(biāo)主要運(yùn)用AP值、召回率 (Recall)與準(zhǔn)確率(Precision)來進(jìn)行表示,在本實(shí)驗(yàn)中也使用了AP值、召回率 (Recall)與準(zhǔn)確率(Precision)來測(cè)試模型性能。AP值越高,代表檢測(cè)結(jié)果越準(zhǔn)確。具體來說,可以按以下方式計(jì)算召回率與準(zhǔn)確率:

        Precision=TP/(TP+FP)

        (3)

        Recall=TP/(TP+FN)

        (4)

        式中,TP(True Positives)表示缺陷目標(biāo)被正確分類的數(shù)量;FP表示背景干擾被錯(cuò)誤認(rèn)為是缺陷目標(biāo)的數(shù)量;FN(False Negatives)表示缺陷目標(biāo)被漏檢的數(shù)量。

        通過表2可以看出,與常規(guī)FasterR-CNN方法相比,本研究提出的Cascade R-CNN方法在絕緣子爆片與絕緣子電弧燒傷兩類中準(zhǔn)確率和召回率指標(biāo)都有提高,雖在傘裙破損類別表現(xiàn)稍差,但總體mAP還是有明顯提升,基于Cascade R-CNN方法改進(jìn)損失函數(shù)為Focal loss并加入RoIAlign層之后,檢出率大幅度上升,并且當(dāng)加入高召回率的絕緣子串模型進(jìn)行聯(lián)合檢測(cè)時(shí)絕緣子電弧燒傷缺陷精度上升非常明顯。具體分析發(fā)現(xiàn),本文方法對(duì)絕緣子爆片誤識(shí)別率很低,雖同時(shí)進(jìn)行了多類絕緣子缺陷識(shí)別,但經(jīng)測(cè)試數(shù)據(jù)檢測(cè)其精度仍能達(dá)到0.904,絕緣子傘裙破損缺陷精度較低但recall值卻高出很多,電弧燒傷類別也具有較高的缺陷檢出率,平均AP值可達(dá)到0.744,這說明本文方法對(duì)多類型絕緣子缺陷檢出率有了較大的提升。

        表2 不同方法在測(cè)試集上的表現(xiàn)Table 2 Performance of different methods on the test set

        在模型測(cè)試過程中選擇了一些具有不同場(chǎng)景的典型缺陷圖像用以評(píng)估算法性能,見圖3至圖7。①缺陷目標(biāo)極小的場(chǎng)景。圖3中絕緣子爆片目標(biāo)極小,即使人眼不仔細(xì)觀察也會(huì)被漏檢,通過檢測(cè)結(jié)果對(duì)比發(fā)現(xiàn)加入絕緣子串模型聯(lián)合檢測(cè)能有效地消除部分極小目標(biāo)漏檢率,增加召回率。②檢測(cè)圖像質(zhì)量不佳。由于飛行環(huán)境的局限性,某些采集的圖像質(zhì)量不如預(yù)期的好,如圖5光照條件差圖像極不清晰導(dǎo)致圖像對(duì)電弧燒傷目標(biāo)的漏檢,但通過實(shí)驗(yàn)對(duì)比發(fā)現(xiàn)改進(jìn)算法也能有效的減少這部分情況的漏檢。③目標(biāo)誤檢也是一種常見的現(xiàn)象。如圖4與圖6分別展示了絕緣子爆片缺陷和絕緣子電弧燒傷缺陷的誤檢對(duì)比情況,改進(jìn)算法之后很大程度上消除了誤檢。④圖7主要是對(duì)絕緣子傘裙破損檢測(cè)結(jié)果進(jìn)行的展示。絕緣子傘裙破損類別在檢測(cè)中難度較大,主要表現(xiàn)為絕緣子傘裙材質(zhì)不同(分為陶瓷絕緣子、玻璃絕緣子、復(fù)合絕緣子)導(dǎo)致不同材質(zhì)傘裙破損缺陷在外觀形態(tài)方面差異較大,經(jīng)過算法改進(jìn)之后大部分傘裙破損能夠被正確識(shí)別出來。綜合以上得出結(jié)論,本方法實(shí)現(xiàn)了多類絕緣子缺陷目標(biāo)檢測(cè),并且有效的提升了檢出率,實(shí)驗(yàn)證實(shí)比Faster R-CNN方法更準(zhǔn)確,更可靠。

        圖3 極小缺陷目標(biāo)檢測(cè)結(jié)果對(duì)比Fig.3 Comparison of detection results of extremely small defects

        圖4 極易誤檢目標(biāo)檢測(cè)結(jié)果對(duì)比Fig.4 Comparison of detection results of easily mis-detected targets

        圖5 極不清晰圖片目標(biāo)檢測(cè)結(jié)果對(duì)比Fig.5 Comparison of target detection results in unclear pictures

        圖6 多目標(biāo)檢測(cè)結(jié)果對(duì)比Fig.6 Comparison of multi-target detection results

        圖7 絕緣子傘裙破損檢測(cè)結(jié)果對(duì)比Fig.7 Comparison of detection results of insulators with sheds damaged

        3 結(jié)論與展望

        提出了一種改進(jìn)的Cascade R-CNN算法,能夠?qū)旊娋€路絕緣子多種缺陷進(jìn)行自動(dòng)識(shí)別定位。經(jīng)巡檢圖像實(shí)踐測(cè)試所提方法有效的實(shí)現(xiàn)了3類絕緣子缺陷檢測(cè)并且提升了精度,可得以下結(jié)論:

        1)利用無人機(jī)巡檢數(shù)據(jù)按照Pascal VOC數(shù)據(jù)格式制定了標(biāo)準(zhǔn)的絕緣子缺陷標(biāo)注規(guī)則,構(gòu)建了包含絕緣子爆片、絕緣子電弧燒傷、絕緣子傘裙破損多類型缺陷數(shù)據(jù)集,測(cè)試表明本文標(biāo)注方法能夠增強(qiáng)缺陷數(shù)據(jù)特征并使其準(zhǔn)確地識(shí)別出來。

        2)基于Cascade R-CNN算法通過將損失函數(shù)更改為Focalloss解決了小目標(biāo)漏檢現(xiàn)象,之后加入了RoI Align方法,并通過聯(lián)合絕緣子串模型提取絕緣子串區(qū)域并設(shè)置為RoI,用于聯(lián)合檢測(cè)多類絕緣子缺陷。實(shí)驗(yàn)表明,本研究所提的算法能夠有效地檢測(cè)出3類絕緣子缺陷目標(biāo),mAP可達(dá)到0.744。

        3)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了不同場(chǎng)景的測(cè)試與分析。經(jīng)對(duì)比分析,本研究所提算法針對(duì)目標(biāo)較小、圖像質(zhì)量不佳等情形下,比Faster R-CNN方法具有更好的缺陷檢出率。

        本方法有效的實(shí)現(xiàn)了輸電線路巡檢圖像多類型絕緣子缺陷的檢測(cè),經(jīng)實(shí)驗(yàn)證實(shí),所提算法在3類絕緣子缺陷檢測(cè)中表現(xiàn)良好。但由于高壓輸電線路中絕緣子材質(zhì)不同的變化,多類型絕緣子缺陷自動(dòng)檢測(cè)仍是一項(xiàng)艱巨的任務(wù),尤其在絕緣子傘裙破損類別仍有很大的進(jìn)步空間。此外,實(shí)驗(yàn)過程中收集的訓(xùn)練樣本極大不均衡,尤其絕緣子傘裙破損類別訓(xùn)練樣本量少,這也是導(dǎo)致其精度不高的另一個(gè)主要因素。因此,下一步的工作主要是進(jìn)一步改善算法并收集和創(chuàng)建更多的絕緣子缺陷圖像,以提高所提出算法的通用性。

        猜你喜歡
        檢測(cè)
        QC 檢測(cè)
        “不等式”檢測(cè)題
        “一元一次不等式”檢測(cè)題
        “一元一次不等式組”檢測(cè)題
        “幾何圖形”檢測(cè)題
        “角”檢測(cè)題
        “有理數(shù)的乘除法”檢測(cè)題
        “有理數(shù)”檢測(cè)題
        “角”檢測(cè)題
        “幾何圖形”檢測(cè)題
        车上震动a级作爱视频| 国产一区二区三区探花 | 日韩精品视频免费在线观看网站| 视频在线国产一区二区| 成视频年人黄网站免费视频| 人妻少妇乱子伦精品无码专区电影| 欧美精品videossex少妇| 亚洲va在线∨a天堂va欧美va| 久久艹影院| 午夜一区二区三区av| 五月激情在线观看视频| 男女搞基视频免费网站| 美女免费视频观看网址| 亚洲国产精品无码久久一区二区| 无人区一码二码三码四码区| 国产成人av免费观看| 爽妇网国产精品| 魔鬼身材极品女神在线| 伊人久久亚洲精品中文字幕| 男人的天堂一区二av| 国产婷婷色一区二区三区在线 | 日本一区二区国产高清在线播放 | 中文字幕AⅤ人妻一区二区| 亚洲AV秘 片一区二区三区| 蜜臀精品一区二区三区| 亚洲av成人av三上悠亚| 又黄又爽又无遮挡免费的网站| 午夜成人鲁丝片午夜精品| 亚洲 都市 校园 激情 另类| av天堂精品久久久久| 精品丝袜一区二区三区性色| 国产精品一区二区久久蜜桃| 曰批免费视频播放免费| 国产乱人激情h在线观看| 69久久夜色精品国产69| 国产欧美va欧美va香蕉在线观| 欧美亚洲国产精品久久久久| 一区二区三区精品亚洲视频| 99久久99久久久精品蜜桃| 粗大的内捧猛烈进出少妇| 一本色道久久99一综合|