基于深度学习算法的航拍巡检图像的绝缘子识别

针对绝缘子检测目标在航拍图像中尺寸变化剧烈的问题,提出一种改进Faster R-CNN的绝缘子检测算法.首先将FPN特征金字塔结构网络与Faster R-CNN算法进行结合,将不同尺度下的特征进行融合;然后,改进最大池化层,提升检测框的坐标精度;针对遮挡现象,采用Soft-NMS算法规避不同目标检测框因重叠而被误删的情况.经过对绝缘子航拍数据集的检测验证,对比原Faster R-CNN网络,本改进网络结构提高了平均准确率(MAP),且可以更有效地识别图像中更小比例的绝缘子目标.     

改进RetinaNet的无人机小目标检测

无人机技术的不断成熟,使得搭载高效视觉系统的无人机应用也更加广泛。针对无人机航拍图像中小目标较多、分辨率低等原因导致的检测精度不高的问题,提出了一种改进RetinaNet的无人机航拍目标检测算法。算法针对特征图中小目标信息提取不足的问题,设计了多阶段特征融合方法,并将其与注意力机制串联设计了特征挖掘模块,可以在浅层特征图中融入深层的语义信息,丰富小目标特征;设计了基于中心点检测的无锚框(Anchor-free)方法,网络通过对中心点的回归来定位目标,而不是通过固定大小的锚框去匹配,这样做可以使网络对小目标的回归更加灵活,提高了算法的整体性能;且通过深度可分离卷积方法对网络进行轻量化设计,以压缩模型大小并提高检测速度。实验结果表明,改进算法较原RetinaNet算法平均精度提升了8.5%,检测速度提升了6帧/s,且与其他先进算法相比也具有性能优势,达到了检测精度与检测速度的均衡。     

用三次B样条小波检测航拍图像边缘

在智能目标识别与跟踪系统中,如何获取较为清晰的图像边缘至关重要,这也是提高系统目标识别率的关键．作者提出了使用三次B样条小波对航拍图像进行多尺度边缘检测方法,介绍了小波及三次B样条函数的性质,根据Canny的3个最佳边缘准则和检测对象的特点,设计了B样条小波检测算法,把不同尺度下得到的边缘图像进行多尺度聚焦,输出检测目标边缘图像．经实验对比分析,该算法在航拍图像边缘检测应用中优于直接使用Canny算法,可以得到较好的边缘信息,并且能够满足下一步目标识别与定位的要求．     

航拍图像中绝缘子串的识别与分割方法研究

为实现航拍图像中绝缘子串的识别与分割,以Faster R-CNN和全卷积神经网络(fully convolutional networks,FCN)为框架构建了深度学习算法,并以算法为核心搭建了绝缘子串图像检测平台.算法首先使用Faster R-CNN模型,结合Resnet-101深度残差卷积神经网络,对所有感兴趣区域进行分类,再对Bounding Box回归和坐标进行修正,用于绝缘子串的识别,接着以FCN网络为基础,通过微调使原网络适应新的绝缘子串数据集,实现了在复杂背景下绝缘子串的语义分割.实验结果表明,文中给出的方法与已有方法相比,不仅能够在不同光照条件、不同拍摄角度以及复杂背景干扰下实现绝缘子串的识别与分割,且处理时间短、精度高和鲁棒性强.     

基于改进SURF-BRISK算法的航拍图像拼接方法

针对无人机航拍过程中由于像抖和倾斜透视形变等因素会影响后续的图像拼接效果的问题,结合有一定规则形状的航拍对象,提出一种基于改进SURF-BRISK算法的航拍图像拼接方法。首先通过改进的SURF算法进行特征检测,然后通过BRISK算法进行特征描述,接着使用Hamming距离进行特征匹配,使用RANSAC算法对匹配点进行提纯并计算单应性矩阵,以及使用双线性插值法对图像进行插值,最后通过加权融合法进行融合,进而实现大视场航拍图像的快速准确拼接。以光伏电场航拍图像为例进行实验测试,结果表明,相较于经典的SURF算法以及现有的SIFT等图像拼接算法,改进SURF-BRISK算法的特征检测时间平均缩短了43.14%,并且检测到的特征点分布较均匀,在存在各种变换的图像之间保持79.44%的重复率,稳定性强;在特征描述中,BRISK算法所用时间是SURF的三分之一,且特征匹配正确率高达91.56%。研究结果为有规则形状的航拍图像拼接提供了新的参考方法。     

基于深度学习的钢桁架桥螺栓病害智能识别方法

为了提高钢桁架桥螺栓病害检测和识别效率、完善分析方法,本文在无人机航拍视频的基础上,提出了一种基于深度学习的螺栓病害智能识别方法。通过混合高斯算法、Canny边缘检测、最小包围圆算法等传统图像处理手段对航拍视频进行预处理,实现钢桁架桥螺栓图像的批量化提取,并通过对螺栓图像采取缩放、旋转、变形等措施拓展螺栓图像的样本数;采用迁移学习引入深度学习模型INCEPTION-V3,经过训练,当螺栓数据测试集上的准确率大于95%时,可满足工程精度需求;并将该方法应用于实际工程,当把0.8设置为计算螺栓病害概率的分割点时,该方法对螺栓病害具有较好的识别效果,同时能够实现自动化、智能化,避免人为主观判断带来的影响。     

基于注意力机制和多尺度特征融合的绝缘子缺陷检测方法

随着深度学习的快速发展,利用目标检测算法对航拍绝缘子图像进行缺陷检测成为绝缘子巡检的主要方式.针对传统目标检测算法对小目标的检测精度较低、特征图的表征能力较弱和提取的关键信息较少的问题,提出以YOLOv5l为基础网络的改进的基于注意力机制和多尺度特征融合的绝缘子缺陷检测方法 AMF-YOLOv5l(Attention Mechanism and Multi-Scale Feature Fusion Based on YOLOv5l).首先,通过增加一个小目标检测头,提高模型对小目标的检测性能;然后,构造DSPP(Dilated Spatial Pyramid Pooling)模块,充分融合多尺度特征,增强特征图的表征能力;最后,引入CA(Coordinate Attention)注意力机制,使网络更加专注于关键信息.在航拍绝缘子数据集APID(Aerial Photographic Insulator Dataset)以及两个公共数据集PASCAL VOC和MS COCO上分别验证该方法的可行性.实验结果表明,在APID数据集中该方法的AP(Average Precision)比YOL...     

基于Faster-RCNN的遥感图像飞机检测算法

CCCV2017发布遥感图像飞机数据集,用于评测飞机检测算法.针对该遥感图像数据集中的飞机朝向不确定、图像覆盖范围广、图像背景复杂度高,导致飞机检测难度大、检测算法准确率和算法泛化能力低等问题,提出了基于Faster-RCNN的飞机检测改进算法.首先,通过对图像采用翻转以及角度旋转等方式对数据集进行合理的扩增;然后,在扩增后的数据集上,使用深度残差网络对图像进行特征提取,针对数据集中飞机目标的长宽比特点优化区域建议网络;同时,为了防止训练集中正负样本不均衡,采用在线困难样本挖掘方法对数据进行训练.在CCCV2017数据集上评估表明,改进后的Faster-RCNN算法极大提高了初始的Faster-RCNN算法性能,在测试集上m AP达到了89.93%.在NWPUVHR-10、NWPU-RESISC45、UCAS-AOD遥感图像飞机数据集测试表明,该改进模型同样具有良好的性能,从而验证了该模型具有良好的鲁棒性和泛化能力.     

用BP网络进行彩色图像分割和边缘检测

采用ＢＰ网络模型,研究了彩色图像分割和边缘检测的神经网络方法．选取训练样本图像,并分别以区域增长分割法和Ｓｏｂｅｌ边缘检测方法所得结果为导师信号,将图像的特征向量采用ＢＰ算法进行训练,然后对实测图像进行分割和边缘检测．与采用区域增长法所得分割结果和采用Ｓｏｂｅｌ边缘检测方法所得边缘检测结果进行比较,ＢＰ网络方法能取得同样较好的效果     

用于木马流量检测的集成分类模型

针对传统集成学习方法运用到木马流量检测中存在对训练样本要求较高、分类精度难以提升、泛化能力差等问题,提出了一种木马流量检测集成分类模型。对木马通信和正常通信反映在流量统计特征上的差别进行区分,提取行为统计特征构建训练集。通过引入均值化的方法对旋转森林算法中的主成分变换进行改进,并采用改进后的旋转森林算法对原始训练样本进行旋转处理,选取朴素贝叶斯、C4.5决策树和支持向量机3种差异性较大的分类算法构建基分类器,采用基于实例动态选择的加权投票策略实现集成并产生木马流量检测规则。实验结果表明:该模型充分利用了不同训练集之间的差异性以及异构分类器之间的互补性,在误报率不超过4.21%时检测率达到了96.30%,提高了木马流量检测的准确度和泛化能力。