登录
注册
回到首页
AI
搜索
发现报告
发现数据
发现专题
研选报告
定制报告
VIP
权益
发现大使
发现一下
行业研究
公司研究
宏观策略
财报
招股书
会议纪要
中央经济工作会议
低空经济
DeepSeek
AIGC
大模型
当前位置:首页
/
其他报告
/
报告详情
第八届挑战赛B1-基于Mask R-CNN及Yolov4的电力巡检中绝缘子缺陷研究
2020-12-02
数睿思
F***
AI智能总结
查看更多
绪论
研究背景:输电线路长期受恶劣环境影响易出现缺陷,传统人工巡检存在效率低、危险性高等问题,无人机搭载高分辨率相机进行巡检成为趋势。
国内研究现状:已有基于传统图像识别和深度学习方法的研究,但仍有改进空间。
研究目标及流程:
目标:分割绝缘子串珠图像,识别定位绝缘子自爆区域。
流程:
绝缘子串珠分割:
数据预处理:图像分类、数据增强、图像分割、归一化图像大小。
基于Mask R-CNN进行分割,训练并分析结果,Dice系数为0.83。
绝缘子自爆区域识别与定位:
数据集制作:图像预处理、样本标记及分类。
基于Yolo-v3和Yolo-v4进行识别与定位,对比分析,Yolo-v4平均IOU为0.825439,识别率为99%。
数据预处理
采用图像分割、图像金字塔、数据增强等方法对40张无人机航拍高分辨率图像进行预处理,以适应神经网络模型训练需求。
绝缘子串珠图像分割
采用Mask R-CNN进行分割,构建深度学习算法并搭建检测平台。
训练样本制作:图像分类、数据增强、图像分割、归一化图像大小,使用via 2.08和Labelme工具进行标记。
训练过程:使用预训练模型mask_rcnn_coco.h5,调整参数如学习率,训练至loss函数收敛。
训练结果分析:
方案一:直接使用高分辨率原图进行检测,Dice系数为0.47,效果不佳。
方案二:等分割后进行检测,Dice系数为0.83,效果较好。
绝缘子自爆区域识别与定位
数据集制作:对35张原始图像进行预处理,使用Labelme工具进行标记,按VOC格式制作标签。
基于Yolo-v3:
网络结构:Darknet-53为主干网络。
训练过程:使用预训练模型,调整参数如batch、subdivisions,训练至loss函数收敛。
训练结果分析:Mean AP为92.2%,平均IOU为0.819022。
基于Yolo-v4:
网络结构:CSPDarknet53为主干网络,配合SPP模块、PANet通道融合等改进措施。
训练过程:使用预训练模型,调整参数如batch、subdivisions,训练至loss函数收敛。
训练结果分析:Mean AP为94.7%,平均IOU为0.825439。
Yolo-v3与Yolo-v4结果对照:Yolo-v4在AP和IOU方面均优于Yolo-v3。
小目标预测策略:
高分辨率图像直接预测:效果不佳。
等比例分割:存在自爆区域被分割的问题。
滑动窗口及NMS:有效避免小目标识别问题,取得优异效果。
总结与展望
核心观点:使用神经网络进行电力巡检具有良好应用价值,Mask R-CNN和Yolo-v4的研究方法对绝缘子分割和识别有一定研究价值。
关键数据:
Mask R-CNN Dice系数:0.83。
Yolo-v3 Mean AP:92.2%,平均IOU:0.819022。
Yolo-v4 Mean AP:94.7%,平均IOU:0.825439。
研究结论:
Mask R-CNN能有效分割绝缘子串珠。
Yolo-v4在绝缘子自爆区域识别与定位方面优于Yolo-v3。
滑动窗口及NMS能有效识别小目标。
局限性:
Mask R-CNN模型运算量大,未进行多模型比对。
数据集样本泛化度较高,存在误判风险。
数据集数量有限,未与其他R-CNN算法进行比较。
展望:
尝试多种模型比对或优化Mask R-CNN模型。
控制数据集样本特征相似性,降低误判风险。
增加数据集数量,提高模型泛化能力。
将Yolo-v4与其他R-CNN算法进行比较。
你可能感兴趣
第八届挑战赛B2-基于深度学习的绝缘子缺陷检测研究
数睿思
2020-12-02
第十届挑战赛B1-基于CNN-BiLSTM的中短期电力负荷预测
数睿思
2022-06-27
第九届挑战赛B1-基于深度学习的岩石样本智能识别研究
数睿思
2021-07-28
第六届挑战赛B1-基于协同过滤与卷积神经网络的电视产品的营销推荐研究
数睿思
2018-11-15
第八届挑战赛C1-基于卷积神经网络及集成学习的网络问政平台留言文本挖掘与分析
数睿思
2020-12-02