-
公开(公告)号:CN119229090A
公开(公告)日:2024-12-31
申请号:CN202411283776.9
申请日:2024-09-13
Applicant: 黑龙江龙煤双鸭山矿业有限责任公司 , 哈尔滨工业大学
Abstract: 一种基于改进YOLACT的输电线路微小异物检测方法,属于输电线路的图像识别技术领域。本发明首先采集输电线路微小异物图像,采用随机平移、随机旋转等方式进行数据增强,采用labelme标注数据,建立输电线路微小异物语义分割数据集,并按比例划分训练集、验证集;基于YOLACT算法模型进行改进,在特征提取部分采用三个3×3卷积核替代YOLACT实例分割模型的原始网络中7×7的卷积核,并在Protonet部分采用空洞卷积替换常规卷积,从而构建得到改进的YOLACT实例分割模型,利用训练集、验证集进行训练和验证得到用于检测的网络模型,利用网络模型检测出输电线路存在的微小异物。
-
公开(公告)号:CN118506263A
公开(公告)日:2024-08-16
申请号:CN202410548503.6
申请日:2024-05-06
Applicant: 哈尔滨工业大学
IPC: G06V20/52 , G06V10/22 , G06V10/30 , G06V10/36 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/096
Abstract: 本发明提出一种基于深度学习的复杂环境输电线路异物检测方法,涉及输电线路图像目标识别的技术领域。首先采集正常环境的输电线路异物图像,采用随机平移、随机旋转等方式进行数据增强,将采集到的图像与天气图像相融合,并利用CycleGAN网络进行风格迁移操作,得到复杂环境输电线路异物数据集;然后对数据集中的异物标注类别和位置,按比例划分训练集、验证集和测试集;最后构建并训练改进后的YOLOv5算法对异物数据集图像检测。本发明能够快速准确地检测出复杂环境下输电线路的异物,显著提升了检测速度与检测精度。
-