关键词:
输电线路
无人机巡检
先验知识
注意力机制
小目标检测
摘要:
螺丝、销钉等小目标元件对输电线路起着固定、支撑、保护等作用。由于其长期暴露在复杂环境中,受恶劣自然条件、机械张力及材料老化等因素影响,易导致其出现松动、缺失等问题,对输电线路安全稳定运行造成严重影响。因此,面向复杂巡检环境,本文探索一种融合先验知识和注意力机制的输电线路小目标故障检测方法。
论文主要工作包括:
(1)针对航拍图像中小目标故障特征表达能力不足且受复杂背景影响严重,导致其难以准确检测的问题,提出一种动态特征优化下基于注意力机制的输电线路小目标故障检测算法。首先,设计动态特征优化算法以提高原始图像质量,增强小目标故障图像的清晰度;然后,在YOLOv5主干网络中嵌入高效通道注意力模型(Efficient Channel Attention,ECA),通过共享学习参数实现通道之间信息交互来增强故障目标在复杂背景中的显著度;其次,引入深度可分离卷积代替原网络卷积操作,减少网络参数量和运算量;最后,通过在CSPDarkNet中引入Mish激活函数加快网络收敛速度,进一步提升算法检测精度。通过与5种经典目标检测算法对比,实验结果表明,所提出算法具有明显优势,平均精度(mean Average Precision,mAP)可达 92.2%。
(2)针对航拍图像中小目标故障像素占比小及故障样本不足造成检测网络精度低的问题,提出一种融合先验知识的输电线路小目标故障检测算法。首先,为解决输电线路小目标故障样本匮乏导致网络检测精度低的问题,在实验室环境下构造输电线路小目标故障数据集对样本进行扩充;其次,构建基于视觉显著性的先验知识迁移模型,从实验室数据集中学习小目标故障特征,并将其迁移至主干网络中;接着,在主干网络中嵌入Transformer模块,从深层特征图中挖掘动静态上下文信息,从而提高网络对故障目标特征提取能力;然后,利用 Alpha-CIOU(Alpha-Complete Intersection overUnion)损失函数进一步提高定位准确性并降低网络漏检率;最后,将其与5种经典检测算法进行对比。实验结果表明,所提出算法mAP值最高,可达94.5%,同时具有良好的实时性,检测速度可达40fps,能够实现小样本条件下小目标故障的准确检测。