Fault Detection and Identification of Multi-Source Insulators Based on Improved YOLOv7
-
摘要:
为提高复杂背景下异源绝缘子的故障检测准确率，本文提出一种基于异源图像下的改进YOLOv7模型的绝缘子故障识别方法。为突出绝缘子的位置以及故障信息对异源绝缘子图像进行配准融合，为降低计算复杂度以及获得更高的可移植性，将原YOLOv7的主干特征提取网络换为MOBELINET网络，为减少复杂背景下绝缘子的漏检、误检等问题，将原YOLOv7的损失函数由Complete-intersection-Over-Union（CIOU）改为FOICAL-EIOU进一步提高模型预测框的回归效果。最后在YOLOv7检测头部分引入可变形卷积Deformable Convolution Network2（DCNv2）加强对不同尺度大小绝缘子发热故障区域的适应能力。实验结果表明改进的模型Mean Average Precision（mAP）值为96.6%，比原YOLOv7模型mAP值提高9.9%，参数量下降了30.5%，浮点运算数下降了49.2%，较YOLOV5、YOLOV8目标检测模型mAP值分别提高12.2%、12.4%。所提出的改进模型可以有效实现异源绝缘子的故障检测与识别。
Abstract:To improve the accuracy of fault detection for heterogeneous insulators with complex backgrounds, an improved YOLOv7 model-based insulator fault recognition method based on heterogeneous images is proposed in this paper. An image of a heterogeneous insulator was registered and fused to highlight the location of the insulators and fault information. Then, to reduce the computational complexity and improve portability, the original backbone feature extraction network of YOLOv7 was replaced by the MOBELINET network. To reduce the problems of missing and false detections of insulators in complex backgrounds, the original loss function of YOLOv7 was changed from CIOU to FOICAL-EIOU to further improve the regression effect of the model prediction box. Finally, a deformable convolutional DCNv2 was introduced in the YOLOv7 detection head to enhance its adaptability to insulator heating fault areas of different scales. The experimental results show that the mAP value of the improved model is 96.6%, which is 9.9% higher than that of the original YOLOv7 model, the number of parameters decreases by 30.5%, and the floating-point operator decreases by 49.2%, which are 12.2% and 12.4% higher than those of the YOLOV5 and YOLOV8 target detection models, respectively. The proposed improved model could effectively detect and identify heterogeneous insulators.
-
Keywords:
- insulator /
- deformable convolution /
- loss function /
- YOLOv7 /
- fault detection
-
0. 引言
绝缘子在输电线路中起着支撑与电气绝缘的作用，其数量庞大种类繁多并长期暴露在恶劣环境中，受沙尘风雨等气候影响发生掉片、外部腐蚀、内部过热等故障[1]，一旦输电线路中的几个甚至一个绝缘子发生故障，可能会导致整个区域的停电，进一步导致整个区域的电网发生故障。为了及时发现绝缘子故障，提高电力系统的稳定性和可靠性，人们通过各种手段对绝缘子进行故障检测，包括：目视检查法、声波检测法、红外热像法、非接触式雷达测距法等。
传统人工巡检耗时耗力并十分依赖巡检人员的工作经验，近年来，深度学习理论不断发展，计算机性能不断提高，基于深度学习的目标检测算法因其良好的泛化能力和跨场景能力而得到广泛应用[2-3]。使用深度学习来进行绝缘子的故障检测成为可能[4]。王义军[5]等人通过对YOLOV3-tiny主干网络的替换以及锚框参数的改进，实现了航拍绝缘子及自爆故障的检测，该方法实时性较好但是准确率太低。邱刚[6]等人提出一种基于HSV和YOLOV3结合的绝缘子低零值故障诊断方法，将HSV的空间特征归一化对图像进行校正，最后结合HSV分量与温度之间的相关性完成对绝缘子正常或故障的状态判断。但该算法步骤繁琐且对于原始数据集的清晰度有较高要求，且前处理需要对照片中的绝缘子进行裁剪，并不适用于一张图像包含大量绝缘子且有遮挡的情况，陈俊杰等人采用基于改进Faster-RCNN的目标检测模型对绝缘子故障进行分类，该模型采用VGG16与ZF两种主干特征提取网络对绝缘子进行特征提取，但由于VGG16与ZF网络本身参数量太大，导致浪费内存资源以及较长的耗时[7]。
以上算法都只在可见光或红外同源图像类型上进行绝缘子的故障诊断，但绝缘子故障类型是多种多样的，为了更好的判断绝缘子的内外故障，本文提出一种基于YOLOv7-tiny[8]算法改进的轻量级绝缘子故障缺陷检测方法，首先利用红外与可见光互补信息对图像对进行配准融合，然后对YOLOv7目标检测网络进行主干特征提取网络进行替换，优化损失函数以及改进检测头处的ELAN模块从而提高绝缘子故障检测准确率。
1. 选材与处理
1.1 样本获取
本文的绝缘子可见光图像与红外图像来自内蒙古自治区500 kV响沙湾变电站，因绝缘子故障图像数不足还使用了一部分公开绝缘子数据集做补充。
由于原始数据集数量较少，故采用亮度变化、随机旋转等方式进行数据增强，可见光图像数据增强如图 1所示。将图像扩张至9750张，图像数据组成见表 1，按照7:2:1划分训练集、验证集与测试集。完成后使用LabelImg标注工具，对图片进行标注。
表 1 图像数据组成Table 1. Composition of image dataInfrared image 2640 Visible image 7110（Contains an IR-paired 2640 Visible image） Normal image Interior overheated image Normal image Exterior broken image 1584 1056 4977 2133 1.2 图像的配准融合
红外图像具有穿透性强不受光照强度影响等优点[9]，可见光图像不随温度变化而受到温度的影响[10]，绝缘子早期内部故障通常表现为内部过热，为充分利用可见光与红外图像中的互补信息更进一步定位发热区域所在位置，便于后期进行故障定位识别，现将2640对可见光与红外图像进行配准融合。如图 2所示。
互信息是统计两个随机变量之间相关性的度量，因此互信息被用作多模态图像配准的指标[11]。图像互信息（Mutual information）的定义如下：首先，利用图像灰度值的统计数据构建每幅图像的灰度值概率函数和两幅图像相似区域对应的灰度值联合概率函数。然后，通过比对这两个函数之间的相似程度来度量两幅图像的相关性。一般来说当两幅图像的相关性最大时，相应的互信息值也达到最大。
$$ I(X, Y)={\sum}_{x \in X} {\sum}_{y \in Y} \log \frac{p(x, y)}{p(x) p(y)} $$ (1) 式中：I(X, Y)为互信息；p(x, y)为联合分布；p(x)p(y)为边缘分布。
本文对2640对红外可见光图像对采用基于互信息的多模态图像配准方法进行图像配准，其配准流程如图 3，首先提取两幅图像的空间特征信息，计算两幅图像之间的互信息，然后采用优化算法对空间变换矩阵进行变化，通过多次迭代找出使两幅图像互信息最大的最优变换矩阵T，最后根据T矩阵实现对红外图像的空间变换，使其在空间上与可见光图像配准。
2. 改进的YOLOv7-tiny的目标检测网络
2.1 主干特征提取网络的轻量化
原YOLOv7的主干特征提取网络由3部分组成，分别为Convolution + Batch Normalization + LeakyReLU（CBL）、Effective long-Range Aggregation Network（ELAN）以及Max-pooling（MP）[12]，其网络层数较深以及包含大量标准卷积操作，因此会带来参数量较大、检测速度较慢，应用受限等问题，若想将网络移植在手持式绝缘子故障检测的移动终端和其他检测设备，如此大而复杂的模型常常难以被应用[13]。
MobeliNet_V3[14]是谷歌在2019年提出的轻量级网络架构，在继承V1和V2版本的诸多特性后，还增加许多新的特性，MobeliNet_V3（以下简称MOBELINET）采用了多种轻量级设计技巧，如Inverted Residuals、Linear Bottlenecks和Squeeze-and-Excitation等[15]，通过精心设计的模块结构，实现轻量级和高准确性的平衡。
MOBELINET运用基于神经网络架构搜索（Neural Architecture Search，NAS）实现的Mnas-Net[16]模型可以自动优化网络宽度和网络结构，以适应不同的硬件设备和应用场景。此外引入V1的深度可分离卷积[17]，V2的线性瓶颈倒残差结构和压缩激励模块（Squeeze-and-Ex-cite，SE）结构的注意力模型，最后使用ReLU6及新激活函数h-swish(x)，如图 4所示。
在该网络中，Dwise表示深度可分离卷积，NL表示非线性激活函数，FC表示全连接计算，Pool表示最大池化下采样，hard-α表示非线性激活函数的hard形式。首先，通过一个1×1卷积对输入特征图进行通道扩充，然后使用深度可分离卷积、激活函数和SE注意力机制来提高模型对通道的敏感度。最后，使用一个1×1卷积对通道进行压缩。由于该网络使用了较少的卷积计算，因此可以大幅度减少参数量，从而实现网络的轻量化。
2.2 损失函数的改进
深度学习中的损失函数用于衡量预测结果与实际数据之间的差距。损失函数在实践中起着至关重要的作用，通过训练过程的改进来不断减小目标值的变异。YOLOv7-tiny的损失函数包含3部分，其中置信度损失和类别损失用的是二元交叉熵损失计算公式如下：
$$ L = - \sum\limits_{i = 1}^n {{y_i}\log \left( {{p_i}} \right) - \left( {1 - {y_i}} \right)\log } \left( {1 - {p_i}} \right) $$ (2) 式中：n为样本数量；yi表示样本i的真实标签，正类为1，负类为0；pi表示样本i的预测概率。
YOLOv7与上一代YOLOV5一样位置损失采用CIOU[18]作为损失函数其计算公式如下：
$$ \operatorname{Loss}_{\text {CIOU }}=1-\mathrm{IOU}+\frac{\rho^2\left(b, b^{\mathrm{gt}}\right)}{c^2}+\alpha v $$ (3) $$ \mathrm{IOU}=\frac{A \cap B}{A \bigcup B} $$ (4) $$ v=\frac{4}{{\rm{ \mathsf{ π} }}^2}\left(\arctan \frac{w^{\mathrm{gt}}}{h^{\mathrm{gt}}} \arctan \frac{w}{h}\right)^2 $$ (5) $$ \alpha=\frac{v}{(v-\mathrm{IOU})+v} $$ (6) $$ \left\{\begin{array}{l} \frac{\partial v}{\partial w}=\frac{8}{{\rm{ \mathsf{ π} }}}\left(\arctan \frac{w^{\mathrm{gt}}}{h^{\mathrm{gt}}}-\arctan \frac{w}{h}\right) * \frac{h}{w^2+h^2} \\ \frac{\partial v}{\partial h}=-\frac{8}{{\rm{ \mathsf{ π} }}}\left(\arctan \frac{w^{\mathrm{gt}}}{h^{\mathrm{gt}}}-\arctan \frac{w}{h}\right) * \frac{w}{w^2+h^2} \end{array}\right. $$ (7) 式中：A和B分别表示真实框（Ground Truth）和预测框（bound box），IOU是指真实框与预测框的两框重叠面积在相对总面积所占的比例，其值越大说明预测效果越好，但当两框完全重合或者完全不重合时该指标无效，ρ2(b, bgt)是两框的中心点的欧式距离，其中b表示预测框的中心点，bgt表示真实框的中心点；c为能够包含两框的外接矩形的对角线距离，$\frac{\rho^2\left(b, b^{\mathrm{gt}}\right)}{c^2}$优化了IOU存在的问题，但如果两框的中心点重合时该指标又会失效，α是平衡比例系数，ν是描述两框长宽比比例的系数，当中心点重合时可以通过长宽比来进一步评价两框的接近程度[19]，式(3)~(7)为CIOU的完整数学表达，它包含了重叠面积、中心点距离、宽高比等3个因素。但是，CIOU还存在两个缺陷：①当宽和高的比值为1时会造成ν＝0，loss函数无法做出有效判断②根据式(7)可以得出$\frac{\partial v}{\partial w}=-\frac{h}{w} * \frac{\partial v}{\partial h}$，则锚框的长宽不能同时增加或同时减少，这显然不符合预测框贴近真实框的情况。
为进一步提高模型性能与精度，本实验采用Focal-EIOU[20]损失来替换原CIOU损失进一步优化真实框（Ground Truth）和预测框（bound box）的贴近程度。Focal-EIOU的定义式如下：
$$ \begin{aligned} & L_{\mathrm{EIOU}}=L_{\mathrm{IOU}}+L_{\mathrm{dis}}+L_{\text {asp }} \\ & =1-\mathrm{IOU}+\frac{\rho^2\left(b, b^{\mathrm{gt}}\right)}{c^2}+\frac{\rho^2\left(w, w^{\mathrm{gt}}\right)}{c_w^2}+\frac{\rho^2\left(h, h^{\mathrm{gt}}\right)}{c_h^2} \end{aligned} $$ (8) $$ L_{f(x)}\left\{\begin{array}{c} -\frac{\alpha x^2[2 \ln (\beta x)-1]}{4}, 0 <x \leq 1 ; \frac{1}{\mathrm{e}} \leq \beta \leq 1 \\ -\alpha \ln (\beta) x+C, x>1 ; \frac{1}{\mathrm{e}} \leq \beta \leq 1 \end{array}\right. $$ (9) 式中：x代表真实值与预测值的偏差；e为自然常数；β是控制曲线弧度的超参数，其值越大离群值的梯度被抑制程度更高，高质量示例梯度幅度也会降低，本研究β取0.8；C为常数，为了确保Lf(x)在x＝1处连续，C＝(2αlnβ+α)/4；
式(8)~(9)为EIOU的完整表达式，EIOU在对原有CIOU的缺陷进行了优化，直接使目标框和锚框的宽度和高度的差异最小化，从而产生更快的收敛速度和更好的定位结果。cw与ch代表覆盖真实框、锚框的最小框的长度和高度，以此解决CIOU中存在的宽高比例的问题。
由于本实验的绝缘子图像数据集中背景复杂，且同一场景下存在大量绝缘子遮挡等问题，使用CIOU损失极易出现漏检、误检，且前景与背景的内容失衡容易造成正负样本不均衡，给遮挡样本的识别带来了困难，因此为了更好的提升模型的性能，将EIOU loss和FOIAL L1 loss整合起来得到最终的FOICAL-EIOU Loss：
$$ L_{\text {Focal-EIOU }}=\mathrm{IOU}^\gamma L_{\text {EIOU }} $$ (10) 式(10)中：γ为控制异常值抑制的超参数一般取0.5。
2.3 ELAN中可变形卷积的加入
在本研究中由于变电站绝缘子数量众多且大小尺度不一，不同位置可能对应着不同尺度大小的绝缘子，传统卷积通常难以达到理想的特征提取效果，因此对尺度不一的绝缘子和发热大小不同的区域进行自适应调整是进行精确定位所需要的[21]。可变形卷积DCNv2[22]是谷歌在2019年提出的新型卷积结构，传统卷积的结构对尺度不同的物体的建模存在不足。如图 5所示，以3×3的传统卷积为例，传统卷积的卷积核为固定大小的矩形，可变形卷积为卷积核的每一个采样点学习一个偏移量以达到适应被采样物体几何形状的效果。
YOLOv7-Tiny使用了高效聚合ELAN模块加强对目标的特征提取，兼顾内存损耗占比与GPU并行计算的能力，ELAN[23]采用多种路径连接的方式，降低了信息与梯度的丢失现象，以使网络高效学习与收敛。为进一步加强对绝缘子故障信息的特征提取，将检测头处的ELAN模块中的两个1×1卷积替换为DCNv2（可变形卷积V2）提高检测精度，并进一步轻量化网络结构，改进后的ELAN_DCNv2如图 6所示。改进后的YOLOv7-tiny网络如图 7所示。
3. 实验与结果分析
3.1 实验环境与评价指标
设备配置：NVIDIA GeForce RTX3090的GPU，AMD Ryzen Threadripper PRO 3945WX 12-Cores@4.00 GHz的CPU，实验参数如表 2所示。
表 2 实验参数Table 2. Experimental parametersExperimental values The number of values Epoch 150 Batch size 16 Learning rate 0.001 Optimizer SGD Size/pixel 640 我们采用Parameter、GFLOPs和@mAP0.5作为检测网络评价指标。其中准确率的计算，采用式(11)对于召回率的计算，采用式(12)；而针对AP的计算则基于式(13)：
$$ P=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}} $$ (11) $$ R=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}} $$ (12) $$ \mathrm{AP}=\int_0^1 P(R) \mathrm{d} R $$ (13) 式中：mAP@0.5表示每个检测类别的平均AP。其中，将预测值为正样本的标记为P（positive），预测值为负样本的标记为N（negative）。当预测值正确时，记为T（true）。相反，当预测值错误时，记为F（false）。当预测值与真实值相同时，记为TP，而当它们不一致时，则记为FN，否则记为FP。
3.2 消融实验
为了验证改进网络设计的轻量性与合理性，需要验证MOBELINET、FOICAL-EIOU、DCNv2三处改进点对网络的影响，为此做了表 3所用的5个实验，其中“√”表示应用了该改进点，实验1为YOLOv7-tiny原网络，实验2、3、4、5表示分别引入MOBELINET、FOICAL-EIOU、DCNv2、以及3处改进点全部引入后的网络。
表 3 消融实验结果Table 3. Results of ablation experimentTest MOBELINET FOICAL-EIOU DCNv2 Parameter/M GFLOPs @mAP0.5 1 6.02 13.2 86.7% 2 √ 4.17 7.0 85.5% 3 √ 6.15 12.1 97.8% 4 √ 6.02 12.0 86.0% 5 √ √ √ 4.18 6.7 96.6% 由表 3可知实验1中YOLOv7-tiny网络参数量为6.02 M，浮点运算为13.2，检测精度为86.7%。实验2为将原YOLOv7-tiny的主干特征提取网络替换为MOBELINET网络进行特征的提取，替换后网络的参数量降低为4.17M，大幅压缩了近30.7%，浮点计算量大幅度降低，计算复杂度减少了46.9%，网络检测精度仅损失1.2%，实验3将YOLOv7-tiny损失函数中的位置损失由原来的CIOU替换为FOICAL-EIOU，其参数量上升了2.1%，浮点计算量减少8.3%，检测精度提升11.1%，实验4为将YOLOv7-tiny的检测头中的ELAN模块加入可变形卷积，在检测精度损失0.7%的情况下，维持参数量基本不变，浮点计算量降低了9.0%。实验5为原YOLOv7-tiny网络中同时加入上述3个模块，模型参数量降低30.5%，计算复杂度降低49.2%，检测精度上升了9.9%。上述所有实验的mAP图如图 8所示，各项实验损失变化如图 9所示，改进网络的mAP、准确率、召回率等指标如图 10所示，上述消融实验在融合图像上的检测结果如图 11所示。
由图 11可知原始YOLOv7网络对于绝缘子的检测存在误检现象，主干轻量化后加入MOBELINET网络对于绝缘子检测存在漏检现象，而对于原始网络加入FOICAL-EIOU和检测头加入DCNv2的改进网络，虽然可以检测出绝缘子的位置以及异常发热区域，但锚框置信度较低，而最终的改进网络能精确判定绝缘子的位置以及发热区域并且锚框置信度有小幅度提升，对于绝缘子及其发热区域判定更为准确。
综上所述我们的改进模块是合理的，主干特征提取网络替换为轻量模型后虽然会损失精度，但却能大幅度精简网络参数与计算量，引入FOICAL-EIOU虽然会增加网络参数量，却能大幅提高网络的检测精度，引入可变形卷积后虽然会损失检测精度，但却能在维持参数量基本不变的情况下，降低网络计算复杂度，实现网络的轻量化。上述3个模块同时加入可以实现异源绝缘子故障检测网络高效检测，并保证了网络的轻量化，为后续网络移植提供了便利。
3.3 对比实验
为了验证改进后的网络的检测效果，在改进网络、YOLO系列网络与SSD目标检测网络上用相同数据集进行实验，在数据增强后的绝缘子数据集上进行对比，结果见表 4，YOLO系列对比的mAP@0.5值如图 12。
表 4 不同检测模型对比结果Table 4. Comparison results of different detection modelsName Parameter/M GFLOPs Precision Recall SSD 25.6 33.6 61.2% 61.0% YOLOV5 7.06 16.5 84.6% 91.9% YOLOv7 6.02 13.2 85.2% 91.1% YOLOV8 3.00 8.1 79.8% 84.2% Ours 4.18 6.7 92.1% 94.9% 由表 4可知改进网络在与其他目标检测网络相比时，检测精度有所提高，浮点运算量有所下降，较原始YOLOv7模型mAP值提高9.9%，参数量下降了30.5%，浮点运算数下降了49.2%，由图 12可知较YOLOV5、YOLOV8目标检测模型mAP值分别提高12.2%、12.4%，在与最新的YOLOv8对比时，在参数量增加不大的情况下，浮点运算数降低了17.2%，准确率、召回率、@mAP0.5分别提升了12.3%、10.7%、12.4%。由此可知改进网络可以对绝缘子的位置及故障做出有效判断。
4. 结论
绝缘子的故障检测一直都是输电巡检的重要任务，针对复杂背景下绝缘子识别准确率较低且存在漏检、误检、重叠目标被剔除等问题，提出一种基于YOLOv7的改进网络，通过轻量化主干网络、优化损失函数、以及改进检测头处的ELAN模块，提高模型检测精度与精简网络结构，结果表明改进网络较原始YOLOv7模型mAP值提高9.9%，参数量下降了30.5%，浮点运算数下降了49.2%，在准确率、召回率、@mAP0.5三个指标上分别提升6.9%、3.8%、9.9%。较YOLOv5、YOLOv8目标检测模型mAP值分别提高12.2%、12.4%，可以满足响沙湾变电站内的绝缘子日常巡检要求。然而绝缘子缺陷种类是多样的，本文仅对可见光图像中的外形破损与红外图像的异常发热区域进行检测，当前基于紫外的绝缘子缺陷检测正在蓬勃发展，基于紫外、红外、可见光图像的绝缘子故障检测将会是下一个研究方向。
-
表 1 图像数据组成
Table 1 Composition of image data
Infrared image 2640 Visible image 7110（Contains an IR-paired 2640 Visible image） Normal image Interior overheated image Normal image Exterior broken image 1584 1056 4977 2133 
下载: 导出CSV
表 2 实验参数
Table 2 Experimental parameters
Experimental values The number of values Epoch 150 Batch size 16 Learning rate 0.001 Optimizer SGD Size/pixel 640
下载: 导出CSV
表 3 消融实验结果
Table 3 Results of ablation experiment
Test MOBELINET FOICAL-EIOU DCNv2 Parameter/M GFLOPs @mAP0.5 1 6.02 13.2 86.7% 2 √ 4.17 7.0 85.5% 3 √ 6.15 12.1 97.8% 4 √ 6.02 12.0 86.0% 5 √ √ √ 4.18 6.7 96.6%
下载: 导出CSV
表 4 不同检测模型对比结果
Table 4 Comparison results of different detection models
Name Parameter/M GFLOPs Precision Recall SSD 25.6 33.6 61.2% 61.0% YOLOV5 7.06 16.5 84.6% 91.9% YOLOv7 6.02 13.2 85.2% 91.1% YOLOV8 3.00 8.1 79.8% 84.2% Ours 4.18 6.7 92.1% 94.9%
下载: 导出CSV
-
[1] 周自强, 陈强, 马必焕, 等. 一种改进的YOLO目标检测方法在电缆设备异常状态识别中的应用[J]. 电测与仪表, 2020, 57(2): 14-20. ZHOU Ziqiang, CHEN Qiang, MA Bihuan, et al. An improved YOLO target detection method with its application in cable device abnormal condition recognition[J]. Electrical Measurement & Instrumentation, 2020, 57(2): 14-20.
[2] 姜文志, 李炳臻, 顾佼佼, 等. 基于改进YOLO V3的舰船目标检测算法[J]. 电光与控制, 2021, 28(6): 52-56, 67. DOI: 10.3969/j.issn.1671-637X.2021.06.012 JIANG Wenzhi, LI Bingzhen, GU Jiaojiao, et al. A ship target detection algorithm based on improved YOLOv3[J]. Electronics Optics & Control, 2021, 28(6): 52-56, 67. DOI: 10.3969/j.issn.1671-637X.2021.06.012
[3] 王凯, 王伟, 蒋志伟. 基于改进YOLO模型的遥感小目标检测[J]. 电光与控制, 2023, 30(6): 60-64. DOI: 10.3969/j.issn.1671-637X.2023.06.010 WANG Kai, WANG Wei, JIANG Zhiwei. Remote sensing small target detection based on improved YOLO model[J]. Electronics Optics & Control, 2023, 30(6): 60-64. DOI: 10.3969/j.issn.1671-637X.2023.06.010
[4] 毛建旭, 贺振宇, 王耀南, 等. 电力巡检机器人路径规划技术及应用综述[J]. 控制与决策, 2023, 38(11): 3009-3024. MAO Jianxu, HE Zhenyu, WANG Yaonan, et al. Review of research and applications on path planning technology for power inspection robots[J]. Control and Decision, 2023, 38(11): 3009-3024. .
[5] 王义军, 曹培培, 王雪松, 等. 基于深度学习的绝缘子自爆检测方法研究[J]. 东北电力大学学报, 2020, 40(3): 33-40. WANG Yijun, CAO Peipei, WANG Xuesong, et al. Research on insulator self explosion detection method based on deep learning[J]. Journal of Northeast Dianli University, 2020, 40(3): 33-40.
[6] 邱刚, 陈杰, 张廼龙, 等. 基于YOLOv3和HSV颜色空间的绝缘子低/零值故障诊断研究[J]. 高压电器, 2023, 59(1): 148-153. QIU Gang, CHEN Jie, ZHANG Nailong, et al. Research of low/zero defect diagnosis of porcelain insulator based on YOLOv3 and HSV color space image processing technology[J]. High Voltage Apparatus, 2023, 59(1): 148-153.
[7] 陈俊杰, 叶东华, 产焰萍, 等. 基于Faster R-CNN模型的绝缘子故障检测[J]. 电工电气, 2020(4): 56-60, 73. CHEN Junjie, YE Donghua, CHAN Yanping, et al. Insulator fault detection based on faster R-CNN[J]. Electrotechnics Electric, 2020(4): 56-60, 73.
[8] HU S, ZHAO F, LU H, et al. Improving YOLOv7-tiny for infrared and visible light image object detection on drones[J]. Remote Sensing, 2023, 15(13): 3214. DOI: 10.3390/rs15133214
[9] 吕志宁. 输电线路常见故障分析与检测方法综述[J]. 自动化与仪器仪表, 2020(1): 161-164, 8. LYU Zhining. A survey of common faults analysis and detection methods for transmission line[J]. Automation & Instrumentation, 2020(1): 161-164, 8.
[10] 李云红, 刘宇栋, 苏雪平, 等. 红外与可见光图像配准技术研究综述[J]. 红外技术, 2022, 44(7): 641-651. http://hwjs.nvir.cn/cn/article/id/77ef812e-5018-435f-a023-771b550bedc7 LI Yunhong, LIU Yudong, SU Xueping, et al. Review of infrared and visible image registration[J]. Infrared Technology, 2022, 44(7): 641-651. http://hwjs.nvir.cn/cn/article/id/77ef812e-5018-435f-a023-771b550bedc7
[11] 徐永会, 杨德智, 刘芳名. 基于对数极坐标和频域率的互信息图像配准[J]. 舰船电子工程, 2022, 42(11): 86-89, 150. XU Yonghui, YANG Dezhi, LIU Fangming. Mutual information image registration based on logarithmic polar coordinates and frequency domain rate[J]. Ship Electronic Engineering, 2022, 42(11): 86-89, 150.
[12] WANG R, LIANG F, MOU X, et al. Development of an improved YOLOv7-based model for detecting defects on strip steel surfaces[J]. Coatings, 2023, 13(3): 536. DOI: 10.3390/coatings13030536
[13] 陈学深, 吴昌鹏, 党佩娜, 等. 基于改进轻量化YOLOv4模型的虾只肉壳辨识方法[J]. 农业工程学报, 2023, 39(9): 278-286. CHEN Xueshen, WU Changpeng, DANG Peina, et al. Improved lightweight YOLOv4 model-based method for the identification of shrimp flesh and shell[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(9): 278-286.
[14] Howard A, Sandler M, Chu G, et al. Searching for mobilenetv3[C]// Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019: 1314-1324.
[15] 许爱华, 陈佳韵, 张明文, 等. 基于改进的YOLO v4绝缘子目标识别算法研究[J]. 吉林大学学报(信息科学版), 2023, 41(3): 545-551. DOI: 10.3969/j.issn.1671-5896.2023.03.020 XU Aihua, CHEN Jiayun, ZHANG Mingwen, et al. Research on insulator detection algorithm based on improved YOLO v4[J]. Journal of Jilin University (Information Science Edition), 2023, 41(3): 545-551. DOI: 10.3969/j.issn.1671-5896.2023.03.020
[16] 刘宇, 雷雪梅. 融合MobileNetV3特征的结构化剪枝方法[J]. 上海交通大学学报, 2023, 57(9): 1203-1213. LIU Yu, LEI Xuemei. A structured pruning method integrating characteristics of MobileNetV3[J]. Journal of Shanghai Jiaotong University, 2023, 57(9): 1203-1213.
[17] 赵文清, 刘亮, 胡嘉伟, 等. 基于深度可分离空洞卷积金字塔的变压器渗漏油检测[J]. 智能系统学报, 2023, 18(5): 966-974. ZHAO Wenqing, LIU Liang, HU Jiawei, et al. Detection of transformer oil leakage based on deep separable atrous convolution pyramid[J]. CAAI Transactions on Intelligent Systems, 2023, 18(5): 966-974.
[18] 刘雄彪, 杨贤昭, 陈洋, 等. 基于CIoU改进边界框损失函数的目标检测方法[J]. 液晶与显示, 2023, 38(5): 656-65. LIU Xiongbiao, YANG Xianzhao, CHEN Yang, et al. Object detection method based on CIoU improved bounding box loss function[J]. Chinese Journal of Liquid Crystals and Displays, 2023, 38(5): 656-65.
[19] 周敏. 基于Focal-EIOU函数的被动式太赫兹图像违禁物品识别[J]. 太赫兹科学与电子信息学报, 2022, 20(8): 810-816. ZHOU Min. Detection of prohibited objects in passive terahertz images based on Focal-EIOU loss function[J]. Journal of Terahertz Science and Electronic Information Technology, 2022, 20(8): 810-816.
[20] ZHANG Y F, REN W, ZHANG Z, et al. Focal and efficient IOU loss for accurate bounding box regression[J]. Neurocomputing, 2022, 506: 146-157.
[21] 粟兴旺, 王晓明, 黄金玻, 等. 基于可变形卷积与注意力机制的X光安检违禁品检测[J]. 电子测量技术, 2023, 46(10): 98-108. SU Xingwang, WANG Xiaoming, HUANG Jinbo, et al. Prohibited items detection based on deformable convolution and attention mechanism in X-ray security inspection[J]. Electronic Measurement Technology, 2023, 46(10): 98-108.
[22] ZHU X, HU H, LIN S, et al. Deformable convnets v2: More deformable, better results[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019: 9308-9316.
[23] 曹伊宁, 李超, 彭雅坤. 基于改进YOLOv7的夜间行人检测算法[J]. 长江信息通信, 2022, 35(10): 57-60. CAO Yining, LI Chao, PENG Yakun. Night pedestrian detection algorithm based on improved YOLOv7[J]. Changjiang Information & Communications, 2022, 35(10): 57-60.
-
期刊类型引用(6)
1. 梁倍源，杨瀚. 基于视觉图像的全向移动机器人轨迹跟踪控制研究. 计算机测量与控制. 2023(04): 143-148 . 
百度学术
2. 吴泽，缪小冬，李伟文，虞浒. 基于红外可见光融合的低能见度道路目标检测算法. 红外技术. 2022(11): 1154-1160 . 本站查看
3. 陈海峰，庄金雷，朱标，李培华，杨潘，刘丙友，樊璇. 基于改进Canny算子的图像边缘融合方法. 新乡学院学报. 2022(12): 23-27 . 百度学术
4. 李霖，王红梅，李辰凯. 红外与可见光图像深度学习融合方法综述. 红外与激光工程. 2022(12): 337-356 . 百度学术
5. 杨九章，刘炜剑，程阳. 基于对比度金字塔与双边滤波的非对称红外与可见光图像融合. 红外技术. 2021(09): 840-844 . 本站查看
6. 叶坤涛，李文，舒蕾蕾，李晟. 结合改进显著性检测与NSST的红外与可见光图像融合方法. 红外技术. 2021(12): 1212-1221 . 本站查看
其他类型引用(8)
计量
- 文章访问数: 37
- HTML全文浏览量: 5
- PDF下载量: 6
- 被引次数: 14
