在电力巡检过程中,无人机等边端智能检测设备往往面临输电线路绝缘子缺陷目标小、背景因素复杂等难点,且边端设备的硬件条件限制了模型的规模,导致设备算力有限,模型准确率偏低。针对上述问题,该文提出了一种基于YOLOv8-RFL(You only lo...在电力巡检过程中,无人机等边端智能检测设备往往面临输电线路绝缘子缺陷目标小、背景因素复杂等难点,且边端设备的硬件条件限制了模型的规模,导致设备算力有限,模型准确率偏低。针对上述问题,该文提出了一种基于YOLOv8-RFL(You only look once version 8-RFL)模型的输电线路绝缘子缺陷检测方法。首先,通过对原有主干网络C2f(CSPDarknet53 to 2-Stage FPN)模块进行改进,增强模型对于绝缘子缺陷的特征提取能力;其次,构建基于特征聚焦的泛化特征金字塔网络(focusing generalized feature pyramid networks,FGFPN),采用“特征聚焦-扩散”的思想,精细化小缺陷目标的特征表达;然后,设计基于交叉注意机制的特征语义融合模块(feature semantic fusion module,FSFM),优化了对关键特征信息的捕获和利用;最后,提出轻量化权重共享检测头(Lightweight weight sharing detection head,LWSD),在保证检测精度的同时提高模型的计算效率和实时性。实验表明,改进后的YOLOv8-RFL模型均值平均精度(mean average precision,mAP)达到了93.2%,相较于基准模型提升了5.9%,在降低模型参数量和所需计算量的同时,实现了更好的绝缘子小目标缺陷检测效果,对于复杂背景下的输电线路绝缘子缺陷检测具有一定的现实意义。展开更多
针对真实环境下采集的病害图像中存在的大量噪声和复杂背景干扰,导致作物病害识别准确性和泛化性低的问题,该研究提出基于自适应BayesShrink和频-空特征融合的作物病害识别方法(adaptive BayesShrink and frequencyspatial domain featu...针对真实环境下采集的病害图像中存在的大量噪声和复杂背景干扰,导致作物病害识别准确性和泛化性低的问题,该研究提出基于自适应BayesShrink和频-空特征融合的作物病害识别方法(adaptive BayesShrink and frequencyspatial domain features fusion, AFSF-DCT)。首先,设计了自适应BayesShrink算法(Ad-BayesShrink)以减少噪声干扰,同时保留更多细节,降低识别模型提取病害特征的难度。然后提出基于频-空特征融合和动态交叉自注意机制的作物病害识别模型(crop leaf disease identification model based on frequency-spatial features fusion and dynamic cross-self-attention,FSF-DCT)。为实现全面的频-空特征映射,设计了基于离散小波变换(discrete wavelet transform,DWT)和倒残差结构(bneck)的频-空特征映射(DWT-Bneck)分支以捕获多尺度病害特征。频域分支设计了基于2D DWT的特征映射模块(2D DWT-based frequency-features decomposition module, DWFD)以捕获病害细节和纹理,用于补充空间域特征在全局信息表达上的不足。空间域分支在bneck中引入CBAM(convolutional block attention module)和Dynamic Shift Max激活函数以实现全面的空间特征映射。最后设计了动态交叉自注意特征融合模块(multi-scale features fusion network based on dynamic cross-self-attention, MDCS-DF)融合频-空特征并增强模型对病害特征的关注。结果表明,Ad-BayesShrink获得了35.78的最高峰值信噪比,优于VisuShrink和SUREShrink。FSF-DCT在自建数据集和2个开源数据集(PlantVillage和AI challenger 2018)上分别获得了99.20%、99.90%和90.75%的识别精度,且具有较小的参数量(7.48 M)和浮点运算数(4.62 G),优于当前大部分的主流识别模型。AFSF-DCT可为复杂背景下的作物叶片病害的快速精准检测提供模型参考。展开更多
文摘在电力巡检过程中,无人机等边端智能检测设备往往面临输电线路绝缘子缺陷目标小、背景因素复杂等难点,且边端设备的硬件条件限制了模型的规模,导致设备算力有限,模型准确率偏低。针对上述问题,该文提出了一种基于YOLOv8-RFL(You only look once version 8-RFL)模型的输电线路绝缘子缺陷检测方法。首先,通过对原有主干网络C2f(CSPDarknet53 to 2-Stage FPN)模块进行改进,增强模型对于绝缘子缺陷的特征提取能力;其次,构建基于特征聚焦的泛化特征金字塔网络(focusing generalized feature pyramid networks,FGFPN),采用“特征聚焦-扩散”的思想,精细化小缺陷目标的特征表达;然后,设计基于交叉注意机制的特征语义融合模块(feature semantic fusion module,FSFM),优化了对关键特征信息的捕获和利用;最后,提出轻量化权重共享检测头(Lightweight weight sharing detection head,LWSD),在保证检测精度的同时提高模型的计算效率和实时性。实验表明,改进后的YOLOv8-RFL模型均值平均精度(mean average precision,mAP)达到了93.2%,相较于基准模型提升了5.9%,在降低模型参数量和所需计算量的同时,实现了更好的绝缘子小目标缺陷检测效果,对于复杂背景下的输电线路绝缘子缺陷检测具有一定的现实意义。
文摘针对真实环境下采集的病害图像中存在的大量噪声和复杂背景干扰,导致作物病害识别准确性和泛化性低的问题,该研究提出基于自适应BayesShrink和频-空特征融合的作物病害识别方法(adaptive BayesShrink and frequencyspatial domain features fusion, AFSF-DCT)。首先,设计了自适应BayesShrink算法(Ad-BayesShrink)以减少噪声干扰,同时保留更多细节,降低识别模型提取病害特征的难度。然后提出基于频-空特征融合和动态交叉自注意机制的作物病害识别模型(crop leaf disease identification model based on frequency-spatial features fusion and dynamic cross-self-attention,FSF-DCT)。为实现全面的频-空特征映射,设计了基于离散小波变换(discrete wavelet transform,DWT)和倒残差结构(bneck)的频-空特征映射(DWT-Bneck)分支以捕获多尺度病害特征。频域分支设计了基于2D DWT的特征映射模块(2D DWT-based frequency-features decomposition module, DWFD)以捕获病害细节和纹理,用于补充空间域特征在全局信息表达上的不足。空间域分支在bneck中引入CBAM(convolutional block attention module)和Dynamic Shift Max激活函数以实现全面的空间特征映射。最后设计了动态交叉自注意特征融合模块(multi-scale features fusion network based on dynamic cross-self-attention, MDCS-DF)融合频-空特征并增强模型对病害特征的关注。结果表明,Ad-BayesShrink获得了35.78的最高峰值信噪比,优于VisuShrink和SUREShrink。FSF-DCT在自建数据集和2个开源数据集(PlantVillage和AI challenger 2018)上分别获得了99.20%、99.90%和90.75%的识别精度,且具有较小的参数量(7.48 M)和浮点运算数(4.62 G),优于当前大部分的主流识别模型。AFSF-DCT可为复杂背景下的作物叶片病害的快速精准检测提供模型参考。
