期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
CSD-YOLOv8的输电线路故障目标检测
1
作者
马旭
王锐
+6 位作者
邓军
常驰
郝帅
李添麒
刘峥岐
李国亮
赵晴
《西安科技大学学报》
北大核心
2025年第2期383-392,共10页
针对无人机巡检输电线路过程中待检测目标受复杂背景干扰、故障目标部分遮挡以及目标多尺度造成传统算法难以准确检测的问题,提出一种基于CSD-YOLOv8的输电线路故障目标检测方法。首先,以YOLOv8网络作为基础框架,并在其主干网络中引入...
针对无人机巡检输电线路过程中待检测目标受复杂背景干扰、故障目标部分遮挡以及目标多尺度造成传统算法难以准确检测的问题,提出一种基于CSD-YOLOv8的输电线路故障目标检测方法。首先,以YOLOv8网络作为基础框架,并在其主干网络中引入空间金字塔池化将不同尺度特征进行融合;然后,在检测网络头部中引入深度可分离卷积,并将其与交叉卷积连接模块结合,实现对部分遮挡目标的准确检测;此外,设计基于通道注意力机制的特征融合模块对不同层级特征进行加权融合,提高复杂背景下故障目标特征信息提取能力;最后,利用某电力巡检部门近5年的巡检数据对所提出算法进行验证。结果表明:相比于4种经典对比算法,所提方法在对12种故障类型检测效果的综合指标最好,平均检测精度为94.7%,召回率为93.0%。与此同时,所提算法具有较好的实时性,对于分辨率为1280×720的图像检测速度为45帧/s,为输电线路的智能巡检奠定了坚实的理论基础。
展开更多
关键词
YOLOv8
多尺度检测
通道注意力机制
特征融合
深度可分离模块
在线阅读
下载PDF
职称材料
基于参数轻量化的井下人体实时检测算法
被引量：
6
2
作者
董昕宇
师杰
张国英
《工矿自动化》
北大核心
2021年第6期71-78,共8页
针对现有井下人员目标检测方法因网络较深、计算量庞大而不能达到实时检测效果的问题,提出了一种基于参数轻量化的井下人体实时检测算法。采用深度可分离卷积模块和倒置残差模块构建轻量级特征提取网络:通过深度可分离卷积压缩参数量和...
针对现有井下人员目标检测方法因网络较深、计算量庞大而不能达到实时检测效果的问题,提出了一种基于参数轻量化的井下人体实时检测算法。采用深度可分离卷积模块和倒置残差模块构建轻量级特征提取网络:通过深度可分离卷积压缩参数量和运算量,提升特征提取网络的运算速度;倒置残差模块通过更高维度的张量来提取足够多的信息,保证特征提取网络的精确度。结合轻量级特征提取网络和SSD多尺度检测方法建立井下人体实时检测模型,该模型在轻量级倒置残差特征提取网络的基本结构上增添传统卷积层至27层进行卷积操作,其中6层特征图被抽取进行多尺度预测,测试结果表明,该模型的大小为18 MB,帧率约为35帧/s,性能优于常用的VGG16+Faster R-CNN模型和VGG16+多尺度检测模型。为适应井下特定环境的目标检测需求,设计了基于Faster R-CNN的人体数据半自动标注方法,可显著减少人工工作量,提高井下人体检测精度。利用矿工服装颜色信息对检测结果框进行二次筛选,剔除将背景检测为人体的误检框。测试结果表明,该算法实现了采煤工作面人员实时定位检测及框选,精度达92.86%,召回率为98.11%,有效解决了井下人员漏检及误检问题。
展开更多
关键词
采煤工作面
井下人体实时检测
深度可
分离
卷积
模块
倒置残差
模块
参数轻量化
多尺度检测
半自动标注
在线阅读
下载PDF
职称材料
轻量级网络算法对输电线路上异物目标的识别
被引量：
2
3
作者
唐政
张会林
+2 位作者
马立新
刘金芝
王昊
《电子科技》
2023年第4期71-77,共7页
针对输电线路上多种异物所引起的电力巡检问题,可以采用深度学习图像识别方法进行检测。文中提出了一种改进型轻量级网络检测算法模型,通过将YOLOv4的主干特征提取网络替换为轻量级神经网络GhostNet,减少图片输入时计算所产生的特征图冗...
针对输电线路上多种异物所引起的电力巡检问题,可以采用深度学习图像识别方法进行检测。文中提出了一种改进型轻量级网络检测算法模型,通过将YOLOv4的主干特征提取网络替换为轻量级神经网络GhostNet,减少图片输入时计算所产生的特征图冗余;对YOLOv4的PANet模块进行修改,采用深度可分离卷积模块替换其中的普通卷积模块,可减轻参数计算量。结果表明,相比于原YOLOv4检测算法,该改进型算法在IOU阈值取0.5时,平均精准度下降2.1%,但检测速度达到了原算法的2.21倍,参数计算量仅为原算法的17.84%。与其他几种算法的对比表明新算法的参数指标表现满足需求。在维持较高精确度的情况下,文中所提算法的检测速度得到提升,计算量减少,证明了其在目标检测时的有效性与可行性。
展开更多
关键词
输电线路
深度
学习
YOLOv4
图像识别
GhostNet
深度可
分离
卷积
模块
轻量级网络
在线阅读
下载PDF
职称材料
题名
CSD-YOLOv8的输电线路故障目标检测
1
作者
马旭
王锐
邓军
常驰
郝帅
李添麒
刘峥岐
李国亮
赵晴
机构
西安科技大学电气与控制工程学院
西安科技大学安全科学与工程学院
陕西电力项目管理有限公司
出处
《西安科技大学学报》
北大核心
2025年第2期383-392,共10页
基金
国家自然科学基金项目(51804250)
中国博士后科学基金项目(2020M683522)
陕西省自然科学基础研究计划项目(2024JC-YBMS-490)。
文摘
针对无人机巡检输电线路过程中待检测目标受复杂背景干扰、故障目标部分遮挡以及目标多尺度造成传统算法难以准确检测的问题,提出一种基于CSD-YOLOv8的输电线路故障目标检测方法。首先,以YOLOv8网络作为基础框架,并在其主干网络中引入空间金字塔池化将不同尺度特征进行融合;然后,在检测网络头部中引入深度可分离卷积,并将其与交叉卷积连接模块结合,实现对部分遮挡目标的准确检测;此外,设计基于通道注意力机制的特征融合模块对不同层级特征进行加权融合,提高复杂背景下故障目标特征信息提取能力;最后,利用某电力巡检部门近5年的巡检数据对所提出算法进行验证。结果表明:相比于4种经典对比算法,所提方法在对12种故障类型检测效果的综合指标最好,平均检测精度为94.7%,召回率为93.0%。与此同时,所提算法具有较好的实时性,对于分辨率为1280×720的图像检测速度为45帧/s,为输电线路的智能巡检奠定了坚实的理论基础。
关键词
YOLOv8
多尺度检测
通道注意力机制
特征融合
深度可分离模块
Keywords
YOLOv8
multi-scale detection
channel attention mechanism
feature fusion
depth-separable module
分类号
TM755 [电气工程—电力系统及自动化]
在线阅读
下载PDF
职称材料
题名
基于参数轻量化的井下人体实时检测算法
被引量：
6
2
作者
董昕宇
师杰
张国英
机构
中国矿业大学(北京)机电与信息工程学院
出处
《工矿自动化》
北大核心
2021年第6期71-78,共8页
基金
国家自然科学基金项目(U1704242)。
文摘
针对现有井下人员目标检测方法因网络较深、计算量庞大而不能达到实时检测效果的问题,提出了一种基于参数轻量化的井下人体实时检测算法。采用深度可分离卷积模块和倒置残差模块构建轻量级特征提取网络:通过深度可分离卷积压缩参数量和运算量,提升特征提取网络的运算速度;倒置残差模块通过更高维度的张量来提取足够多的信息,保证特征提取网络的精确度。结合轻量级特征提取网络和SSD多尺度检测方法建立井下人体实时检测模型,该模型在轻量级倒置残差特征提取网络的基本结构上增添传统卷积层至27层进行卷积操作,其中6层特征图被抽取进行多尺度预测,测试结果表明,该模型的大小为18 MB,帧率约为35帧/s,性能优于常用的VGG16+Faster R-CNN模型和VGG16+多尺度检测模型。为适应井下特定环境的目标检测需求,设计了基于Faster R-CNN的人体数据半自动标注方法,可显著减少人工工作量,提高井下人体检测精度。利用矿工服装颜色信息对检测结果框进行二次筛选,剔除将背景检测为人体的误检框。测试结果表明,该算法实现了采煤工作面人员实时定位检测及框选,精度达92.86%,召回率为98.11%,有效解决了井下人员漏检及误检问题。
关键词
采煤工作面
井下人体实时检测
深度可
分离
卷积
模块
倒置残差
模块
参数轻量化
多尺度检测
半自动标注
Keywords
coal mine working face
underground human body real-time detection
depth separable convolution module
inverted residual module
parameter lightweight
multi-scale characteristic detection
semi-automatic annotation
分类号
TD76 [矿业工程—矿井通风与安全]
在线阅读
下载PDF
职称材料
题名
轻量级网络算法对输电线路上异物目标的识别
被引量：
2
3
作者
唐政
张会林
马立新
刘金芝
王昊
机构
上海理工大学机械工程学院
出处
《电子科技》
2023年第4期71-77,共7页
基金
国家自然科学基金(61205076)。
文摘
针对输电线路上多种异物所引起的电力巡检问题,可以采用深度学习图像识别方法进行检测。文中提出了一种改进型轻量级网络检测算法模型,通过将YOLOv4的主干特征提取网络替换为轻量级神经网络GhostNet,减少图片输入时计算所产生的特征图冗余;对YOLOv4的PANet模块进行修改,采用深度可分离卷积模块替换其中的普通卷积模块,可减轻参数计算量。结果表明,相比于原YOLOv4检测算法,该改进型算法在IOU阈值取0.5时,平均精准度下降2.1%,但检测速度达到了原算法的2.21倍,参数计算量仅为原算法的17.84%。与其他几种算法的对比表明新算法的参数指标表现满足需求。在维持较高精确度的情况下,文中所提算法的检测速度得到提升,计算量减少,证明了其在目标检测时的有效性与可行性。
关键词
输电线路
深度
学习
YOLOv4
图像识别
GhostNet
深度可
分离
卷积
模块
轻量级网络
Keywords
transmission line
deep learning
YOLOv4
image recognition
GhostNet
deep separable convolution module
lightweight network
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
CSD-YOLOv8的输电线路故障目标检测
马旭
王锐
邓军
常驰
郝帅
李添麒
刘峥岐
李国亮
赵晴
《西安科技大学学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于参数轻量化的井下人体实时检测算法
董昕宇
师杰
张国英
《工矿自动化》
北大核心
2021
6
在线阅读
下载PDF
职称材料
3
轻量级网络算法对输电线路上异物目标的识别
唐政
张会林
马立新
刘金芝
王昊
《电子科技》
2023
2
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
