-
题名融合双编码与元学习的小样本输电线异物检测
- 1
-
-
作者
陈哲煊
高雪莲
宋佳宇
刘毅
-
机构
华北电力大学电气与电子工程学院
-
出处
《仪器仪表学报》
北大核心
2025年第3期193-205,共13页
-
文摘
输电线作为电力传输的重要设施,其异物检测是电网巡检维护的重要环节。然而,受限于输电线巡检数据的可获得性和输电线所处环境的复杂性,复杂背景下的小样本数据集输电线异物检测依然是一个挑战。就此提出一种由主编码Swin Transformer网络和次编码卷积神经网络(CNN)构成的基于两阶段元学习训练策略的双编码目标检测网络(ML-DCTDN),该网络的创新点在于:一方面主编码Swin Transformer网络通过2个阶段的元学习训练获得泛化特征提取能力,即第1阶段学习输电线特征,第2阶段学习异物特征,提高其在小样本数据集的目标检测任务中的表现;另一方面该双编码网络分别采用红绿蓝图像和灰度图像的输入方式,通过分层融合模块(LFM)和特征金字塔网络(FPN)模块实现红绿蓝图像和灰度图像的多模态特征融合,既利用了红绿蓝图像丰富的色彩和纹理信息,又借鉴了灰度图像对光线和细节纹理的鲁棒特性,强化了模型在复杂背景下的抗干扰能力与检测能力。消融实验表明,元学习训练策略明显提高了模型平均准确率(mAP),灰度图像输入方法将mAP提高了至少4%;与SSD、Faster RCNN、YOLOv5以及YOLOv8算法的对比实验表明,小样本数据集的输电线异物检测任务中借鉴元学习策略和双编码网络结构,能明显提高复杂背景下模型的目标检测精度,mAP50和mAP75值分别提高到98.6%和64.7%。
-
关键词
输电线异物检测
元学习
双编码
小样本数据集
Swin
Transformer
-
Keywords
foreign body detection in power lines
meta-learning
double coding
small samples database
Swin Transformer
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
TH183.3
[机械工程—机械制造及自动化]
-
-
题名改进YOLOv8的输电线路异物检测方法
被引量：7
- 2
-
-
作者
易磊
黄哲玮
易雅雯
-
机构
华中科技大学电气与电子工程学院
-
出处
《电子测量技术》
北大核心
2024年第15期125-134,共10页
-
基金
教育部2020年第二批新工科研究与实践项目(E-NYDQHGC20202219)资助。
-
文摘
针对无人机对输电线路异物检测准确度有限,模型计算复杂度高、计算速度有限的问题,提出一种改进YOLOv8的输电线路异物检测方法SC-YOLO。该方法引入StarNet以构造C2f_Star模块实现Neck网络轻量化,有效降低模型参数量与计算量,同时通过增加特征空间维度提升Neck部分特征提取能力;在骨干网络输出特征图后添加卷积注意力融合模块,提升骨干网络对输入特征图的初步特征提取能力,增强模型整体检测效果;将原检测头替换为动态检测头,提升模型对不同输入的动态调整能力与对关键信息的关注程度;使用WIoU作为边界框损失函数,EMA-Slide Loss作为分类损失函数,提升模型泛化能力与检测性能。实验结果表明,提出的SC-YOLO计算量较原始模型下降8.02%,mAP提升1.4个百分点,达到了95.2%的检测精度,在降低模型计算复杂度的同时实现了较高的检测准确率,具有高可行性与实用性。
-
关键词
输电线异物检测
YOLOv8
StarNet
卷积注意力融合模块
动态检测头
WIOU损失函数
EMA-Slide
Loss损失函数
-
Keywords
transmission line foreign body detection
YOLOv8
StarNet
convolutional attention fusion module
dynamic detection head
WIOU loss function
EMA-Slide loss function
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
TN60
[电子电信—电路与系统]
-
