Sep, 2023

变电站目标检测算法

PDF
TL;DR检测高压电力设备是确保电力供应可靠的有效方法，该论文提出了一种结合物体关系建模和 Transformer 模型的关系 Transformer 模型，通过在变电站的物体识别中展现出更好的性能，显著促进了自动化电力设备检测的发展。
发现论文，激发创造
  • 基于改进的自注意力机制的高分辨率电力设备识别

    通过基于深度自注意力网络的创新方法，在自动化电气设备巡检方面提供了突破性的新视角，通过使用高分辨率图像提高了识别精度，并通过引入图像的语义内容来进一步改善了预测效果。

    Nov, 2023

  • 弱监督下变电站设备故障的红外图像识别方法

    该研究提出了一种弱监督方法，用于识别变电站设备的红外图像中的故障。通过修改模型的网络结构和参数，利用更快的 RCNN 模型进行设备识别，提高了检测准确性。通过分析检查机器人在变电站捕获的红外图像来演示该方法。通过与手工标记结果验证性能，证明了所提算法能够显著提高对各种设备类型的故障识别精度。

    Nov, 2023

  • 关系网络用于物体检测

    本研究提出一种基于对象关系模块的深度学习模型，可以同时处理对象之间的外观特征和几何关系，从而提高了对象识别和重复去除步骤，在 CNN-based detection 中显著地有效，且无需额外 supervision，是第一个完全端到端的物体检测器。

    Nov, 2017

  • 图像字幕生成：物体到文字的转换

    本文介绍了一种名为 “Object Relation Transformer” 的图像描述模型，该模型在编码器 - 解码器架构中显式地整合了有关输入检测对象的空间关系，以几何关注的方式建模。结果表明，这种几何关注对图像描述非常重要，并在 MS-COCO 数据集上的各种标准评估指标上均有改进。

    Jun, 2019

  • 通过捕获物体间的关系提升航空图像中的检测能力

    基于 transformer 的方法在三个基准测试中表现出一致的性能提升，特别是在 DOTA-v1.5 和 HRSC 2016 上名列前茅，相对于基线方法分别增加了 1.59 mAP 在 DOTA-v1.0、4.88 mAP 在 DOTA-v1.5 和 2.1 mAP 在 HRSC 2016。

    Apr, 2024

  • 电力线路绝缘子自动检测的异常检测

    基于对象检测与异常检测的两阶段方法用于可靠检测绝缘子的故障，结果表明在较少的真实异常样本训练集下，该模型能够准确地识别绝缘子盘上的故障区域，但有一些错误预测。

    Nov, 2023

  • 使用 Transformer 进行端到端的目标检测

    该研究提出了一种新方法，将目标检测作为直接集合预测问题进行处理，主要采用基于集合的全局损失和 Transformer 编码器 - 解码器架构构建 DETR 模型，能够高效地完成目标检测和全景分割任务，相较于许多现代检测器，DETR 模型概念简单且不需要专门的库。

    May, 2020

  • 基于无监督语义分割的架空线缺陷识别

    该研究提出了一种基于 Faster RCNN 网络和无监督语义分割的新型缺陷识别框架，通过识别目标设备的类型和位置、利用语义分割区分设备和背景，并运用相似度度量和逻辑规则对缺陷进行分类，从而提高了空中线路中设备问题的准确性和适应性，为配电网络设备检测的自动化提供了新的视角。

    Nov, 2023

  • 使用深度学习进行 X 射线图像中非法物品的视觉检查

    自动检测 X 射线图像中的违禁物品可以显著增加公共安全，提高机场、地铁、海关 / 邮局等地的安全人员的工作效率，并减轻其心理负担。研究表明，变压器检测器优越于过去几年为安全应用开发的辅助神经模块和 CSP-DarkNet 骨干卷积神经网络十分高效。

    Oct, 2023

  • 电力建设过程中的目标识别算法

    通过红外成像技术，使用基于局部线性映射方法的颜色处理技术的新型目标识别算法，强调电力施工视频监控中的目标，并结合支持向量机方法实现目标类型的准确预测，实现了高目标识别准确率和低误识率的目标识别算法。

    Feb, 2024