变电站目标检测算法
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
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
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
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
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
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
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
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
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
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