红外图像检测技术因具有非接触、快速等优点,被广泛应用于电力设备的监测与诊断 中,而对设备快速精确地检测定位是实现自动检测与诊断的前提。与普通目标的可见光图像相比, 电力设备的红外图像可能存在背景复杂、对比度低、目标特征相近、长宽比偏大等特征,采用原 始的 YOLOv3 模型难以精确定位到目标。针对此问题,该文对 YOLOv3 模型进行改进:在其骨干 网络中引入跨阶段局部模块;将路径聚合网络融合到原模型的特征金字塔结构中;加入马赛克 (Mosaic)数据增强技术和 Complete-IoU(CIoU)损失函数。将改进后的模型在四类具有相似波纹 外观结构的电力设备红外图像数据集上进行训练测试,每类的检测精度均能达到 92%以上。最后, 将该文方法的测试结果与其他三个主流目标检测模型进行对比评估。结果表明:不同阈值下,该 文提出的改进模型获得的平均精度均值优于 Faster R-CNN、SSD 和 YOLOv3 模型。改进后的 YOLOv3 模型尽管在检测速度上相比原 YOLOv3 模型有所牺牲,但仍明显高于其他两种模型。对 比结果进一步验证了所提模型的有效性。
标签:
电力设备
红外目标检测
上传时间:
2021-10-30
上传用户: