电力系统架空线巡线机器人对于提高架空输电线的维护效率进而保障电力系统的安全稳定运行具有重要作用。针对架空线巡线机器人巡线过程中需要有效识别线路中的附属障碍物并采取相应障碍规避动作的问题,文章研究了基于深度学习的巡线机...电力系统架空线巡线机器人对于提高架空输电线的维护效率进而保障电力系统的安全稳定运行具有重要作用。针对架空线巡线机器人巡线过程中需要有效识别线路中的附属障碍物并采取相应障碍规避动作的问题,文章研究了基于深度学习的巡线机器人架空线附属障碍物识别方法。论述了基于深度学习的架空线巡线机器人系统的整体结构,在整体系统结构的基础上分析了YOLOv8(you only look once version 8)模型的结构及其应用,进而基于增强的架空线障碍物数据集对所述方法进行了有效性验证。实验结果表明,文中所述基于YOLOv8的巡线机器人障碍物识别模型具有更快的识别速度和更高的识别率,能够更好满足巡线机器人的避障需求。展开更多
针对背景复杂、尺度变化较大、被遮挡情况下机械外破隐患目标检测精度不高,容易出现错检、漏检的问题,文中提出了一种改进YOLOv7(you only look once version 7)的机械外破隐患目标检测算法。文章在检测头网络中添加Swin Transformer注...针对背景复杂、尺度变化较大、被遮挡情况下机械外破隐患目标检测精度不高,容易出现错检、漏检的问题,文中提出了一种改进YOLOv7(you only look once version 7)的机械外破隐患目标检测算法。文章在检测头网络中添加Swin Transformer注意力机制提高对多尺度特征的提取能力,然后在主干网络中将部分卷积模块替换为深度可分离卷积,降低模型运算成本,采用Focal-EIOU(Focal and enhanced intersection over union)损失函数优化预测框,最后引入Mish激活函数增强网络的泛化能力,提高模型在复杂背景、目标部分被遮挡情况下的检测性能。实验结果表明,改进后的算法较原YOLOv7在准确率、召回率和平均精度均值上分别提高了5.2%、10.6%和5.2%,较其他主流算法在检测精度和模型体积上有着明显的优势,验证了改进方法的有效性,为复杂场景下机械外破隐患目标的边缘识别提供算法支持。展开更多
文摘电力系统架空线巡线机器人对于提高架空输电线的维护效率进而保障电力系统的安全稳定运行具有重要作用。针对架空线巡线机器人巡线过程中需要有效识别线路中的附属障碍物并采取相应障碍规避动作的问题,文章研究了基于深度学习的巡线机器人架空线附属障碍物识别方法。论述了基于深度学习的架空线巡线机器人系统的整体结构,在整体系统结构的基础上分析了YOLOv8(you only look once version 8)模型的结构及其应用,进而基于增强的架空线障碍物数据集对所述方法进行了有效性验证。实验结果表明,文中所述基于YOLOv8的巡线机器人障碍物识别模型具有更快的识别速度和更高的识别率,能够更好满足巡线机器人的避障需求。
文摘针对背景复杂、尺度变化较大、被遮挡情况下机械外破隐患目标检测精度不高,容易出现错检、漏检的问题,文中提出了一种改进YOLOv7(you only look once version 7)的机械外破隐患目标检测算法。文章在检测头网络中添加Swin Transformer注意力机制提高对多尺度特征的提取能力,然后在主干网络中将部分卷积模块替换为深度可分离卷积,降低模型运算成本,采用Focal-EIOU(Focal and enhanced intersection over union)损失函数优化预测框,最后引入Mish激活函数增强网络的泛化能力,提高模型在复杂背景、目标部分被遮挡情况下的检测性能。实验结果表明,改进后的算法较原YOLOv7在准确率、召回率和平均精度均值上分别提高了5.2%、10.6%和5.2%,较其他主流算法在检测精度和模型体积上有着明显的优势,验证了改进方法的有效性,为复杂场景下机械外破隐患目标的边缘识别提供算法支持。
