核心词：
ZR-VV22地埋 铠装电缆ZR-VV 阻燃 电力 电缆 这些因素导致模型的泛化能力不足。在预测边界框时,如图1所示,每个网格还需要预测三个条件类别概率。基于此,我们手动标记了约700张无人机航拍照片作为训练数据集。每个网格负责预测B边界框和这些边界框的置信度分数。边界框由四个值确定:X、y、W和H。
1、使用无人机检查输电线路不受地理 使用无人机检查输电线路不受地理、气候等因素的影响,节省了大量人力和物力。目前,大多数研究工作是手工设计特征,提取特征,然后设计分类器来区分绝缘子区域并确定位置。该置信度分数反映了模型对网格的预测:网格是否包含绝缘体,以及边界框的坐标预测的准确性。同时,该网络借鉴了NIN的思想,采用卷积核对特征图进行压缩。
2、传统的目标检测算法一般分为两步 传统的目标检测算法一般分为两步:首先,提取一定数量的目标候选框。具体的提取方法包括滑动窗口、选择性搜索等;其次,根据一定的方法提取目标候选帧中的图像,并对特征进行分类,以确定目标候选帧中是否存在对象。也就是说,对于每个网格,分别预测属于背景、完整绝缘子和缺失绝缘子的概率。中国幅员辽阔,输电线路往往需要穿越山川。
3、为了了解输电线路的运行情况 为了了解输电线路的运行情况,解决输电线路的潜在隐患,电力部门已逐渐将手动线路检查改为无人机线路检查。本文在现有深度学习目标检测框架Yolo的基础上,设计了一种从输入图像直接到检测结果的端到端绝缘子损耗检测方法。坐标表示预测边界框中心和栅格边界之间的相对值,
矿用电缆坐标表示预测边界框的宽度和高度与整个图像的宽度和高度之比。深度学习算法通常需要大量的标记数据来训练模型。通过反向传播算法,模型学习更好的参数,以适应从输入到输出的映射。如图1a所示,首先将图像划分为SXS网格。如果该网格中没有绝缘体,则置信度得分为0,否则应为预测边界框和正式绝缘体边界框的IOU。绝缘子损耗检测的准确性和速度关系到输电线路运行的稳定性。针对无人机航拍照片,提出了一种基于Yolo的绝缘子检测算法。实验结果表明,该方法能够高效、准确地识别航拍照片中的完整绝缘子和缺失绝缘子,满足工程应用的要求。与VGg网络类似,该网络主要采用3×3的方式,每次合用后信道数增加一倍。实验结果的示例图像如图2所示。导线、杆塔等代表完整的绝缘子,方框表示缺失的绝缘子。错误检测的主要原因是训练数据集中的照片数量不足。当电网包含绝缘子时,预测其是否属于完整绝缘子或缺失绝缘子的概率应最大。当电网不包含绝缘体时,预测其是否属于背景的概率应最大。输电线路中的绝缘子是一种特殊的绝缘控制装置,通常由陶瓷或玻璃制成,在输电线路中起着关键作用。一旦发生故障,将损害整个输电线路的使用安全和使用寿命。
4、其中 其中,提出了一种改进的FCM算法对绝缘子所在区域进行分割,然后用连通域标记算法对每个绝缘子进行标记,ZR-VV22地埋铠装电缆ZR-VV阻燃电力电缆最后有效地计算出绝缘子的个数;一些文献在相关研究中也提出了一种利用梯度信息进行绝缘子定位的方法,在绝缘子位置的基础上建立单个绝缘子的特征描述符,最终实现绝缘子故障检测;在多尺度的基础上,引入多特征描述符来表达绝缘子的局部特征,建立了绝缘子的可视化特征数据库。
针对待测图像,采用粗精特征匹配策略消除背景噪声,最终确定绝缘子在航空图像中的位置。统计结果表明,本文方法不仅保持了较高的检测精度,而且对每幅图像的检测平均需要0.69s,ZR-VV22地埋铠装电缆ZR-VV阻燃电力电缆速度较快。结果表明,基于YLO的绝缘子检测算法能够准确地检测出无人机航拍照片中的绝缘子,并能正确区分完整绝缘子和缺失绝缘子。
5、如果绝缘体的中心落入电网 如果绝缘体的中心落入电网,电网负责检测绝缘体。在巡查过程中,无人机拍摄了大量照片。基于这些照片,绝缘子检测是一种相对新颖的技术路线。Yolo算法将这两个步骤结合为一个步骤,并用深度卷积神经网络实现。在确保准确度的同时,ZR-VV22地埋铠装电缆ZR-VV阻燃电力电缆由于缺少提取目标候选框等耗时步骤,它实现了更快的运行速度。目前,ZR-VV22地埋铠装电缆ZR-VV阻燃电力电缆只有719张照片用于训练,其中许多照片是相同的。在图1中,深灰色网格表示预测属于缺失绝缘子,浅灰色网格表示预测属于完整绝缘子,黑色网格表示预测背景。与它中的处理相同,网络前面的卷积层保持不变以提取图像特征,但最后几层被修改。根据卷积层提取的图像特征,ZR-VV22地埋铠装电缆ZR-VV阻燃电力电缆预测绝缘子在图像中的位置和是否缺失的类别概率值。
如果您对“ZR-VV22地埋铠装电缆ZR-VV阻燃电力电缆”感兴趣，欢迎您联系我们
猜您兴趣
首页
QQ