紅外圖像檢測技術因具有非接觸、快速等優點，被廣泛應用于電力設備的監測與診斷 中，而對設備快速精確地檢測定位是實現自動檢測與診斷的前提。與普通目標的可見光圖像相比， 電力設備的紅外圖像可能存在背景復雜、對比度低、目標特征相近、長寬比偏大等特征，采用原 始的 YOLOv3 模型難以精確定位到目標。針對此問題，該文對 YOLOv3 模型進行改進：在其骨干 網絡中引入跨階段局部模塊；將路徑聚合網絡融合到原模型的特征金字塔結構中；加入馬賽克 （Mosaic）數據增強技術和 Complete-IoU（CIoU）損失函數。將改進后的模型在四類具有相似波紋 外觀結構的電力設備紅外圖像數據集上進行訓練測試，每類的檢測精度均能達到 92%以上。最后， 將該文方法的測試結果與其他三個主流目標檢測模型進行對比評估。結果表明：不同閾值下，該 文提出的改進模型獲得的平均精度均值優于 Faster R-CNN、SSD 和 YOLOv3 模型。改進后的 YOLOv3 模型盡管在檢測速度上相比原 YOLOv3 模型有所犧牲，但仍明顯高于其他兩種模型。對 比結果進一步驗證了所提模型的有效性。
標簽：
電力設備
紅外目標檢測
上傳時間：
2021-10-30
上傳用戶：
