武汉理工大学最新研究:基于机器视觉的输电塔重识别算法
论论资讯 | 2024-05-15 |
12热度
Applied Sciences (Switzerland)
Explore content
![](https://cdn.lunlunapp.com/html/page/v2/images/icon_select_details@2x.png)
About the journal
![](https://cdn.lunlunapp.com/html/page/v2/images/icon_select_details@2x.png)
Publish with us
![](https://cdn.lunlunapp.com/html/page/v2/images/icon_select_details@2x.png)
Transmission Tower Re-Identification Algorithm Based on Machine Vision
Chen L.; Yang Z.; Huang F.; Dai Y.; Liu R.; Li J.
Published:2024-01-01
DOI:10.3390/app14020539
研究背景
当今社会,智能驾驶车辆的交通标识识别和电力系统的自动检测已成为热门话题。然而,在电力系统检查中,尽管已有成熟的方法用于检测输电塔和相关配件(如横梁和绝缘子)的缺陷,但缺乏用于输电塔识别匹配的自动化方法。
研究内容
这项研究提出了一种基于机器视觉的输电塔重新识别算法。首先,使用YOLOv8目标检测算法提取输电塔图像,并通过匹配网络将其映射为d维特征向量。其次,在这些特征向量的基础上构建了一个模板库,用于输电塔的重新识别。最后,通过将输入图像的特征向量与模板库中的向量进行欧氏距离比较,实现了输电塔的重新识别。实验证明,该方法在输电塔检测方面取得了显著成果。
研究意义
这项研究结合了机器视觉和深度学习,提出了一种创新的输电塔重新识别方法。通过在线三元组样本生成策略,以及Inception-ResNet-v1作为骨干网路的训练,提高了网络的性能。该算法不仅可以应用于智能驾驶车辆的交通标识识别,还可以用于电力系统的自动检测,具有重要的实际意义。
希望通过这项研究,能够为输电塔的快速识别和定位提供更有效的解决方案,为智能交通和电力系统的发展做出贡献。
图片赏析
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure1.png)
图1. 铭牌识别方面的挑战:(a) 铭牌位于封闭区;(b) 铭牌脱落;(c) 铭牌损坏;(d) 铭牌模糊.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure10.png)
图10.模板库建设流程图
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure11.png)
图11. 传输塔从输入图像进行身份匹配的框架.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure12.png)
图12. 不同类型的传输塔.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure13.png)
图13. 从匹配的数据集中采样传输塔的图像.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure14.png)
图14. 目标探测实验结果(a) 指标/米AP@0.5曲线;(b) 指标/米AP@0.5:0.95曲线;(c) YOLOv5的训练损失曲线;(d) YOLOv5的验证损失曲线;(e) YOLOv8的训练损失曲线;(f) YOLOv8的验证损失曲线.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure15.png)
图15. 匹配网络中训练效果的比较:(a) 验证损耗曲线;(b) 验证精度曲线;(c) 训练损耗曲线.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure16.png)
图16. 利用Inception-Resnet-v1(d=128)作为骨干的匹配网络检索结果的示例:(a) 利用全球定位系统在线生成三重态的影响;(b) 没有全球定位系统的在线生成三重态的影响;(c) 环境变异对模型的影响.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure2.png)
图2. 输电塔身份匹配系统的框架.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure3.png)
图3.本文的主要技术要点.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure4.png)
图4.YOLOv5n -转换头和YOLOv8架构.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure5.png)
图5.匹配网络框架.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure6.png)
图6.应用图像增强后的结果.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure7.png)
图7.新三元组生成过程的流程图
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure8.png)
图8.在线三重态生成示意图
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/figure9.png)
图9.匹配网络的训练过程.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/table1.png)
表1.三种方法的优缺点.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/table2.png)
表2.文献回顾了铭牌和POS在输电线路检查中的应用.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/table3.png)
表3.模板库结构(features1是一个128维特征向量).
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/table4.png)
表4.目标检测数据集
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/table5.png)
表5.测试数据集上的目标检测算法的性能结果.
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/table6.png)
表6.不同骨干网(d=1)的匹配算法的测试集中的比较结果(128).
![](https://cdn.lunlunapp.com/paper_data/paper_img/10.3390/app14020539/table7.png)
表7. 在不同特征维度(d = 128,d = 256)下匹配算法的测试集的比较结果.
![](https://cdn.lunlunapp.com/html/page/v3/ycImg/icon_hot@2x.png)
学术热榜
查看全部
![](https://cdn.lunlunapp.com/html/page/v2/images/icon_select_gray@2x.png)
相关资讯
![](https://cdn.lunlunapp.com/html/page/v3/ycImg/icon_refresh@2x.png)
换一批