logo móvil
Contáctanos

Detección Típica de Fallas en Imágenes de Drones de Líneas de Transmisión Basada en Estructura Ligera y Red Equilibrada en Características

Autores: Han, Gujing; Wang, Ruijie; Yuan, Qiwei; Zhao, Liu; Li, Saidian; Zhang, Ming; He, Min; Qin, Liang

Idioma: Inglés

Editor: MDPI

Año: 2023

Descargar PDF

Acceso abierto

Artículo científico
2023

Detección Típica de Fallas en Imágenes de Drones de Líneas de Transmisión Basada en Estructura Ligera y Red Equilibrada en Características


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Robótica

Palabras clave

Propuestas
Algoritmo
Extracción de características
Red
Capacidad de detección
Función de pérdida

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 1

Citaciones: Sin citaciones


Descripción
En el contexto de los problemas de dificultad en la detección y los recursos computacionales limitados de varias escalas de fallos en imágenes aéreas de inspecciones de líneas de transmisión con UAV, este artículo propone un algoritmo TD-YOLO (YOLO para la detección de transmisión). En primer lugar, se utiliza el módulo Ghost para aligerar la red de extracción de características y la red de predicción del modelo, reduciendo significativamente el número de parámetros y el esfuerzo computacional del modelo. En segundo lugar, se incorpora el mecanismo de atención espacial y de canal scSE (squeeze concurrente espacial y de canal y excitación de canal) en la red de fusión de características, con PA-Net (red de agregación de caminos) para construir una red equilibrada en características, utilizando pesos de canal y pesos espaciales como guías para lograr el equilibrio de características de múltiples niveles y múltiples escalas en la red, mejorando significativamente la capacidad de detección bajo la coexistencia de múltiples objetivos de diferentes categorías. En tercer lugar, se introduce una función de pérdida, NWD (distancia de Wasserstein normalizada), para mejorar la detección de objetivos pequeños, y se optimiza la relación de fusión de NWD y CIoU para compensar aún más la pérdida de precisión causada por la ligereza del modelo. Finalmente, se construye un conjunto de datos típico de fallos de líneas de transmisión utilizando imágenes de inspección de UAV para el entrenamiento y la prueba. Los resultados experimentales muestran que el algoritmo TD-YOLO propuesto en este artículo comprime el 74.79% del número de parámetros y el 66.92% de la cantidad de cálculo en comparación con YOLOv7-Tiny y aumenta el mAP (precisión media promedio) en un 0.71%. El TD-YOLO se implementó en Jetson Xavier NX para simular el proceso de inspección de UAV y se ejecutó a 23.5 FPS con buenos resultados. Este estudio ofrece una referencia para la inspección de líneas eléctricas y proporciona una posible forma de implementar dispositivos de computación en el borde en vehículos aéreos no tripulados.

Otros recursos que podrían interesarte

Temas Virtualpro