Precisión y Eficiencia en la Inspección de Grietas en Presas: Un Método de Detección de Objetos Ligero Basado en Destilación Conjunta para Vehículos Aéreos No Tripulados (VANT)
Autores: Dong, Hangcheng; Wang, Nan; Fu, Dongge; Wei, Fupeng; Liu, Guodong; Liu, Bingguo
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Precisión y Eficiencia en la Inspección de Grietas en Presas: Un Método de Detección de Objetos Ligero Basado en Destilación Conjunta para Vehículos Aéreos No Tripulados (VANT)
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Presas
Grietas
Reparación
Métodos de detección
Imágenes de alta resolución
Destilación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Las presas en su entorno natural desarrollarán gradualmente grietas y otras formas de daño. Si no se detectan y reparan a tiempo, la resistencia estructural de la presa puede verse reducida e incluso puede colapsar. Reparar grietas y defectos en las presas es muy importante para garantizar su funcionamiento normal. Los métodos de detección tradicionales dependen de la inspección manual, lo que consume mucho tiempo y mano de obra, mientras que los métodos de aprendizaje profundo pueden aliviar en gran medida este problema. Sin embargo, estudios anteriores a menudo se han centrado en cómo detectar mejor los defectos de las grietas, sin que la resolución de las imágenes correspondientes sea particularmente alta. En este estudio, dirigido al escenario de detección en tiempo real por drones, proponemos un método de detección automática de objetivos de grietas en presas directamente en imágenes de teledetección de alta resolución. Primero, para las imágenes de teledetección de alta resolución, diseñamos un método de procesamiento de ventana deslizante y propusimos métodos correspondientes para eliminar cuadros de detección redundantes. Luego, introdujimos una distribución gaussiana en la función de pérdida para calcular la similitud de los cuadros predichos e incorporamos un mecanismo de autoatención en el módulo de agrupamiento espacial para mejorar aún más el rendimiento de detección de objetivos de grietas a diversas escalas. Finalmente, propusimos un esquema de poda después de la destilación, utilizando el modelo comprimido como estudiante y el modelo previo a la compresión como maestro, y propusimos un método de destilación conjunta que permite una destilación más eficiente bajo esta relación de compresión entre los modelos maestro y estudiante. En última instancia, se puede desplegar un modelo de detección de objetivos de alto rendimiento en una forma más ligera para operaciones de campo como patrullas de UAV. Los resultados experimentales muestran que nuestro método logra un mAP del 80.4%, con un conteo de parámetros de solo 0.725 M, proporcionando un fuerte apoyo para tareas futuras como inspecciones de campo con UAV.
Descripción
Las presas en su entorno natural desarrollarán gradualmente grietas y otras formas de daño. Si no se detectan y reparan a tiempo, la resistencia estructural de la presa puede verse reducida e incluso puede colapsar. Reparar grietas y defectos en las presas es muy importante para garantizar su funcionamiento normal. Los métodos de detección tradicionales dependen de la inspección manual, lo que consume mucho tiempo y mano de obra, mientras que los métodos de aprendizaje profundo pueden aliviar en gran medida este problema. Sin embargo, estudios anteriores a menudo se han centrado en cómo detectar mejor los defectos de las grietas, sin que la resolución de las imágenes correspondientes sea particularmente alta. En este estudio, dirigido al escenario de detección en tiempo real por drones, proponemos un método de detección automática de objetivos de grietas en presas directamente en imágenes de teledetección de alta resolución. Primero, para las imágenes de teledetección de alta resolución, diseñamos un método de procesamiento de ventana deslizante y propusimos métodos correspondientes para eliminar cuadros de detección redundantes. Luego, introdujimos una distribución gaussiana en la función de pérdida para calcular la similitud de los cuadros predichos e incorporamos un mecanismo de autoatención en el módulo de agrupamiento espacial para mejorar aún más el rendimiento de detección de objetivos de grietas a diversas escalas. Finalmente, propusimos un esquema de poda después de la destilación, utilizando el modelo comprimido como estudiante y el modelo previo a la compresión como maestro, y propusimos un método de destilación conjunta que permite una destilación más eficiente bajo esta relación de compresión entre los modelos maestro y estudiante. En última instancia, se puede desplegar un modelo de detección de objetivos de alto rendimiento en una forma más ligera para operaciones de campo como patrullas de UAV. Los resultados experimentales muestran que nuestro método logra un mAP del 80.4%, con un conteo de parámetros de solo 0.725 M, proporcionando un fuerte apoyo para tareas futuras como inspecciones de campo con UAV.