Segmentación de instancias de objetos deformables irregulares para monitoreo de operaciones de energía basado en módulo de ponderación de relaciones de múltiples instancias
Autores: Chen, Weihao; Su, Lumei; Lin, Zhiwei; Chen, Xinqiang; Li, Tianyou
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Segmentación de instancias de objetos deformables irregulares para monitoreo de operaciones de energía basado en módulo de ponderación de relaciones de múltiples instancias
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Operación de energía eléctrica
Objetos deformables irregulares
Método de segmentación de instancias
Módulo de ponderación de relaciones de múltiples instancias
Mask Scoring R-CNN
MAP de segmentación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 43
Citaciones: Sin citaciones
La operación de energía eléctrica es necesaria para el desarrollo de empresas de redes eléctricas, donde el monitoreo de seguridad de la operación de energía eléctrica es difícil. Los objetos deformables irregulares comúnmente utilizados en la construcción eléctrica, como cinturones de seguridad y redes, tienen una apariencia geométrica dinámica que conduce al bajo rendimiento de los métodos de detección tradicionales. Este artículo propone un método de segmentación de instancias de extremo a extremo utilizando el módulo de ponderación de relaciones de múltiples instancias para objetos deformables irregulares. Para resolver el problema de introducir información de fondo redundante al usar el detector de caja rectangular horizontal, se utiliza Mask Scoring R-CNN para realizar la segmentación de instancias a nivel de píxel para que la caja delimitadora pueda rodear con precisión los objetos irregulares. Teniendo en cuenta que los objetos deformables en los lugares de trabajo de operación de energía a menudo aparecen con personal de construcción y los objetos tienen una correlación aparente, se propone un módulo de ponderación de relaciones de múltiples instancias para fusionar las características de apariencia y las características geométricas de los objetos para que las características de relación entre los objetos se aprendan de extremo a extremo para mejorar el efecto de segmentación de objetos irregulares. La mAP de segmentación en el conjunto de datos autoconstruido de objetos deformables irregulares para lugares de trabajo de operación de energía eléctrica alcanzó hasta un 44.8%. Con las mismas 100,000 rondas de entrenamiento, la mAP de la caja delimitadora y la mAP de segmentación mejoraron en un 1.2% y 0.2%, respectivamente, en comparación con el MS R-CNN. Finalmente, para verificar aún más el rendimiento de generalización y la practicidad del método propuesto, se diseña un sistema de monitoreo inteligente para las escenas de operación de energía para realizar la implementación y aplicación real del método propuesto. Varios pruebas muestran que el método propuesto puede segmentar bien los objetos deformables irregulares.
Descripción
La operación de energía eléctrica es necesaria para el desarrollo de empresas de redes eléctricas, donde el monitoreo de seguridad de la operación de energía eléctrica es difícil. Los objetos deformables irregulares comúnmente utilizados en la construcción eléctrica, como cinturones de seguridad y redes, tienen una apariencia geométrica dinámica que conduce al bajo rendimiento de los métodos de detección tradicionales. Este artículo propone un método de segmentación de instancias de extremo a extremo utilizando el módulo de ponderación de relaciones de múltiples instancias para objetos deformables irregulares. Para resolver el problema de introducir información de fondo redundante al usar el detector de caja rectangular horizontal, se utiliza Mask Scoring R-CNN para realizar la segmentación de instancias a nivel de píxel para que la caja delimitadora pueda rodear con precisión los objetos irregulares. Teniendo en cuenta que los objetos deformables en los lugares de trabajo de operación de energía a menudo aparecen con personal de construcción y los objetos tienen una correlación aparente, se propone un módulo de ponderación de relaciones de múltiples instancias para fusionar las características de apariencia y las características geométricas de los objetos para que las características de relación entre los objetos se aprendan de extremo a extremo para mejorar el efecto de segmentación de objetos irregulares. La mAP de segmentación en el conjunto de datos autoconstruido de objetos deformables irregulares para lugares de trabajo de operación de energía eléctrica alcanzó hasta un 44.8%. Con las mismas 100,000 rondas de entrenamiento, la mAP de la caja delimitadora y la mAP de segmentación mejoraron en un 1.2% y 0.2%, respectivamente, en comparación con el MS R-CNN. Finalmente, para verificar aún más el rendimiento de generalización y la practicidad del método propuesto, se diseña un sistema de monitoreo inteligente para las escenas de operación de energía para realizar la implementación y aplicación real del método propuesto. Varios pruebas muestran que el método propuesto puede segmentar bien los objetos deformables irregulares.