针对无人机在光伏组件巡检任务中红外故障图像识别准确率低、检测速度慢的问题,提出一种特征增强的YOLO v5s故障检测算法。首先对损失函数进行优化,将原有的回归损失计算方法由GIOU(generalized intersection over union)改为功能更加...
详细信息
针对无人机在光伏组件巡检任务中红外故障图像识别准确率低、检测速度慢的问题,提出一种特征增强的YOLO v5s故障检测算法。首先对损失函数进行优化,将原有的回归损失计算方法由GIOU(generalized intersection over union)改为功能更加强大的EIOU(efficient intersection over union)损失函数,并自适应调节置信度损失平衡系数,提升模型训练效果;随后,在每个检测层前分别添加InRe特征增强模块,通过丰富特征表达增强目标特征提取能力。最后,用创建的红外光伏数据集进行对比验证。实验结果表明:本文方法均值平均精度(mean average precision,mAP)为92.76%,检测速度(frame per second,FPS)达到42.37 FPS,其中热斑、组件脱落两种故障类型平均精度分别为94.85%、90.67%,完全能够满足无人机自动巡检的需求。
考虑到高光谱图像训练样本数量有限及高光谱维度对分类精度的影响,提出了一种结合动态卷积和三重注意力机制(TA)的高光谱分类算法。首先,采用主成分分析(PCA)去除光谱冗余,并将处理后的数据输入改进的残差网络中。然后,在残差网络中引入动态卷积,利用动态卷积核提取深度精细化特征,并利用TA模型实现跨维度信息交互,关注更重要的高光谱空间-光谱特征,降低无用信息的影响。最后,使用Softmax全连接层实现对高光谱图像的分类。在Pavia University、Kennedy Space Center、Salinas 3个公开数据集上与其他6种分类算法进行了比较,实验结果表明,所提算法的分类效果最优,总体分类精度分别达到了97.49%、94.21%、98.65%。
暂无评论