数学建模社区-数学中国
标题:
基于边缘计算和无人机巡检图像的输电杆塔 关键部位隐患智能识别
[打印本页]
作者:
杨利霞
时间:
2020-11-9 15:12
标题:
基于边缘计算和无人机巡检图像的输电杆塔 关键部位隐患智能识别
基于边缘计算和无人机巡检图像的输电杆塔
' n# o! X+ _' ? f: M! x" U. F
关键部位隐患智能识别
! X. P# A+ Q& @7 S
$ c; ^3 E# [% t# {) u
" H1 ]8 o+ t5 b1 S$ ~+ b
目前输电杆塔的隐患识别通常采用无人机拍摄本体图像， 再传输到后台进行分析。 这样不利
0 U" r7 n# k3 A5 i( J8 A( ~4 c
于快速定位隐患位置并及时处理。 同时输电杆塔的缺陷检测和识别主要采用基于深度学习的目标检测
" ?6 b+ j6 }8 W$ {" `
和分类算法， 计算量大， 无人机终端的处理器难以达到实时检测的效果， 对关键部位小微隐患的检测
# ^6 \* L1 k! P* I" X! Z+ K, U3 c
能力不佳。 为了提升无人机在巡检过程中对输电杆塔本体小微隐患检测和分类的准确率和实时性， 提
$ c7 W' J8 }6 k# y6 W
出了利用 FPN（特征金字塔网络）构建 Faster R-CNN（区域卷积神经网络）检测模型的 MGFF-KCD（关键
* e" f3 a: |7 V) n/ l) e0 K& ^
部件检测的多粒度特征融合算法）来处理多个粒度的特征信息， 提高了算法的准确率。 将算法模型在
1 H0 `- H+ x/ Q! J* j }
无人机终端进行实时智能分析， 选取销钉、 绝缘子、 防震锤、 均压环、 鸟巢五类输电杆塔关键部位进
+ [ p# r& Q7 c r' @7 R/ p
行试验， 结果表明， 该算法在华为 Atlas 200 芯片设备上可实现每张 62 ms 的检测速度和 88%的准确率。
& i% w* u, k# Q1 e
9 o% f* q* j: N8 C0 ]
{6 e1 G6 V' V5 g* Z
基于边缘计算和无人机巡检图像的输电杆塔.pdf
2020-11-9 15:12 上传
点击文件名下载附件
下载积分: 体力 -2 点
1.81 MB, 下载次数: 1, 下载积分: 体力 -2 点
欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)
Powered by Discuz! X2.5
