[其他资源] 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

[复制链接]

字体大小: 正常放大

杨利霞

5273 主题	82 听众	17万积分

TA的每日心情

	开心 2021-8-11 17:59

签到天数: 17 天

[LV.4]偶尔看看III

网络挑战赛参赛者

自我介绍: 本人女，毕业于内蒙古科技大学，担任文职专业，毕业专业英语。

群组: 2018美赛大象算法课程

群组: 2018美赛护航培训课程

群组: 2019年数学中国站长建

群组: 2019年数据分析师课程

群组: 2018年大象老师国赛优

电梯直达

1^#

发表于 2020-11-9 15:12 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

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

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
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
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
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
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
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
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
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。