基于改进Cascade R-CNN的两阶段销钉缺陷检测模型

摘要：

无人机在输电线路巡检过程中会拍摄大量图片,自动识别无人机拍摄图片中存在的部件缺陷是无人机巡检的重要环节.其中销钉的缺陷由于目标较小且需要依赖上下文信息才能正确判断,识别难度较大.针对上述问题,提出了一种两阶段的销钉缺陷检测模型.首先使用Faster R-CNN (regin convolutional neural networks)模型提取出原始图像中的连接部位,再对提取出的每个连接部位进行缺陷识别.缺陷识别模型使用改进的Cascade R-CNN,该模型使用层级残差卷积模块代替骨干网络中的3×3卷积并使用路径聚合特征金字塔(PAFPN)代替原始网络中的特征金字塔结构,能够有效提取图片中的多尺度特征和上下文信息.最后将级联检测器的最后一级替换为double-head检测器,减少模型误报.实验结果表明,模型对销钉缺失及销钉脱出两类缺陷的平均识别精度能够达到81.2％,与原始的Cascade R-CNN相比提升了7.8％.

关键词：无人机巡检;销钉缺陷;目标检测;深度学习;Cascade R-CNN

所属期刊栏目：21

分类号：TP391.4(计算技术、计算机技术)

资助基金：江苏方天电力技术有限公司科技项目KJ201915

在线出版日期：2021-10-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：6373-6379