目录
第1章绪论
1.1研究背景与意义
1.2国内外研究现状
1.2.1电力线提取研究现状
1.2.2绝缘子识别研究现状
1.2.3输电线路异物检测研究现状
1.2.4烟支缺陷检测方法研究现状
1.3目标检测算法的鲁棒性研究
1.4主要研究内容
参考文献
第2章基于深度学习的目标检测相关理论
2.1卷积神经网络
2.1.1神经网络
2.1.2卷积神经网络原理
2.1.3卷积神经网络的训练过程
2.2目标检测算法
2.2.1双阶段目标检测算法
2.2.2单阶段目标检测算法
2.2.3基于迁移学习的目标检测算法
2.3目标检测性能评价指标
2.4本章小结
参考文献
第3章基于改进的Deeplabv3+网络的电力线提取研究
3.1Deeplabv3+基础网络
3.1.1编码器解码器结构
3.1.2Xception主干网络
3.1.3深度可分离卷积
3.1.4ASPP模块
3.2改进的Deeplabv3+网络
3.2.1改进的轻量化Mobilenetv2网络
3.2.2改进ASPP模块
3.2.3提出CASEB模块
3.2.4引入CBAM
3.3实验过程
3.3.1数据集来源
3.3.2数据增强
3.3.3实验环境
3.3.4评价指标
3.4实验结果与分析
3.4.1消融实验
3.4.2模型训练稳定性实验
3.4.3主流算法对比实验
3.5本章小结
参考文献
第4章基于改进的YOLOv7网络的绝缘子识别研究
4.1YOLOv7基础网络
4.2改进的YOLOv7网络
4.2.1添加ECA模块
4.2.2引入BiFPN模块
4.2.3替换上采样算子
4.2.4K均值算法聚类
4.3实验过程
4.3.1数据集来源及扩充
4.3.2实验环境
4.3.3评价指标
4.4实验结果与分析
4.4.1消融实验
4.4.2模型稳定性实验
4.4.3主流算法对比
4.4.4可视化结果对比
4.5本章小结
参考文献
第5章基于改进的YOLOv5输电线路异物检测算法
5.1目标检测概述
5.2基于深度学习网络的目标检测算法研究
5.2.1Faster R-CNN目标检测算法
5.2.2SDD目标检测算法
5.2.3YOLO目标检测算法
5.3基于改进的YOLOv5输电线路异物检测
5.3.1基于YOLOv5网络的目标检测算法
5.3.2改进主干网络的YOLOv5算法
5.3.3融入SENet注意力机制的YOLOv5算法
5.3.4改进多尺度融合的YOLOv5算法
5.4实验过程
5.4.1实验环境
5.4.2实验数据及其预处理
5.4.3评价指标
5.5实验结果与分析
5.6本章小结
参考文献
第6章基于改进的YOLOv5异物检测算法鲁棒性研究
6.1样本的生成方法
6.1.1FGSM算法
6.1.2BIM算法
6.1.3PGD算法
6.1.4基于热重启机制的PGD算法
6.2基于数据漂移鲁棒性的研究方法
6.2.1数据重采样方法
6.2.2有监督的样本学习方法
6.2.3无监督的样本学习方法
6.2.4基于多尺度特征融合的自监督学习方法
6.3实验结果与分析
6.3.1鲁棒性能评价指标
6.3.2输电线路异物检测算法对抗攻击实验分析
6.3.3基于输电线路异物检测算法漂移鲁棒性实验分析
6.4本章小结
参考文献
第7章基于深度学习的烟支空稀头缺陷检测算法
7.1基于改进的YOLOv5s烟支空稀头缺陷检测算法
7.1.1YOLOv5s模型
7.1.2基于双向CGhost-YOLOv5s算法
7.1.3实验结果与分析
7.2基于改进的YOLOv7烟支空稀头缺陷检测算法
7.2.1基于全维注意力机制的Re-YOLOv7算法
7.2.2实验结果与分析
7.3本章小结
参考文献
第8章烟支空稀头缺陷检测管理系统设计与实现
8.1烟支空稀头缺陷检测管理系统概述
8.1.1软硬件环境配置
8.1.2系统开发工具介绍
8.2烟支空稀头缺陷检测管理系统的总体设计
8.2.1功能需求分析
8.2.2系统结构设计
8.3烟支空稀头缺陷检测管理系统的功能实现
8.4烟支空稀头缺陷检测管理系统的测试与分析
8.5本章小结
第9章基于改进的YOLOv7-tiny算法的吸烟目标检测研究
9.1本章算法
9.1.1YOLOv7-tiny算法
9.1.2SGEN-YOLOv7-tiny网络模型
9.1.3改进的EMA注意力机制
9.2S-GD机制
9.2.1Slim-Low-GD模块
9.2.2High-GD模块
9.2.3改进的信息注入模块
9.2.4改进的VoV-GSCSP模块
9.3损失函数NWD
9.4实验过程
9.4.1实验环境及参数
9.4.2数据集
9.4.3性能指标
9.4.4对比实验
9.4.5消融实验
9.5实验结果与分析
9.6本章小结
参考文献
