A Small Object Real-Time Detection Method for Power Line Inspection in Low-Illuminance Environments
Notice bibliographique
Résumé
Power inspection in low-illuminance environments is of great significance for ensuring the all-weather stable operation of the power system. However, low visibility at night seriously interferes with the detection performance of small-sized power devices. In response to the issue, we propose a small object real-time detection method for power line inspection in low-illuminance environments. We design an adaptive transformer-ISP (ATISP) module, in which the optimal parameter regression module generates hyperparameters by sensing input image features to guide the image signal processors (ISPs) to perform image enhancement. With the advantage of ISPs, the ATISP has the advantages of fast inference speed and less training cost. Furthermore, the optimal parameter regression module extracts local features and long-distance dependencies through CNN and Transformer to be able to more fully perceive the input image, so that the generated hyperparameters better enhance image defects. In addition, we use lightweight neural network MobileNetv3 to improve YOLOv7, so that the algorithm maintains excellent small object detection performance while significantly increasing the detection speed. Moreover, the integrated model optimisation uses only the object detection loss functions, which allows ATISP to perform image enhancement just according to the object detection needs, improving small object detection effect and shortening the inference time of ATISP. In extensive experiments, compared with 9 state-of-the-art object detection algorithms, our algorithm has the best small-scale insulator faults detection precision (mAP:75.38$\%$) in our DIFE, best small object detection precision (mAP:56.31$\%$) in public dataset Exdark, and faster detection speed (FPS:98.81 and 97.53), which prove our method can achieve fast and accurate low-illuminance insulators detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».