Research on the application of unmanned aerial vehicle multi-view image processing based on computational complexity analysis in the recognition and acceptance of infrastructure line defects
Notice bibliographique
Résumé
For national grid power line infrastructure construction construction, quality management and control can ensure improved safety standards, long-term reliability and cost savings through avoiding rework.In this paper, a high-definition image of a transmission line is collected from multiple viewpoints by a UAV, and a model for recognizing surface defects on infrastructure lines is proposed to reduce the computational complexity to improve the YOLOv8 algorithm.The model uses ResNet50 as the feature extraction backbone network and fuses convolution and attention mechanisms to enhance global and local feature extraction.A multi-scale feature aggregation diffusion module is added to the neck network of the model to enhance the detection of small targets on infrastructure lines.Finally, the classification loss function combined with the PIOU bounding box loss function is introduced to further enhance the recognition accuracy of infrastructure line surface defects.The experimental results show that the mAP of the infrastructure line surface defect recognition model is up to 0.935, which is 2.41% higher than that of the baseline model, and the performance is significantly better than that of some of the current mainstream defect recognition models.Therefore, from the computational complexity, combined with the target detection YOLOv8 algorithm can realize the accurate recognition of surface defects on infrastructure lines, and provide reliable data support for improving the timely repair of grid infrastructure lines.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».