基于YOLO模型驱动的输电线路螺栓缺失自动标注算法

吴 斌
广东松山职业技术学院

摘要


针对输电线路螺栓缺失智能标注存在高质量标注数据稀缺、人工标注成本高、远景框失真、近景漏标、难
以适配低资源CPU环境等问题提出基于YOLO模型驱动的输电线路螺栓缺失自动标注算法Y-TLBMAYOLObased Transmission Line Bolt Missing Annotation。首先该算法提出CPU轻量化适配策略CLASCPU Lightweight
Adaptation Strategy通过小批量训练、关闭混合精度等参数优化解决了标注模型依赖GPU、低资源环境部署难
的问题其次提出自适应图像增强策略AIESAdaptive Image Enhancement Strategy通过亮度扰动、尺寸缩放
等数据增强操作解决了样本多样性不足、模型泛化能力弱的问题最后提出精准标注优化策略PAOSPrecise
Annotation Optimization Strategy通过最小面积优先筛选、远景框自适应修正、单目标约束规则解决了远景框失
真、近景漏标的问题。实验结果验证了该自动标注算法的可行性及相较于传统标注方法的性能优势所提算法能高
效生成标准化标注数据有效支撑输电线路螺栓缺失智能识别模型训练。

关键词


YOLO模型；输电线路；螺栓缺失；自动标注；CPU轻量化；标注优化

全文:

PDF


参考


[1]国家电网有限公司.输电线路智能运维技术指南

[S].北京：中国电力出版社，2023.

[2]Redmon J, Farhadi A. YOLOv8: Real-Time Object

Detection, Segmentation and Classification [J]. arXiv preprint

arXiv:2304.00584, 2023.

[3]Zhang X, Li Y, Wang H. Improved YOLOv7 for

Small Defect Detection in Transmission Lines[J]. IEEE Access,

2024, 12: 56789-56798.

[4]Li Z, Han B, Wu J. Semi-automatic Annotation

System for Transmission Line Inspection Images[J]. Power

System Technology, 2024, 48(7): 2456-2463.

[5]Zhao J, Sun L, Chen H. Scale-Adaptive Annotation

Optimization Algorithm for Transmission Line Bolt

Defects[J]. Computer Engineering, 2024, 50(9): 189-196.


Refbacks

  • 当前没有refback。