为了减轻在光伏板表面缺陷检测中由图像噪声和目标过小造成的影响,提出了改进Dn-YOLOv7(de-noising you only look once version 7)算法。该算法结合去噪卷积神经网络(de-noising convolutional neural network,DnCNN),提出了一个降噪模...为了减轻在光伏板表面缺陷检测中由图像噪声和目标过小造成的影响,提出了改进Dn-YOLOv7(de-noising you only look once version 7)算法。该算法结合去噪卷积神经网络(de-noising convolutional neural network,DnCNN),提出了一个降噪模块(de-noise block,DnBlock),该模块使用了噪声容限更大的损失函数,并利用空间坐标卷积(coordinates convolution,CoordConv)对噪声通道进行卷积整合,增强了网络的降噪能力。同时,使用归一化高斯瓦瑟斯坦距离(normalized Gaussian Wasserstein distance,NWD)替代传统交并比(intersection over union,IoU)损失函数,提高了模型对小目标的检测能力。结果表明,改进后的模型具有降噪能力并提高了检测精确率,在无噪声水平下平均精确率均值达到了96.6%,在较强的高斯噪声和脉冲噪声下平均精确率均值分别达到91.4%和85.4%,检测速度达到78.0帧/s。该算法在航拍图像的光伏板缺陷检测中有一定实用价值。展开更多
文摘为了减轻在光伏板表面缺陷检测中由图像噪声和目标过小造成的影响,提出了改进Dn-YOLOv7(de-noising you only look once version 7)算法。该算法结合去噪卷积神经网络(de-noising convolutional neural network,DnCNN),提出了一个降噪模块(de-noise block,DnBlock),该模块使用了噪声容限更大的损失函数,并利用空间坐标卷积(coordinates convolution,CoordConv)对噪声通道进行卷积整合,增强了网络的降噪能力。同时,使用归一化高斯瓦瑟斯坦距离(normalized Gaussian Wasserstein distance,NWD)替代传统交并比(intersection over union,IoU)损失函数,提高了模型对小目标的检测能力。结果表明,改进后的模型具有降噪能力并提高了检测精确率,在无噪声水平下平均精确率均值达到了96.6%,在较强的高斯噪声和脉冲噪声下平均精确率均值分别达到91.4%和85.4%,检测速度达到78.0帧/s。该算法在航拍图像的光伏板缺陷检测中有一定实用价值。
