4、深度学习与计算机视觉中的方法论介绍

深度学习与计算机视觉中的方法论介绍

1. 深度学习检测DEBC

在电力设施的维护中，高压输电线的检查和维护是一项耗费巨大成本的工作。为了降低这些成本，研究团队开发了一种基于深度学习的系统，该系统能够自动检测死端体组件（DEBC），以便进一步分析由于磨损导致的部件问题。DEBC是一种全张力装置，用于将导体连接到电力线结构上，保持电流流动。它由外铝套筒、四螺栓底座、钢锻件和铝插件组成。

数据准备与增强

为了训练卷积神经网络（CNN），研究团队收集了146张传感器贸易研究中的图像，并通过无人机进行了一次检查飞行，生成了2,437张训练图像。此外，还增加了270张包含绝缘子的训练图像，以提高检测的准确性和精确率。

模型选择与训练

训练过程使用了Faster R-CNN目标检测网络和VGG16模型。Faster R-CNN因其在物体检测领域的高精确率和公开可用性而被选中。所有训练工作都是在Titan X GPU上完成的。训练完成后，卷积神经网络（CNN）在111张航拍检查照片上的准确率达到了83.7%，精确率为91.8%。增加绝缘子后，检测的准确率和精确率分别提高到了97.8%和99.1%。

2. 可穿戴式注视跟踪器：3D视觉注意力映射

人类视觉注意力的研究涉及多个领域，包括心理学、认知、可用性和市场营销。传统的固定设置限制了研究的灵活性，受访者需要坐在装有眼动跟踪设备的显示器前。随着可穿戴移动眼动跟踪器的引入，受访者可以在任何现实世界的三维环境中自由移动，消除了之前的限制。

方法流程

该方法包括三个步骤：
1. 建模三维兴趣区