GD-DAMNet:基于无人机的实时空中电线存在识别使用轻量级知识蒸与Mamba-GhostNet v2和双重注意力
Shuyu Sun1, Yingnan Xiao1, Gaoping Li2
1College of Engineering & Technical, Chengdu University of Technology, Leshan 614000, China.
Entropy (Basel, Switzerland)
|February 27, 2026
概括
本研究引入了一种用于无人机 (UAV) 实时检测电力线路的新方法. 该系统使用了改进的GhostNet v2模型,实现了超过91.4%的准确性,以实现更安全的无人机导航.
科学领域:
- 机器人和自动化 机器人和自动化
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
背景情况:
- 无人驾驶飞行器 (UAV) 在城市和农村环境中面临来自电力线路障碍的重大飞行安全风险.
- 现有的无人机导航系统需要增强障碍探测能力,以确保可靠运行.
研究的目的:
- 为无人机开发一种新的实时电力线存在识别系统.
- 通过先进的检测技术,提高无人机飞行的安全性和稳定性.
主要方法:
- 通过数据清理,增强和细分,创建了一个专门的无人机电线数据集.
- 一个双重注意力机制卷积神经网络 (CNN) 使用SGD优化器和Hard-Swish激活被开发和训练.
- 知识蒸将CNN的知识转移到Mamba增强的GhostNet v2中,以实现高效的,可移动部署的实时识别.
主要成果:
- 拟议的方法在不同地区实现了实时电线识别准确度超过91.4%.
- 双重注意力机制在提高CNN对此任务的性能方面被证明是有效的.
- 知识蒸成功地减少了模型参数,同时保持了高精度.
结论:
- 开发的系统为实时无人机电线识别提供了坚实的技术基础.
- 改进的GhostNet v2模型证明了它适合在无人机上部署移动设备.
- 这一进步有助于在遥感领域实现更安全,更广泛的无人机应用.
