应用于绝缘子缺陷检测的轻量化YOLOv4研究

针对YOLOv4主干网络庞大、参数量多,应用于绝缘子缺陷检测中无法满足实时性要求的问题,提出一种轻量化的YOLOv4检测模型。首先,引入含ECA集成组件的GhostNet作为特征提取网络,保证特征提取能力的同时大幅减少模型参数,加快模型推理速度。其次,使用K-means++聚类算法确定出初始锚框尺寸,以适应绝缘子缺陷大小,提升缺陷定位精度。最后,在交叉熵损失函数的基础上引入Quality Focal Loss改进损失函数,进一步提升模型检测性能。实验结果表明,改进后的轻量化YOLOv4与原始YOLOv4相比,模型大小压缩至原来的62.47%,每秒帧率提升了68.83%,绝缘子缺陷检测的准确率提升了1.07%,在显著提升检测速度的同时保证了算法检测精度,且在小目标和复杂背景下表现突出。     

基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法

随着输电线路无人机巡检工作的常态化,暴露出故障图像检测实时性、模糊目标检测精准性难以满足实际工作需求的问题。文章提出一种基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法。以YOLOv5s为基础检测模型,基于Ghost轻量化模块重构模型获取数据特征的卷积操作过程,提高了模型的检测速度;采用基于KL散度分布的损失函数作为目标框定位损失函数,提升了模型对模糊图像检测的精度。将改进的YOLOv5s算法部署于华为Atlas 200 DK边缘模块中,对绝缘子自爆、防震锤脱落、鸟巢3类故障进行检测,其平均精度均值可达84.75%,检测速度为34 frame/s。结果表明,改进的算法在保证检测实时性的同时,能够提升对模糊故障目标图像的检测精度,满足无人机搭载边缘设备的输电线路巡检需求。     

基于改进YOLOv4-Tiny算法的绝缘子缺陷检测

为了实现恶劣天气条件下的绝缘子缺陷的实时检测,提出了一种改进的YOLOv4-Tiny绝缘子缺陷检测算法。通过对收集到的绝缘子数据集增加雨雪雾特效以及随机添加运动模糊进行数据集扩充,引入Focal Loss和EIOU设计检测器的损失函数,提高模型分类与回归精度,并在原始模型基础上嵌入一种轻量型的坐标注意力机制,以增强模型对检测目标位置的敏感性。实验结果表明,改进后的算法较原算法均值平均精度(mAP)提升了4.04%,同时该算法具备一定的实时检测能力。此外,改进后的YOLOv4-Tiny算法在恶劣天气下的绝缘子检测任务中具有良好的性能。     

定向识别航拍绝缘子及其缺陷检测方法研究

针对现有绝缘子检测算法无法定向检测绝缘子及其缺陷的问题，提出了一种改进YOLOv5(you only look once v5,YOLOv5)算法的航拍绝缘子识别及其缺陷检测方法。通过定向标注航拍绝缘子图片，形成航拍绝缘子数据集和缺陷绝缘子数据集；在YOLOv5的主干特征提取网络引入轻量化注意力机制模块、在特征融合阶段使用改进的空间金字塔池化结构；通过改进YOLOv5网络的头部结构使其可以对绝缘子进行定向识别，并对损失函数添加角度损失分类。实验结果表明在检测时间由单张0.044 s到单张0.049 s并无显著增长的前提下，改进后的算法在测试集上的mAP(mean average precision)的值为95.00%,实现了定向识别绝缘子及其漏帽缺陷，还可应用到绝缘子视频流检测。为后续的绝缘子精确定位以及进一步故障检测打下良好基础。     

基于改进YOLO的绝缘子缺陷检测算法

针对绝缘子缺陷检测任务中,由于绝缘子缺陷部分在画幅中占比小、绝缘子易被遮挡、输电线路背景复杂等原因导致陷识别准确率低的问题,提出了一种基于改进YOLO的绝缘子缺陷检测算法。首先,在YOLOv7模型的基础上设计一个小目标检测层,使其更准确地进行小目标检测任务;其次,在模型中引入SimAM注意力机制,提高模型对绝缘子及其缺陷的关注度,提升模型检测性能;最后,选择SIoU Loss作为模型的损失函数,加快网络的收敛速度,降低其损失值。实验结果表明,改进后算法精度相较基准模型由84.9%提升至90.2%,损失值由2.23%下降至2.20%,改善了小目标检测精度,为绝缘子检测提供了参考。     

改进 YOLOv5s 的风力涡轮机表面缺陷检测

针对传统方式检测风力涡轮机表面缺陷时出现的精度不足、泛化性较差问题,提出了一种改进YOLOv5s的风力涡轮机表面缺陷检测模型。在网络结构方面,首先在主干特征提取网络引入改进的MobileNetv3网络,用于协调并平衡模型的轻量化和精度关系;其次采用BiFPN式的融合方式,增强神经网络的多尺度适应能力,提高融合速度和效率;最后为轻量化的自适应调节特征权重,运用ECAnet通道注意力机制,进一步提高神经网络的特征提取能力。在损失函数方面,将边框回归的损失函数修改为αIoU Loss,进一步提升了bbox回归精度。实验结果表明,基于YOLOv5s的改进算法可以在复杂环境下快速准确地识别风机表面的缺陷目标,能够满足实时目标检测的实际应用需求。     

基于红外图像检测和改进YOLOv4的高压套管故障识别方法

红外检测是高压外绝缘设备状态在线检测的主要方法之一，为了提高高压套管发热故障红外图像检测的准确率，解决因故障样本较少引起的漏检问题，文中提出了一种基于改进型YOLOv4的故障识别方法，可实现对套管发热区域的高效定位与识别，具有很好的工程应用前景。对YOLOv4算法进行的改进主要包括：首先，将通道注意力机制SE(Squeeze and Excitation)模块插入特征提取网络中的残差模块中，以加强网络对特征信息的提取；其次，分别使用EIoU Loss和Focal Loss取代原模型的边界框回归损失与置信度损失，以提高损失函数的回归精度以及对数据集中困难样本的识别准确率，从而有效减少漏检发生的概率。实验与测试结果表明，所提方法与改进前相比平均精度提高了5.61%，对数据集中更难被识别的故障样本的精确度提升了8.57%。     

基于注意力机制的交通标志识别

针对实际场景中的交通标志大多小而密集,导致小目标交通标志识别准确度较低的问题,提出一种改进YOLOv5算法。首先将CBAM同时嵌入YOLOv5网络的Backbone和Head部分,以提升网络特征提取能力。其次为解决GIoU Loss可能造成的模型收敛速度较慢问题,改用DIoU Loss作为网络回归损失函数。实验结果表明,改进后的算法对于交通标志图像的识别平均准确率达到96.40%,相较于原算法有了6.83%的提升。最后为验证模型的实时可行性,在TX2嵌入式系统中利用本文改进YOLOv5算法对实景视频中的交通标志进行识别,结果表明本文改进算法能在嵌入式系统中流畅运行。     

融合非对称卷积的遥感图像目标检测算法

遥感图像中的目标具有背景复杂、方向多变等特点。利用传统方法进行遥感图像目标检测过程复杂且费时，存在精度低，漏检率高等问题。针对以上问题，提出一种改进的YOLOv5-AC算法，该算法以YOLOv5s模型为基础，首先在原有的Backbone中构建非对称卷积结构，增强模型对翻转和旋转目标的鲁棒性；其次在主干网络的C3模块中引入坐标注意力机制提升特征提取能力，并使用Acon自适应激活函数激活；最后使用CIOU作为定位损失函数以提升模型定位精度。改进后的YOLOv5-AC模型在NWPU VHR-10和RSOD数据集上进行实验，平均精确度均值分别达到了94.0%和94.5%，分别比原版YOLOv5s提升了1.8%和2.3%，有效提高了遥感图像目标检测精确度。     

基于改进 YOLOv5 的港口集装箱损伤检测算法

针对港口复杂环境背景下,不同尺度间多种类集装箱损伤目标检测精度低的问题,提出一种基于改进YOLOv5的港口集装箱损伤检测算法。通过使用一维卷积改进卷积块注意力机制(CBAM)中空间注意力模块的池化操作,后设计残差结构,并验证在不同位置引入改进的CBAM基本块对模型性能的影响,探索尽量减小复杂背景对检测结果影响的最佳方案及融合位置;为有效解决不同集装箱损伤图像尺度特征变换较大的问题,依据双向特征融合网络(Bi-FPN)结构思想,对颈部特征融合网络进行改进,在不过多增加计算量的情况下,更好地增强网络对多尺度目标的特征融合能力;最后将EIOU Loss替换GIOU Loss作为算法的损失函数,在降低算法边界框回归损失的同时提高算法的检测精度。实验结果表明,改进YOLOv5算法的平均检测精度达到了98.32%,较原YOLOv5目标检测算法提高了4.28%,同时保证了检测速度,验证了所提出算法的有效性,对港口企业高精度验箱的工业部署有重要意义。