基于改进YOLOv5的电力设备检测算法

针对电力设备背景复杂、小目标密集等特点导致无人机智能电力巡检精度低、效果不佳等问题,提出了一种改进YOLOv5的目标检测算法。首先在原模型上增加一层检测层,重新获取锚点框以便能更好地学习密集小目标的多级特征,提高模型应对复杂电力场景的能力;其次对模型的特征融合模块PANet结构进行改进,通过跳跃连接的方式融合不同尺度的特征,增强信息的传播与重用;最后结合协同注意力模块设计主干网络,以聚焦目标特征,增强复杂背景中密集目标区域的显著度。实验结果表明：所提算法的平均精度均值(IoU=0.5)达到97.1%,比原网络检测性能提升了5.6%,有效改善了复杂背景下小目标的错测、漏检现象。     

改进RetinaNet的电力设备目标检测方法

针对电力设备检测中小目标识别精度低的问题,提出一种基于RetinaNet的电力设备目标检测方法。通过K-means聚类方法优化原始网络的锚点框尺寸。然后在特征融合中加入拥有更高分辨率的浅层特征图,解决通过多层卷积后特征图包含信息过少的问题。在此基础上,引入ECA(Efficient Channel Attention)注意力机制,使网络定位电力设备的有效特征,抑制无用特征信息。实验结果表明,相比原始方法,本文方法对于电塔、销钉、工程车、绝缘子、电杆5种电力设备的平均识别精度提升了18.1个百分点,表明改进后的方法能显著提高电力设备的检测水平。