基于YOLOv5s的轻量化架空输电线路鸟巢检测网络

架空输电线路上的鸟巢侵占会对铁塔上的电力设备造成安全隐患,间接可能影响整个电力系统的稳定运行。针对目前架空输电线路鸟巢检测模型在复杂场景以及小目标场景下检测精度不高,检测效率低,模型复杂等问题。本研究提出一种基于YOLOv5s框架的轻量化架空输电线路鸟巢检测网络。首先在主干部分采用Fasternet重构YOLOv5s特征提取网络,降低模型复杂度,提高运行速度;然后在特征融合网络部分嵌入ConvMixer层,ConvMixer层的结构设计有助于在特征信息中更好的捕捉空间和通道的关系,提升模型对于小目标的检测能力;最后在特征融合网络部分引入ODConv模块,令送入检测头的特征图包含更多有效特征,提高模型对复杂场景和小目标的检测性能。实验结果表明,本文与基线模型YOLOv5s相比,计算量和模型体积分别减少了86%和72%,平均精度均值达到96.4%,检测速度达到104.2帧/s,验证了本文改进模型的有效性和可行性。     

基于改进YOLOv4模型的输电线路杆塔图像缺陷检测方法研究

针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNetV2网络替换CSPDarkNet53网络,提高特征提取速度,在SPP模块中采用平均池化替换最大池化,提高算法对小目标的检测精度,引入注意力机制CBAM增强特征表达。通过试验验证了所提方法的可行性和优越性。结果表明,所提方法与常规检测方法相比,在输电线路杆塔图像缺陷检测中具有更优的检测精度和速度,检测精度达到94.40%,检测速度为60 FPS。所提研究为输电线杆塔缺陷检测方法的发展提供了一定的参考。     

基于改进YOLOv5的输电线路鸟巢缺陷检测方法

鸟巢侵占是输电线路经常发生的一个故障情况。鸟类在铁塔上筑巢将会影响铁塔的绝缘性能，造成跳闸事故的发生。传统的输电线路鸟巢识别方法效率低且安全性不足。为此，本文提出了一种改进YOLOv5模型的输电线路鸟巢检测算法。通过在主干网络中加入CBAM注意力模块，以较小的计算代价提升主干网络的特征提取能力。在颈部网络中引入自适应特征融合模块替换原始结构，加强多尺度特征融合效果。使用更加稳定和平滑的Mish激活函数作为激活函数，以提升分类精度和泛化能力。实验结果表明，相较于原始YOLOv5s模型，改进方法在召回率以及平均精度均值方面分别提升4.4%和2.3%。对于遮挡目标以及远近距离目标均表现出良好的性能，验证了改进方法的有效性。     

改进YOLOv3模型在无人机巡检输电线路部件缺陷检测中的应用研究

针对传统输电线路无人机巡检图像检测方法存在的精度低、计算时间长和训练样本少等问题,提出了一种用于输电线路部件绝缘子缺陷识别的改进YOLOv3模型。引入K-means++算法解决小目标不敏感问题,引入Focalloss函数解决样本不均衡问题,引入Mish激活函数提高模型精度,引入注意力机制Senet提高特征提取性能。通过对改进前后模型性能的比较分析,验证了该方法的优越性。结果表明,与传统的检测方法相比,所提方法在检测速度上能够满足实时检测的需要,且检测精度最优,检测时间为0.079 s,检测平均准确度均值为94.40%。该研究能够满足输电线路无人机巡检图像缺陷自动检测的需要。     

基于注意力机制与跨尺度特征融合的YOLOv5输电线路故障检测EI北大核心CSCD

利用无人机对高压输电线路巡检,并基于计算机视觉技术对巡检数据中的故障目标进行自动、准确检测是输电线路巡检领域中的重要研究方向,同时也是一个极具挑战性的课题。针对复杂巡检环境中待检测目标存在多尺度特性以及部分遮挡造成传统算法难以准确检测问题,提出一种基于注意力机制与跨尺度特征融合的YOLOv5输电线路故障检测算法。首先,搭建YOLOv5检测网络,为了抑制复杂背景干扰,在其基础上引入空间与通道卷积注意力模型,以增强待检测故障目标的显著度;然后,将原始YOLOv5检测框架Neck中的FPN+PAN结构改为BiFPN结构,从而使目标多尺度特征能够有效融合;其次,为了解决待检测目标特征表达能力不足造成漏检和误检的问题,设计多尺度与同尺度特征的自适应加权融合模块,以增强检测网络对遮挡情况下故障目标的检测能力。最后,为了验证提出算法的有效性,利用某巡检部门近4年无人机巡检数据对算法进行验证。结果表明,提出的算法能够对复杂环境中输电线路上的多尺度故障目标实现精确检测,其平均检测精度可达96.8%。     

基于卷积块注意模型的YOLOv3输电线路故障检测方法

针对航拍巡检图像中待检测目标易受复杂背景和部分遮挡影响而造成传统算法难以准确检测的问题,提出一种基于卷积块注意模型的YOLOv3输电线路故障检测方法.首先,在YOLOv3算法框架中融合卷积块注意模型来提升图像中故障目标区域的显著度;然后,通过引入高斯函数对非极大值抑制方法进行改进,降低存在部分遮挡目标的漏检率;其次,采...     

基于深度学习的改进型YOLOv4输电线路鸟巢检测与识别

针对输电线路无人机巡视图像经典鸟巢检测算法权重参数范围大、识别效率低、识别精度低的缺点,提出了一种改进型YOLOv4输电线路鸟巢检测与识别方法。首先,选取Mosaic图像增强技术对图片集进行多种变换,变相增加图片集中的小目标数量。其次,在骨干特征提取网络中,通过引入深度可分离卷积来提高检测网络的速度;在YOLO头中,基于K-means++算法改进锚框的大小和比例,基于最小凸集建立回归损失函数。最后,在PANet和YOLO头之间增加2个SPP模块,进一步增强特征融合能力,提高小目标检测能力。利用某供电局无人机巡检图像制作数据集,将提出的算法与其他目标检测算法进行对比实验研究。实验结果表明,改进后的算法有更高的鸟巢检测准确度和更低的运算开销。     

基于改进YOLOv7的输电线路绝缘子识别检测研究

针对绝缘子目标尺寸小导致检测精度低、误检漏检率高的问题,提出一种基于YOLOv7改进的输电线路绝缘子检测模型。首先,将双支路融合通道注意力机制与主干部分的ELAN模块进行融合,强调重要的通道信息,抑制噪声等无用信息的干扰;其次,在特征融合部分加入局部自注意力机制,使得局部微小区域局部关注度增强;同时,在Neck部分融入BiFPN跨层连接,在增加部分计算量的同时,使得边缘信息得到更好的保留,更利于小目标的检测;最后,以精确度、召回率、平均精度均值等作为评价指标,对采集的数据集进行了消融实验和对比实验。实验结果表明,改进后的网络模型对输电线路绝缘子检测精度为92.1%,相比于传统的YOLOv7网络模型提高3%,并且其平均检测均值、召回率分别提高3.1%、3.6%;同时,改进的模型在各个评估指标上相比YOLOv5-ECA和Faster-R-CNN等均有显著优势,针对输电线路绝缘子检测具有良好效果。     

基于改进YOLOv7的实时输电导线缺陷检测方法

输电导线是电力系统中重要的组成部分,输电导线缺陷将影响电力系统运行。因此提出了基于改进YOLOv7算法的输电导线缺陷检测方法。首先,提出了一种自动扩充数据集的方法,可以使用少量图片建立输电导线缺陷数据集;其次,提出了一种轻量化自注意力主干网络,对YOLOv7的主干网络进行替换,并使用BiFPN进行特征融合。实验结果表明：所提出的改进后的YOLOv7算法将精准度从原本89.4%提升到97.5%;同时,算法将检测速度提升了约60.49%,FPS从原有的52.36帧提升至84.03帧,可以做到对输电线路的实时检测,降低了输电导线缺陷的误检漏检率,提升了检测速度,提高了巡检效率。     

基于改进YOLOv5算法的鸟巢检测方法

深度学习技术的快速发展推动了电力智能安防的自动化进程.电力场景中用于高压电力塔和接触网搭建的复杂钢结构往往成为铁路沿线鸟类筑巢之所,给电力系统安全运行带来了隐患.因此,使用深度学习技术及时发现并清理鸟巢具有重要的实际意义.提出了一种基于改进YOLOv5的鸟巢检测方法,该方法在YOLOv5基础上考虑了鸟巢本身所独有的黑色属性和错综复杂的纹理特性,采用注意力机制强化鸟巢检测过程中对上述特征的学习.同时,根据电力场景中采集的实际鸟巢数据对该方法开展的验证性实验取得了良好的检测效果,算法检测性能达到88.6％,相比其他经典检测算法高1.5％以上.     

基于改进 YOLOv5s 的电力作业人员安全帽 检测算法研究

传统的电力施工现场安全帽检测算法的网络计算复杂度高、在复杂场景下对于远处目标和密集群体存在漏检等问题,提出一种改进后的轻量化YOLOv5s-GCAE算法,主干网络首先用GhostNet网络中的深度可分离卷积GhostConv,以此降低网络的计算量和参数量。其次在特征提取阶段中嵌入CA注意力机制,填补了引入轻量化网络时精度的缺失。引入自适应空间特征融合(ASFF)网络以有效融合多尺度特征,提高模型丰富的语义特征表示使网络更好的适应复杂的电力施工现场。最后引入损失函数EIOU,促使网络专注于高质量的锚点以提升在复杂场景下安全帽检测精度。构建了一个包含开源图片和自行收集的图片共9 326张的安全帽佩戴检测数据集。实验结果表明,该算法的安全帽检测准确率为93.4%,比YOLOv5s算法高2.1%,符合电力场景下安全帽检测的精度要求。     

基于注意力特征融合YOLOv5模型的无人机输电线路航拍图像金具检测方法

无人机采集输电线路航拍图像由于其特殊性,往往背景复杂多变,检测目标存在尺度不一及部分遮挡等问题容易造成检测过程中误检、漏检。本文从特征融合角度出发,提出基于注意力特征融合YOLOv5模型的输电线路金具检测方法。首先,在主干提取网络中引入了具有自注意力机制的AFF-Transformer模块更好的捕获全局信息和上下文信息,提高主干网络特征提取能力。其次,通过在特征融合过程中使用通道空间注意力避免了关键信息丢失。最后,利用双向加权特征融合机制使得模型更有效的将浅层特征和深层特征进行融合,以上改进有效缓解了金具在密集状态下的误检、漏检等问题。通过在自建输电线路金具数据集上进行实验,结果表明：本文提出的方法在原YOLOv5模型的基础上准确率提升了2.7%,模型召回率提高了1.5%,针对于小目标,以及漏检、误检等问题有了较好的改善。     

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。     

基于改进YOLOv5模型的智能变电站目标违规行为检测方法研究

针对目前智能变电站安全智能巡视方法巡视效率低和所耗时间长等问题,在视频监测系统的基础上,提出了一种改进的YOLOv5模型用于智能变电站目标违规行为检测。引入Kmeans++算法解决小目标不敏感问题,引入注意力机制CBAM提高小目标特征占比,引入alpha-IoU损失函数增强对小数据集的鲁棒性。为了验证所提模型的适应性和优越性,对其进行试验分析。结果表明,所提方法与常规方法相比,在多种目标行为检测中具有较高的检测性能,检测准确率为93.80%,检测速度为32.6FPS,满足智能变电站对目标违规行为检测要求。可为智能变电站无人值守提供一定的参考。     

基于改进 YOLOv7 模型的血细胞检测算法研究

在医学上,血细胞计数检测是衡量人体健康与否的重要诊断方法,但是血细胞图像中存在小目标和重叠目标的检测 难点。针对上述问题,提出一种改进的YOLOv7 目标检测算法。通过对原始的 YOLOv7 网络增加全局注意力机制(GAM), 提升网络的感受野,提高对小目标的检测精度;提出融合了加权双向特征金字塔网络(BiFPN) 和递归门控卷积 HorNet 的特 征金字塔 HorNet-BiFPN 结构,利用其高阶空间交互作用增强网络的特征融合能力,实现对红细胞重叠区域的建模,解决对重 叠红细胞的检测问题。实验结果表明,改进的 YOLOv7 模型的检测精确率达到了96.3%,对单张图片的检测时间达到了 74ms, 对图像中的3类细胞均实现了较强的检测效果,达到了医学辅助诊断的合理性。     

基于改进Cascade R-CNN的输电线路多目标检测

针对无人机巡检图像中小目标难以检测、障碍物遮挡目标、正负样本不平衡等问题,提出基于改进Cascade R-CNN的输电线路多目标检测方法.改进了Cascade R-CNN的特征提取网络,基于ResNet101基础网络结构,设计6层新型特征金字塔网络(FPN)与之融合,提高了对小目标、重叠目标的检测能力;引入了高斯形式的...     

改进YOLOv5在电力生产违规穿戴检测中的应用

为了解决现有目标检测系统在电力现场识别中存在的环境复杂、检测物体形状方差过大以及视觉特征辨识性不佳等问题,提出了一种适用于电力现场穿戴识别的目标检测模型。首先,通过在YOLOv5特征提取网络中嵌入非对称卷积模块,从而得到更加具备辨识性及鲁棒性的视觉特征。其次,为了能够在全局背景噪声的影响下自适应地关注与检测物体特征相关性更强的区域,采用全局注意力机制进行上下文信息的建模,改进了视觉信息处理的效率与准确性。最后,通过对比现有的目标检测算法,证明了所提针对YOLOv5改进算法的有效性和优越性。同时,通过消融实验证明了所改进的模块在目标检测模型中的有效性。     

基于改进YOLOv8n的 PCB 缺陷检测算法

针对现有的印刷电路板(PCB) 缺陷检测方法计算量大、小目标缺陷易漏检、检测速度较慢等问题,提出 YOLOv8n- 4SCDP缺陷检测算法。首先,在YOLOv8n 颈部网络增加上采样,融合 Backbone 中浅层语义信息,同时增加微小目标检测层 降低PCB小目标缺陷漏检率;其次,在Backbone 中融入坐标注意力(CA) 机制,强化特征语义和位置信息,提高了模型特征融 合能力;另外,设计密集连接机构,提高模型的缺陷特征利用率,采用PConv对模型进行压缩,既保证了模型的准确性,又大大 减小了模型的尺寸;最后,针对难易样本不平衡的问题,采用线性区间映射法重新定义回归损失函数(Focaler-SIoU),提高模 型收敛速度和回归精度。实验结果表明,YOLOv8n-4SCDP 算法的整体缺陷的平均精度均值(mAP) 达到95.8%,检测帧率达 到了65 fps。有效改善YOLOv8n 对于PCB小目标缺陷漏检率高、检测精度低等问题。     

基于改进YOLOv5的输电线路绝缘子 识别方法

针对输电线路绝缘子识别准确率低、识别花费时间长的问题,提出一种改进的YOLOv5绝缘子识别方法。首先,通过引入超分辨率卷积网络提升数据集中图像样本质量;其次,通过引入k3-Ghost结构替换原始网络BCSP模块中的普通卷积,减少模型主干网络参数量,在主干网络尾部引入SENet注意力模块,加强模型对于通道信息的关注提升目标检测性能;在颈部网络引入DC-BiFPN结构替换原始结构,对不同尺度特征赋予不同权重以使多尺度特征进行更好的融合,提升绝缘子识别效果。最后,使用CIOU作为回归损失函数,加快网络收敛速度。实验结果表明：本文提出的方法在保证绝缘子识别准确率的同时拥有更高的识别速度,检测准确率达到89.5%,检测速度达到35.7FPS,验证了改进方法的有效性。     

基于改进YOLOv5的金属焊缝缺陷检测

为提高工业上焊缝缺陷自动检测与处理的效率,基于深度学习提出一种改进的YOLOv5焊缝缺陷检测方法。针对焊缝样本数据不足的问题,提出一种Mosaic+Mixup的数据增强策略,同时为减少网络的计算量和网络参数量,引入轻量型的GhostNet网络代替YOLOv5主干网络中CSP1模块中的残差模块,并且采用CIOU_Loss作为坐标位置损失提高算法的收敛速度与准确率。最后使用测试集进行焊缝缺陷检测,改进的YOLOv5的平均精度均值（mean Average Precision,mAP）达到96.88%,单张图片检测时间不超过50毫秒,优于传统机器学习算法,能够满足实际工程中对焊缝缺陷的实时性检测要求。