基于级联网络的输电线路螺栓故障检测

针对输电线路无人机巡检图像中螺栓尺寸小且特征不明显等特点而导致故障螺栓检测精度低、检测速度慢等问题,提出一种NanoDet-YOLOv5-GN级联网络检测系统。其系统整体采用分级检测原则,采用NanoDet网络对巡检图像进行处理、定位,并分割螺栓连接部位,增大螺栓在整体图像中的占比;使用改进的YOLOv5-GN网络对缺陷螺栓进行检测。在改进的YOLOv5-GN网络中,在backbone部分嵌入了CBAM注意力模块,在neck部分引入了gnConv重构颈部网络,在head层新增小目标检测层,强化模型对于小目标特征的提取能力。并采用800幅线路无人机巡检缺销螺栓图像对其进行实验验证和测试,结果表明,所提级联网络检测系统的准确率为94.5%,召回率为91.4%,mAP为76.1%,其检测速度达到平均25.2帧/秒,能够较好地满足无人机巡检速度与精度上的要求。     

基于改进YOLOv5的输电线路多目标检测

针对当前目标检测网络层数加深、参数量和计算量加大，造成实时性差等问题，为了实现对输电线路部件的识别与检测，提出一种基于改进YOLOv5的输电线路多目标检测算法。首先，使用ShuffleNetv2结构作为网络特征提取的主干结构，减少网络的参数量；然后，将PANet网络中的BottleneckCSP改为Light＿CSP模块，加快特征融合的速度；其次，使用CIoU loss、DIoU-NMS方法减少预测框的位置损失和漏检问题。最后，为了验证所提算法的有效性，利用输电线路图像数据集进行训练与测试。结果表明，改进YOLOv5的参数量为7.5×106，浮点计算量为10.9，平均精度达到了87.5%,FPS达到69.2,能够满足输电线路部件检测的精度、轻量化与实时性要求。