基于改进YOLOv5s的焦炉烟火识别算法

针对炼焦厂烟火排放全天候环保监测的要求,提出了基于改进YOLOv5s的焦炉烟火识别算法;该算法以YOLOv5s为基础网络,在主干网络Backbone中添加CBAM注意力机制模块,使网络更加关注重要的特征,提升目标检测的准确率;新增FReLU激活函数代替SiLU激活函数,提高激活空间的灵敏度,改善烟火图像视觉任务;在自建数据集中烟、火样本标签基础上,增加灯光标签来解决强灯光对火焰识别的干扰,并通过分流训练、检测的方式来解决昼夜场景的烟火检测问题;在自建数据集上做对比实验,更换激活函数后,联合CBAM模块的YOLOv5s模型效果最佳;实验结果显示,与原始YOLOv5s模型相比,在白天场景下的烟火识别mAP值提升了6.7%,在夜间场景下的烟火识别mAP值高达97.4%。     

基于深度学习的配电柜指针仪表示值识读研究

为准确读取配电柜指针式仪表的示值,保证巡检机器人作出相应决策,提出一种结合改进YOLOv5和PSPNet模型的指针仪表检测及示值识读方法;首先利用主干网络替换为轻量化网络MobileNetv3的YOLOv5算法检测定位表盘区域;然后采用特征提取网络替换为MobileNetv2的PSPNet算法对表盘的刻度线区域和指针进行分割,并通过最小二乘法圆拟合和霍夫直线检测法得到指针回转中心及指针的偏转角度;最后结合指针偏转角度和相邻主刻度线与回转中心连线的偏转角度,通过公式法求取仪表示值;实验结果表明,该算法能够准确提取配电柜上的指针仪表表盘,并对表盘中的刻度和指针进行精准分割,在误差允许的范围内指针仪表示值识读相对误差最大为6.5%,满足实际工程应用的需求。