基于秩分解和强语义信息融合的电力巡检算法 |
| |
引用本文: | 刘丹丹,梁爽,季堂煜.基于秩分解和强语义信息融合的电力巡检算法[J].国外电子测量技术,2023(2):16-22. |
| |
作者姓名: | 刘丹丹 梁爽 季堂煜 |
| |
作者单位: | 上海电力大学电子与信息工程学院 |
| |
基金项目: | 中国自然科学基金青年基金(62105196)项目资助; |
| |
摘 要: | 针对现行电力巡检方法对于高似然目标区分能力较差、检测速度较慢等问题,提出TR-YOLOv5模型。在网络第0层引入卷积注意力机制模块(CBAM),加强网络对细粒度特征的提取能力,并在网络最深层借助Transformer注意力进行编码,加强语义信息的传递能力。对于模型残差结构中的3×3卷积进行秩分解,压缩模型的冗余参数量。在特征融合阶段提出GPAN结构,以GSPP控制各尺度的变换,提高特征融合对各尺度信息的融合。在主干网络与同尺度特征融合结构的连接中加强了语义信息的融合,提高模型的检测能力。在模型训练过程中,以边框回归损失函数(SIOU)和CrossEntropy Loss作为IOU和分类损失回归函数提高模型的定位、分类能力。将训练完成的模型采用PyQt进行封装,提高了人机交互体验。实验结果表明,TR-YOLOv5模型检测平均精度值(mAP)达到97.1%,模型浮点运算量减少到3.6 GFLOPs。消融实验与对比试验证明了TR-YOLOv5模型能有效解决电力巡检过程中的前述问题。
|
关 键 词: | 电力巡检 注意力机制 YOLOv5 SIOU 模型封装 |
|
|