基于改进YOLOv5s的电厂捞渣机状态异常检测

针对电厂生产作业现场光照条件受限、背景复杂这一现状，为了保障捞渣机的安全高效运行，提出了一种改进YOLOv5s的捞渣机异常状态检测方法。该方法主要是在YOLOv5s网络的基础上，引入ShuffleNet替换原有的主干网络，通过减少网络参数来实现网络的轻量化；同时在ShuffleNet中加入改进的卷积注意力模块，通过串联空间和通道注意力机制，对捞渣机刮板目标特征给予更多的关注；引入加权双向特征金字塔BiFPN和边框回归损失SIoU函数获取特征信息更为有效的特征图提升目标检测精度。研究结果表明，改进后的模型参数量显著减少，模型体积减小了15.2%，平均精确率均值mAP提升了2.2%，检测时间下降了58.0%。在确保检测准确率的同时，实现了对捞渣机异常状态的实时准确检测。