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%。     

基于改进YOLOv5s的光伏电池EL缺陷图像检测模型

针对光伏电池电致发光(electroluminescence, EL)缺陷图像存在复杂背景干扰、缺陷目标长宽比和尺寸变化大等问题,在YOLOv5s网络的基础上提出一种改进的YOLOv5s-GD检测模型。首先在特征提取层融合GhostNetV2模块,通过聚合本地和远程信息同步,在压缩模型参数量的同时增强模型对缺陷特征的提取能力;其次在特征融合层引入改进的DenseNet密集网络模块,通过特征重用进一步深度融合多级特征并改善信息传递,有效减少缺陷图像检测中漏检误检的情况;最后添加坐标注意力(CA)机制模块,兼顾通道和空间信息进行特征增强,提高了模型对缺陷目标区域的关注程度。与YOLOv5s原网络相比,YOLOv5s-GD检测模型在增长少量参数的情况下mAP@0.5提升了3.3%,mAP@0.5:0.95提升了2.8%。研究结果表明,提出的YOLOv5s-GD检测模型对光伏电池EL缺陷图像可以有效地定位识别,检测精度有了显著的提高,同时检测速度达到75 fps,为实际工业生产环境中光伏电池EL缺陷图像检测提供技术参考。     

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。     

基于超分辨率重建与多尺度特征融合的 输电线路缺陷检测方法

针对输电线路巡检中可能存在拍摄图像质量不高的问题,以及线路缺陷目标小而分布密集而导致传统方法检测精度不高的问题,提出一种基于超分辨率重建与多尺度特征融合的输电线路缺陷检测方法。首先,使用超分辨率网络对巡检图像进行重建,提升清晰度,丰富图像中包含的特征信息;然后使用改进的YOLOX网络检测巡检图像中的缺陷,在主干网络中嵌入卷积块注意力机制,强化模型对重叠小目标的定位能力;为进一步提升小目标的检测能力,在YOLOX的特征融合网络中新增浅层检测尺度进行特征融合;最后,通过使用CIOU优化边界框损失函数提升模型收敛能力,降低缺陷目标的漏检率。实验结果表明,所提方法能在提升巡检图像质量的基础上对输电线路缺陷准确地检测,精度达到93.27%,相比SSD等经典模型,对小而密集的缺陷目标有着更强的提取能力和鲁棒性。     

基于麻雀搜索算法改进的YOLOv7-ECA-SSA 模型的车辆检测

为解决复杂背景下小目标车辆检测存在的误检、漏检等现象,创新性提出一种改进YOLOv7网络的目标检测算法。首先,为解决小目标车辆存在次要信息干扰问题,将高效通道注意力(ECA)机制融于YOLOv7模型的主干网络特征层,通过自适应学习来增强目标区域信息权重占比,抑制无关信息;其次,为解决神经网络检测模型训练的超参数随机经验设定性问题,将麻雀搜索算法(SSA)对检测模型训练超参数进行优化,通过内外双循环迭代方式,快速收敛出全局最优学习率,进而得到最优组的权重信息,最终提高小目标车辆检测精度。实验结果表明,基于结构优化、超参数优化的YOLOv7-ECA-SSA检测模型在BDD100K数据集上的检测精度为79.01%,比原始模型提高了5.38%,具备更好的小目标车辆检测性能。     

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 YOLOv5 网络的带钢表面缺陷检测方法

带钢表面缺陷检测已成为保证带钢生产质量的重要环节之一。 针对当前带钢缺陷检测算法精度有待提高等问题,提出 了一种基于 YOLOv5 网络改进的算法模型 MT-YOLOv5。 首先在主干网络中引入 Transformer 自注意力机制,使主干网络更聚焦 于图像全局特征信息的提取;其次采用 T-BiFPN 网络结构,将 Transformer 层与 BiFPN 网络结构相结合,进一步增强了图像浅层 特征信息与深层特征信息的融合;然后引入改进后的轻量化网络 RepVGG 替换主干网络中的部分卷积层,增强主干网络的特征 提取能力;最后增加预测层,检测不同尺度的目标。 实验结果表明,MT-YOLOv5 算法在 NEU-DET 数据集上的均值平均精度 (mAP)达到了 82. 4%,较原 YOLOv5s 算法提高了 5. 3%,检测速度为 65. 4 fps,更好地均衡了检测速度与检测精度。     

融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法

针对平板陶瓷膜表面缺陷实时检测时存在检测准确率较低的问题,本文提出了一种融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法。通过在原有YOLOv5模型的主干网络中加入坐标注意力机制,建立位置信息和通道之间的关系,从而更准确地获取感兴趣区域。在原始网络的预测网络中融入自适应特征融合机制,提高模型对多尺度缺陷的检测能力。将空洞空间卷积池化金字塔模块替换原始网络中的空间金字塔池化模块,提高卷积核视野获取更多的有用信息。实验结果表明：本文模型平均精度为97.8%,检测帧数为32 FPS,平均精度与原始YOLOv5模型相比提高了5.5%。本文提出的模型在满足平板陶瓷膜缺陷的实时检测条件下,提高了模型的检测准确率,对推动平板陶瓷膜缺陷检测的发展具有一定的参考价值。     

融合特征增强的轻量化罐道缺陷检测算法

为了解决矿井复杂环境下,缺陷特征提取不充分问题,融合特征增强和级联注意力机制提出一种快速智能的罐道缺陷识别算法RDM-YOLOv5,旨在解决人工巡检效率低的现状。首先,为了提高主干网络特征图信息表征能力,设计特征增强模块RLKM,它通过重参数化大内核卷积增强主干网络对目标特征的提取能力,并且有效降低模型参数量;然后,经过主干网络提取到高低层级特征后,由设计的级联注意力机制DCAM进一步挖掘缺陷目标的深层语义信息,显著增强小目标的特征信息;最后,为提升检测精度的同时保障检测网络的轻量化,在特征增强网络中引入轻量级卷积GSConv,在保持模型检测准确性的同时降低计算成本。实验结果表明,相较于YOLOv5s, RDM-YOLOv5的检测精度和速度分别提高3.7%、11.4%,模型参数量减少15.4%。它能基本满足实际应用中精准识别和快速定位罐道表面缺陷的需求。     

基于改进YOLOv5的电力设备检测算法

针对电力设备背景复杂、小目标密集等特点导致无人机智能电力巡检精度低、效果不佳等问题,提出了一种改进YOLOv5的目标检测算法。首先在原模型上增加一层检测层,重新获取锚点框以便能更好地学习密集小目标的多级特征,提高模型应对复杂电力场景的能力;其次对模型的特征融合模块PANet结构进行改进,通过跳跃连接的方式融合不同尺度的特征,增强信息的传播与重用;最后结合协同注意力模块设计主干网络,以聚焦目标特征,增强复杂背景中密集目标区域的显著度。实验结果表明：所提算法的平均精度均值(IoU=0.5)达到97.1%,比原网络检测性能提升了5.6%,有效改善了复杂背景下小目标的错测、漏检现象。     

面向石英坩埚的小气泡检测算法研究

针对石英坩埚气泡检测现有方法实时性差及小目标检测能力不足的问题,提出了一种改进YOLOv5的石英坩埚气泡检测算法YOLOv5-QCB。首先,自建石英坩埚气泡数据集,根据气泡尺寸小且分布密集的特点,减少网络下采样的深度,保留丰富的细节特征信息;同时,在颈部使用空洞卷积以增大特征图感受野,实现全局语义特征的提取;最后,在检测层前添加有效通道注意力机制,增强重要通道特征的表达能力。实验结果表明,相比于原模型,改进后YOLOv5-QCB能有效降低对小气泡的漏检率,平均检测精度从96.27%提升到98.76%,权重缩减了二分之一,能够实现快速、准确检测石英坩埚气泡数量。     

融合 YOLOv5s 与 SRGAN 的实时隧道火灾检测

针对传统隧道火灾检测方法速度慢、误检率高的问题,提出了一种基于 YOLOv5s 的实时火焰检测算法,采用 K-means 重新计算锚框尺寸。 本文提出的 YOLOv5s-SRGAN 融合算法,在 1 326 幅隧道火焰图像中的召回率为 94%,是 YOLOv5s 的 1. 7 倍。 引入了 CBAM 注意力机制模块和梯度均衡机制,分别通过特征提取网络和损失函数提升模型的性能。 与原 YOLOv5s 相 比,火焰检测的平均正确率(IOU= 0. 5)提高了 44%,测试集平均检测速度为 32 FPS。 结果表明,改进后的火焰检测算法对小火 焰目标有了更好的识别效果。     

基于级联网络的散乱堆叠物体分割算法

提出了一种针对处理散乱堆叠物体的改进方法。在 YOLOv5模型中采用了加权双向特征金字塔网络(BiFPN) 替代 路径聚合网络(PANet), 结合 Gfocal损失函数,使得漏检和误检问题得到有效改善,平均精度均值(mAP)mAP@0.5 达到了 90.1%。利用Mask R-CNN进行目标物体分割,使用轻量化的 Mobilenetv3替代 ResNet101 主干网络以减少参数量,同时借 用CFNet 思想加强特征融合机制,使得分割精度提高至92.1%。通过级联改进后的 YOLOv5 和改进后的 Mask R-CNN,算 法在实时性和精确性上得到了平衡,在有效感兴趣区域(region of interest,ROI)中提取准确的物体形状信息。与单独使用实 例分割算法相比,检测速度提升了1 s。实验证明所提出的算法不仅提高了推理速度,还提高了分割精度,解决了复杂堆叠场 景下物体特征提取效果差且检测速度慢的问题。     

基于改进 YOLOv7 的线束缺陷检测研究

针对目前线束端子压接缺陷检测过程中存在检测效率低、误检率高等问题,提出一种基于改进YOLOv7的线束缺陷检测方法。为提高算法的检测精度,在YOLOv7主干网络中添加归一化注意力模块(NAM),加强对检测目标的定位和识别;在颈部构建多尺度的集中特征金字塔网络(CFP),以捕捉不同尺度下的目标信息,加深对图像深层特征的提取;使用SIoU Loss替换CIoU Loss优化训练模型,在加快模型收敛的同时提高预测框的回归精度。实验结果表明,改进后的YOLOv7网络模型准确率达95.8%,召回率达94.5%,均值平均精度达97.6%,与原模型相比分别提高了5.0%、4.8%和3.3%,模型大小90.5 MB,检测时间为48 ms,有效提高了模型的检测精度。最后,使用PyQt5开源框架设计了线束端子压接缺陷检测系统,实现了端子压接缺陷检测的自动化和可视化,提高了缺陷检测效率,可以满足生产企业的需求。     

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。     

基于特征融合的自适应多尺度无锚框目标检测算法

为了提高 CenterNet 无锚框目标检测网络的目标检测能力,提出一种基于注意力特征融合和多尺度特征提取网络的改 进 CenterNet 目标检测网络。 首先,为了提升网络对多尺度目标的表达能力,设计了自适应多尺度特征提取网络,利用空洞卷积 对特征图进行重采样获取多尺度特征信息,并在空间维度上进行融合;其次,为了更好地融合语义和尺度不一致的特征,提出了 一种基于通道局部注意力的特征融合模块,自适应地学习浅层特征和深层特征之间的融合权重,保留不同感受域的关键特征信 息。 最后,通过在 VOC 2007 测试集上对本文算法进行验证,实验结果表明,最终算法的检测精度达到 80. 94%,相较于基线算法 CenterNet 提升了 3. 82%,有效提升了无锚框目标检测算法的最终性能     

融合非对称卷积的遥感图像目标检测算法

遥感图像中的目标具有背景复杂、方向多变等特点。利用传统方法进行遥感图像目标检测过程复杂且费时，存在精度低，漏检率高等问题。针对以上问题，提出一种改进的YOLOv5-AC算法，该算法以YOLOv5s模型为基础，首先在原有的Backbone中构建非对称卷积结构，增强模型对翻转和旋转目标的鲁棒性；其次在主干网络的C3模块中引入坐标注意力机制提升特征提取能力，并使用Acon自适应激活函数激活；最后使用CIOU作为定位损失函数以提升模型定位精度。改进后的YOLOv5-AC模型在NWPU VHR-10和RSOD数据集上进行实验，平均精确度均值分别达到了94.0%和94.5%，分别比原版YOLOv5s提升了1.8%和2.3%，有效提高了遥感图像目标检测精确度。     

基于改进YOLOv4的轻量化目标检测算法

为解决YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测图片的传输帧数低,难以实现工业上的应用普及等问题,提出一种基于YOLOv4改进的轻量化算法SL-YOLO。在原始的YOLOv4网络上进行改进和优化,使用ShuffleNetv2轻量级网络替换YOLOv4原始骨干网络,将SENet模块融入ShuffleNetv2,降低网络计算复杂度,在网络层中加入Swish激活函数,使模型收敛效果更好;同时用简化后的加权双向特征金字塔结构改进原模型的特征融合网络,优化目标检测精度;通过消融实验判定各通道的重要性,对冗余剪枝,将模型进行压缩。在PASCAL VOC和MS COCO数据集上进行对比实验,改进后的模型与原始YOLOv4相比,模型内存减少89.4%,浮点运算量下降88.4%,检测速度提升了近2倍。实验结果表明,改进后的YOLOv4模型能够在保持较高的精度下有效减少模型推理计算量,大大提升模型检测速度。