电力巡检中改进YOLOv5s的缺陷检测算法研究

doi:10.3778/j.issn.1002-8331.2309-0468

摘要/摘要

摘要：针对无人机进行电力巡检时关键零件的检测精度较低的问题，提出了一种基于YOLOv5系列的改进型缺陷检测算法。在骨干网络中引入卷积神经网络注意力模块（CBAM）增强网络对特征图中重要信息的提取效率；将YOLOv5s中国PANet特征融合框架替换为双向特征金字塔网络（BiFPN）引入可学习的权重，映射不同的学习特征，增加对贡献较大特征的映射。在空间金字塔池化模块（空间金字塔池，SPP）的基础上加入上下文卷积模块，提升特征的表达能力。通过构建航拍数据集进行实验验证，结果表明，改进后的算法mAP 95.6%、93.7%、93.8%为进一步验证算法在嵌入式系统的运行效果，通过缩小网络宽度进行轻量化，利用张力RT推理引擎，优化了网络结构并加速了模型的推理。将模型加速后部署至Jetson Xavier NX公司平台进行测试，单帧图像平均运行时间为24.6?ms、90.8%、90.5%、Jetson Xavier NX设备上对目标实现精准识别。改进后的模型提高了检测精度，体现了算法的有效性，满足电力巡检作业的实时检测需求。

关键词: 电力巡检, 目标检测, 注意力机制, 特征融合, YOLO公司

摘要：提出了一种基于YOLOv5的改进型缺陷检测算法，以解决无人机电力线检测过程中关键部件检测精度低的问题。该算法在骨干网络中引入了卷积神经网络注意力模块（CBAM），以提高从特征图中提取重要信息的效率。YOLOv5中原有的PANet特征融合框架被双向特征金字塔网络（BiFPN）取代，该网络结合了可学习的权重来映射不同的特征贡献，从而提高了重要特征映射的重要性。此外，在空间金字塔池（SPP）模块的顶部添加了上下文卷积模块，以提高特征表示能力。利用航空摄影数据集进行了实验验证，结果表明，改进后的算法实现了95.6%的mAP，93.7%的准确率，93.8%的召回率。为了进一步验证算法在嵌入式系统上的性能，该模型被加速并部署在Jetson Xavier NX平台上，单帧图像的平均运行时间为24.6？ms的检测准确率为90.8%，召回率为90.5%。此功能允许在Jetson Xavier NX设备上精确识别物体。改进后的模型提高了检测精度，证明了算法的有效性，满足了电力线检测的实时检测要求。

关键词： 电力检查，目标检测，注意机制，特征融合， YOLO公司

王磊, 郝涌汀, 潘明然, 赵慕东, 张永鑫, 张茗宇. 电力巡检中改进YOLOv5系列的缺陷检测算法研究[J] ●●●●。计算机工程与应用, 2024, 60(10): 256-265.

王磊、郝永亭、潘明然、赵慕东、张永新、张明宇。基于YOLOv5s改进的电力检测缺陷检测算法[J]。计算机工程与应用，2024，60（10）：256-265。

参考文献

[1] 杨磊，范杰，刘毅，等。最新电力线路检测技术综述[J]。IEEE仪器和测量汇刊，2020，69（12）：9350-9365。
[2] KATRASNIK J，PERNUS F，LIKAR B.配电线路检测用移动机器人综述[J]。IEEE电力传输汇刊，2010，25（1）：485-493。
[3] NGUYEN V N，JENSSEN R，ROVERSO D。基于视觉的电力线自动检测：深度学习的现状和潜在作用综述[J]。国际电力与能源系统杂志，2018，99:107-120。
[4] MATIKAINEN L，LEHTOMAKI M，AHOKAS E，等.电力线走廊调查的遥感方法[J]。Isprs摄影测量与遥感杂志，2016，119:10-31。
[5] SIDDIQUI Z A，PARK U。基于无人机的传输线元件深度学习检测系统[J]。能源，2020，13（13）：3348。
[6] 王S，刘毅，青毅，等.用改进的ResNeSt和区域建议网络检测绝缘子缺陷[J]。IEEE接入，2020，8:184841-184850。
[7] 梁浩，邹C，魏伟.基于深度学习的输电线路缺陷检测与评估方法[J]。IEEE接入，2020，8:38448-38458。
[8] YAN T，YANG G，YU J.基于特征融合的绝缘子航空检测[C]//2017年第36届中国控制会议论文集，2017:10972-10977。
[9] 王万国, 田兵, 刘越, 等. 基于RCNN公司的无人机巡检图像电力小部件识别研究[J] ●●●●。地球信息科学学报, 2017, 19(2): 256-263.
王伟国，田B，刘Y，等。基于区域卷积神经网络的无人机图像电气设备检测研究[J]。《地理信息科学杂志》，2017，19（2）：256-263。
[10] REDMON J，DIVVALA S，GIRSHICK R，et al.你只看一次：统一的实时对象检测[C]//2016年IEEE计算机视觉和模式识别会议论文集，2016:779-788。
[11] REDMON J，FARHADI A.YOLO9000:更好，更快，更强[C]//2017年IEEE计算机视觉和模式识别会议论文集，2017:6517-6525。
[12] SADYKOVA D，PERNEBAYEVA D，BAGHERI M，et al.IN-YOLO:使用无人机成像实时检测户外高压绝缘子[J]。IEEE电力输送汇刊，2019，35（3）：1599-1601。
[13] WOO S，PARK J，LEE J Y，等。CBAM:卷积块注意模块[C]//第15届欧洲计算机视觉会议论文集。查姆：施普林格，2018年。
[14] 吴涛. 基于深度学习的航拍绝缘子缺陷检测研究[D] ●●●●。大连: 大连理工大学, 2023.
WU T.基于深度学习的架空绝缘子缺陷检测研究[D]。大连：大连理工大学，2023年。
[15] SAN J，WANSHOU J，WEI H，等.基于无人机的斜角摄影测量在输电线路室外数据采集和非现场目视检测中的应用[J]。遥感，2017，9（3）：278。

电力巡检中改进YOLOv5系列的缺陷检测算法研究

基于YOLOv5s改进的电力检测缺陷检测算法

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

编辑推荐

韵律学

[1]	张洋宁, 朱静, 董瑞, 尤泽顺, 王震.多层级信息增强异构图的篇章级话题分割模型[J] ●●●●。计算机工程与应用, 2024, 60(9): 203-211.
[2]	陶林娟, 华庚兴, 李波.基于位置增强词向量和GRU-CNN（美国有线电视新闻网）的方面级情感分析模型研究[J] ●●●●。计算机工程与应用, 2024, 60(9): 212-218.
[3]	江结林, 朱永伟, 许小龙, 崔燕, 赵英男.混合特征及多头注意力的中文短文本分类[J] ●●●●。计算机工程与应用, 2024, 60(9): 237-243.
[4]	车运龙, 袁亮, 孙丽慧.基于强语义关键点采样的三维目标检测方法[J] ●●●●。计算机工程与应用, 2024, 60(9): 254-260.
[5]	丁文华, 杜军威, 侯磊, 刘金环.基于生成对抗网络的时尚内容和风格迁移[J] ●●●●。计算机工程与应用, 2024, 60(9): 261-271.
[6]	李钟华, 林初俊, 朱恒亮, 廖诗宇, 白云起.基于结构感知和全局上下文信息的小目标检测[J] ●●●●。计算机工程与应用, 2024, 60(9): 292-298.
[7]	庄俊玺, 王琪, 赖英旭, 刘静, 靳晓宁.基于三元深度融合的行为驱动成绩预警模型[J] ●●●●。计算机工程与应用, 2024, 60(9): 346-356.
[8]	廉露, 田启川, 谭润, 张晓行.基于神经网络的图像风格迁移研究进展[J] ●●●●。计算机工程与应用, 2024, 60(9): 30-47.
[9]	史涛, 崔杰, 李松.优化改进YOLOv8公司实现实时无人机车辆检测的算法[J] ●●●●。计算机工程与应用, 2024, 60(9): 79-89.
[10]	窦智, 高浩然, 刘国奇, 常宝方.轻量化YOLOv8公司的小样本钢板缺陷检测算法[J] ●●●●。计算机工程与应用, 2024, 60(9): 90-100.
[11]	石洋宇, 左景, 谢承杰, 郑棣文, 卢树华.多尺度融合与FMB YOLOv8异常行为检测方法[J] ●●●●。计算机工程与应用, 2024, 60(9): 101-110.
[12]	王茹, 刘大明, 张健.穿戴-YOLO：变电站电力人员安全装备检测方法研究[J] ●●●●。计算机工程与应用, 2024, 60(9): 111-121.
[13]	欧阳博, 朱勇建, 杨礼康, 王本源.FA-SORT公司：轻量化的多车辆跟踪算法[J] ●●●●。计算机工程与应用, 2024, 60(9): 122-134.
[14]	蔡腾, 陈慈发, 董方敏.结合变压器和动态特征融合的低照度目标检测[J] ●●●●。计算机工程与应用, 2024, 60(9): 135-141.
[15]	潘玮, 韦超, 钱春雨, 杨哲.面向无人机视角下小目标检测的YOLOv8s公司[J] ●●●●。计算机工程与应用, 2024, 60(9): 142-150.