针对当前电力工程现场审计工作缺乏数字化手段支撑,难以准确识别设备、材料类型及数量的问题,提出一种单尺度视网膜(single scale retinex,SSR)算法结合改进YOLOv5s(you only look once version 5 small,YOLOv5s)的电力设备智能检查识...针对当前电力工程现场审计工作缺乏数字化手段支撑,难以准确识别设备、材料类型及数量的问题,提出一种单尺度视网膜(single scale retinex,SSR)算法结合改进YOLOv5s(you only look once version 5 small,YOLOv5s)的电力设备智能检查识别方法。首先,使用SSR算法对数据集中低照度的图片进行增强处理,恢复电力设备色彩与表面细节信息;随后,分析电力设备初始锚框机制,将YOLOv5s初始锚框聚类算法改为K-means++算法,使获得锚框更适用于电力设备识别,提高检测精度;接着,在特征提取阶段,采用动态卷积增加目标检测头,增强模型对目标的识别敏感度,可以更加灵活地处理各种不同的目标;最后,针对电力设备边界框定位不准确的问题,修改YOLOv5s中的损失函数为高效交并比(efficient intersection over union,EIoU)损失函数,进一步提高检测电力设备的精度。通过自主创建多样性电力设备采集图像数据集,将增强后的图像与原图像一并加入数据集,进行试验,试验结果表明,该方法能有效地完成电力设备的自动检测与识别任务,实现对电力工程审计典型要素的快速提取,为电力企业工程数智化审计应用提供了技术支撑。展开更多
文摘针对当前电力工程现场审计工作缺乏数字化手段支撑,难以准确识别设备、材料类型及数量的问题,提出一种单尺度视网膜(single scale retinex,SSR)算法结合改进YOLOv5s(you only look once version 5 small,YOLOv5s)的电力设备智能检查识别方法。首先,使用SSR算法对数据集中低照度的图片进行增强处理,恢复电力设备色彩与表面细节信息;随后,分析电力设备初始锚框机制,将YOLOv5s初始锚框聚类算法改为K-means++算法,使获得锚框更适用于电力设备识别,提高检测精度;接着,在特征提取阶段,采用动态卷积增加目标检测头,增强模型对目标的识别敏感度,可以更加灵活地处理各种不同的目标;最后,针对电力设备边界框定位不准确的问题,修改YOLOv5s中的损失函数为高效交并比(efficient intersection over union,EIoU)损失函数,进一步提高检测电力设备的精度。通过自主创建多样性电力设备采集图像数据集,将增强后的图像与原图像一并加入数据集,进行试验,试验结果表明,该方法能有效地完成电力设备的自动检测与识别任务,实现对电力工程审计典型要素的快速提取,为电力企业工程数智化审计应用提供了技术支撑。