基于Transformer技术改进的Yolov5鸟巢识别算法研究

基于高密度遮挡下鸟巢识别正确率低的问题,提出一种基于Transformer技术改进的Yolov5变电站鸟巢识别算法模型。首先将现有Yolov5算法原本的Yolo预测头(Yolo Prediction Heads)替换为Transformer预测头(Transformer Prediction Heads,TPH),同时,为了提高对小物体的检测能力新增了一个预测头。然后嵌入卷积注意力模块(Convolutional Block Attention Module,CBAM),提取注意区域,以抵制干扰信息,关注有用的目标对象。最后利用CSPDarknet53结构设计思想,提取最终的特征图,经CSP模块将输出的特征图进行快速降维。实验结果表明,对比Yolov5算法,TPH-Yolov5算法的mAP(Meanaverage Precision)值提高了15.7%。

基于改进蚁群算法的变电站运维机器人路径规划方法设计

大型变电站内部空间较大,并安装有类型多样的电力设备,导致其维护管理工作负担较重。运维机器人能够自动完成设备巡检,承担一定量的检查任务。蚁群算法用于帮助机器人规划运行路径,但其在实践中表现出缺陷,主要问题为初始搜索阶段缺乏有效的信息素、算法收敛时间较长、易产生局部收敛。研究过程中对传统的蚁群算法进行了改进,重点优化其路径选择模型、启发信息以及搜索方式。经仿真检验,改进后的算法能够有效缩短算法运行时长和路径长度。