基于YOLOv5算法的无人机电力巡检快速图像识别

针对图像识别算法硬件资源消耗大、识别速度慢的问题,基于YOLOv5算法设计了专用于电力巡检无人机的绝缘子目标检测模型。对算法中卷积操作模块和残差模块进行了改进,通过增加卷积层数来加深算法的学习深度。为了提高训练速度,采用多次循环神经网络训练法实现了对数据集的学习训练。模型的单张图片识别速度最快为0.061 s,绝缘子识别精度最高达到98.9%。结果表明,在消耗较少硬件计算资源的前提下,该模型可以直接对航拍采集到的图像进行处理,实现快速识别,可以满足电力无人机巡检过程中图像实时处理的要求。

基于YOLOv5的绝缘子图像识别算法轻量化改进研究

为解决传统神经网络图像识别模型无法在无人机等微型嵌入式设备有效部署的问题,基于YOLOv5算法提出一种针对无人机嵌入式平台的电力巡检绝缘子图像轻量化识别算法。以ShuffleNetV2为骨干网络,并使用深度可分离卷积替换传统卷积减少参数量,降低算法对物理内存的需求。同时针对绝缘子特征对图像预处理部分进行改进,使用PeleeNet网络中的Stem结构代替Focus结构,加快训练速度,减轻嵌入式平台CPU的计算压力。另外,在残差网络中引入Transformer注意力机制,提高算法对遮挡目标的提取能力。所提算法能够在支持Arm架构的树莓派4B+平台部署,检测准确率可达91.6%,对遮挡绝缘子检出率能达到96%。处理尺寸为640×640的单张图片平均检测时间0.97 s。