一种改进YOLOv5算法的光伏热斑检测方法

热斑的存在会对光伏组串造成损坏,为了提高无人机巡检系统对光伏组串上热斑的识别能力,改进YOLOv5算法来提高对光伏组串上的热斑检测精度和效率。改进主要通过使用Puzzle Mix处理数据集图像增强模型的对小目标的关注,在Backbone引入3D无参SimAM模块来加强热斑在提取特征中的权重并抑制背景干扰权重,并使用CIOU损失函数来获得更精确的训练模型和高精度定位。将改进后的算法在自制热斑数据集上与其他算法进行对比实验,实验结果表明改进后的方对光伏组串热斑的检测能力增强。该方法可以为光伏电站的巡检提供技术参考。

基于改进YOLOv4-tiny的零件目标检测

针对无序多角度零件视觉识别准确率不高,定位精度低的问题,提出一种基于YOLOv4-tiny的改进神经网络算法。改进的算法主要是将CBAM注意力机制引入到YOLOv4-tiny网络,使特征提取网络关注重要特征区域,并过滤无关信息。采用K-means算法对数据集进行聚类,重新得到anchor的对应参数。在零件数据集上进行对比实验,测试结果表明:所提算法在满足实时性的基础上,准确率相比原网络提高了3.4%,平均精确率提高了1.8%,具有较好的综合检测能力。该研究可为工业机器人的零件智能分拣提供技术参考。