基于CG-yolo的烟火检测

针对山火烟雾的检测存在由于监控范围广、发生频率不固定等造成的高成本问题,在边缘计算思维的启发下,提出了一个基于YOLOv5改进的适用于前端布设的轻量级识别网络。该方法针对YOLOv5模型过大的缺陷,通过修改网络结构,将融合了通道注意力机制CoordAttention的Ghostbottleneck模块与YOLOv5结合,提出一种改进型卷积神经网络CG-yolo识别网络。实验结果表明,CG-yolo相对于YOLOv5s算法速度提高了9.5%,查全率提升了1.8%,查准率仅损失1.7%,部署在NVIDIA的Jetson Nano边缘计算平台上时运行速度可以达到13fps,更好地满足了隐患监测的工程实际需求。

面向输电线路小目标异物检测的改进YOLO网络

为解决输电线路所在环境较复杂多变、线路上异物目标体积较小难以识别等问题,提出将BCA YOLO网络针对小目标检测进行优化,将YOLO v5中的CSP2_X替换为CSP_CA,再添加一层小目标检测层,将原网络中的FPN结构替换为计算量小的BiFPN;针对一般输电线路异物数据集中图片较少的问题,提出通过场景增强、Mixup和加入噪声模拟对数据集进行有效扩充.试验结果证明,相较于传统的YOLO v5网络,mAP_0.5提高了3.8%、查全率提升6%、查准率提高了6.1%,更好地满足了隐患检测的工程实际需求.

基于改进YoloX的输电通道工程车辆检测识别

针对输电通道下环境复杂,各类工程车辆频繁损坏输电线路中所需解决的对工程车辆的检测识别问题,在单阶段目标检测算法YoloX的基础上,对YoloX算法中的损失函数进行修改,平衡正负样本和难易样本,在网络中添加CBAM注意力机制,将内部通道信息和位置信息结合,提高特征的提取能力,并通过修改强特征提取部分Neck中的CspLayer结构,在保证检测速度的前提下,提高模型的检测性能;通过筛选亮度低的图片,引入改进的MSR算法对图片进行亮度提升,优化数据集;实验结果表明,提出的算法提高了检测的准确率,与传统的YoloX算法相比,mAP提高了4.64%,识别效果明显提升,证明了新算法的有效性。