为实现在复杂环境下对电力金具的准确快速检测,提出了一种基于改进YOLOv5(You Only Look Once version 5)的电力金具目标检测方法。针对现有目标检测方法参数量大、类别不平衡影响网络训练效果等问题,引入了轻量化网络Ghost Net,减少了...为实现在复杂环境下对电力金具的准确快速检测,提出了一种基于改进YOLOv5(You Only Look Once version 5)的电力金具目标检测方法。针对现有目标检测方法参数量大、类别不平衡影响网络训练效果等问题,引入了轻量化网络Ghost Net,减少了冗余特征图对网络预测的影响,通过引入ECA(Efficient Channel Attention)注意力机制提高了网络的特征提取能力,避免了目标预测受到复杂环境的干扰,并使用Focal-CIoU(Focal-Complete-IoU) Loss损失函数提高了模型对少数类别的识别能力。实验结果表明,提出的算法在准确率和平均精度均值等评价指标中皆优于原始的YOLOv5算法,并且参数量仅占原始网络的61.2%。精确度提升了4.0%,mAP@0.5提升了1.9%,mAP@0.5:0.95提升了4.5%。同时,提出的算法在保持较高的预测精度的同时,均衡了推理速度,能够达到实时的电力金具目标检测要求。展开更多
文摘为实现在复杂环境下对电力金具的准确快速检测,提出了一种基于改进YOLOv5(You Only Look Once version 5)的电力金具目标检测方法。针对现有目标检测方法参数量大、类别不平衡影响网络训练效果等问题,引入了轻量化网络Ghost Net,减少了冗余特征图对网络预测的影响,通过引入ECA(Efficient Channel Attention)注意力机制提高了网络的特征提取能力,避免了目标预测受到复杂环境的干扰,并使用Focal-CIoU(Focal-Complete-IoU) Loss损失函数提高了模型对少数类别的识别能力。实验结果表明,提出的算法在准确率和平均精度均值等评价指标中皆优于原始的YOLOv5算法,并且参数量仅占原始网络的61.2%。精确度提升了4.0%,mAP@0.5提升了1.9%,mAP@0.5:0.95提升了4.5%。同时,提出的算法在保持较高的预测精度的同时,均衡了推理速度,能够达到实时的电力金具目标检测要求。
