基于改进的Yolo v4绝缘子目标识别算法研究

针对传统卷积神经网络模块体积庞大、运算量高,在体积较小、资源有限的嵌入式平台上运行效果不好,以及现有轻量化模块无法满足测量速度和测试精确度要求的问题,为此选择目前的主流目标识别算法Yolo v4进行模型轻量化,在Yolo v4模型中引入Mobilenet网络和深度可分离模块进行研究。研究结果表明,改进后不同Mobilenet网络的Yolo v4模型检测一张图片的用时均比原始Yolo v4模型减少19 ms以上,准确率都高于92%。其中以Mobilenet v3为主干特征提取网络的改进Yolo v4模型的准确率为95.12%,与原始Yolo v4模型准确率相比提高2.99%,但该模型的参数量约为Yolo v4模型的1/6,模型处理一张巡检图片用时比原Yolo v4模型减少20 ms。绝缘子作为输电线路的重要组成部分,在众多图像中更快地识别出绝缘子能为之后分析输电线路的运行情况提供帮助。

基于改进YOLOv3_iny的压敏电阻表面缺陷检测

针对当前目标检测算法网络复杂,对平台设备要求高;而轻量化网络YOLOv3_iny对压敏电阻表面缺陷的检测精度较低,容易出现漏检错检的情况,提出了基于YOLOv3_iny的改进算法DAYOLOv3_iny。DAYOLOv3_iny构建了深度可分离卷积块替代标准卷积,使用卷积操作进行下采样,使检测网络在减少网络参数量的同时增加了特征的提取;并在网络中引入了通道注意力模块和空间注意力模块,增强了检测网络对重要特征信息的学习。在自制的压敏电阻表面缺陷数据集上进行实验,结果表明,DAYOLOv3_iny的mAP值为92.23%,较改进前提升了12.25%;改进后的DAYOLOv3_iny模型大小为YOLOv3_iny的55.42%,仅18.9 MB。实验表明,DAYOLOv3_iny对压敏电阻表面缺陷的检测精度较高,能够有效改善漏检错检的情况,且网络模型较小,对硬件平台要求不高,易于在性能受限的平台部署。