基于YOLOv 3与注意力机制的桥梁表面裂痕检测算法

为了实现桥梁表面裂痕的快速准确检测和及时修复,在目标检测网络YOLOv3的基础上,结合深度可分离卷积与注意力机制,提出实时检测桥梁表面裂痕的轻量级目标检测网络.使用深度可分离卷积操作替换YOLOv3的标准卷积操作,达到降低网络参数量的目的.同时为了解决深度可分离卷积操作带来的网络精度下降的问题,引入MobileNet v2的反转残差块.卷积块注意力模块同时关注图像的通道注意力和空间注意力,较好地进行特征的自适应学习.实验表明,文中算法可实现对桥梁表面裂痕的实时检测.相比YOLOv3,具有更高的检测精度和检测速度.

基于改进YOLOv7算法的风机塔筒系统故障识别系统

塔筒系统(含塔筒、螺栓)是风电机组正常运行的重要基础部件,因此,对其可能存在的裂痕等安全隐患进行准确识别至关重要。然而,由于裂痕的表征不明显、辨识度低、对比度差等问题,在实际操作中带来了一定的困难。为了解决这个问题,本文提出了一种基于YOLO系列算法改进的YOLOv7-SEAttention算法模型。然后,将这种改进后的模型与Faster R-CNN,RFCN,SSD,YOLOv5,YOLOv7等多种算法模型进行了对比,并对改进算法模型的查全率(Recall)、查准率(Precision)、平均精度(Average Precision)进行了综合评价。改进后的YOLOv7-SEAttention模型在塔筒系统的表面裂痕检测上表现出了显著的优势。相比于原始的YOLOv7以及其他算法模型,它在塔筒裂痕检测方面平均精度(AP)提高了2.6%,达到了83.7%;在螺栓裂痕检测方面平均精度提高了4%,达到了84.3%。结果表明,本文改进的模型能更精准检测塔筒系统表面裂痕。