基于YOLO V5的输电线路鸟巢缺陷检测

随着生态环境不断变好和城市化进程的快速推进,输电线路鸟巢缺陷带来的安全隐患得到了广泛关注。针对传统鸟巢缺陷检测中存在的特征提取难的问题,本文基于YOLO V5深度学习网络改进,在主干网络中引入CBAM模块来增强模型表征能力并修改损失函数为Focal Loss以有效增强模型对图片中有效信息的提取及无效信息的过滤。实验结果表明:在测试集上本方法召回率为53.65,平均精度为97.56%,FPS为336.1,能够快速高效的对输电线路上的鸟巢缺陷进行检测,具有较高的工程应用价值。

基于改进YOLOv5的输电线路鸟巢缺陷检测方法

鸟巢侵占是输电线路经常发生的一个故障情况。鸟类在铁塔上筑巢将会影响铁塔的绝缘性能,造成跳闸事故的发生。传统的输电线路鸟巢识别方法效率低且安全性不足。为此,本文提出了一种改进YOLOv5模型的输电线路鸟巢检测算法。通过在主干网络中加入CBAM注意力模块,以较小的计算代价提升主干网络的特征提取能力。在颈部网络中引入自适应特征融合模块替换原始结构,加强多尺度特征融合效果。使用更加稳定和平滑的Mish激活函数作为激活函数,以提升分类精度和泛化能力。实验结果表明,相较于原始YOLOv5s模型,改进方法在召回率以及平均精度均值方面分别提升4.4%和2.3%。对于遮挡目标以及远近距离目标均表现出良好的性能,验证了改进方法的有效性。