典型文献
基于YOLOv5的电力线和杆塔实时检测算法研究
文献摘要：
针对当前电力线路检测中存在深度学习网络参数量大、计算复杂度高等问题;在YOLOv5的基础上提出一种电力线和杆塔的实时检测算法;通过减少Bottleneck数量来简化特征提取层网络结构,使用深度可分离卷积技术实现模型计算量的降低;分析电力线目标框筛选机制,改进(non-maximum suppression)NMS算法,提升模型目标检测精度;实验结果表明,对Bottleneck的改进在识别精度有所提高的情况下能有效降低模型的参数量,模型检测准确率和召回率分别达到94％与95％,体积压缩了 20.7％,在Jetson Nano嵌入式平台上检测速度达到17.2 fps,对两类电力线路目标检测达到较高的识别率和实时性,对无人机电力巡检导航有较好的参考价值.
文献关键词：
电力线路检测;Bottleneck;深度可分离卷积;NMS;嵌入式平台
中图分类号：
作者姓名：
叶树芬;施振华;苏成悦;梁立翀;黄海润;关家华
作者机构：
广东工业大学物理与光电工程学院,广州 510006;广州杰超科技有限公司,广州 510006;广东电网有限责任公司佛山供电局,广东佛山 528000
文献出处：
引用格式：
[1]叶树芬;施振华;苏成悦;梁立翀;黄海润;关家华-.基于YOLOv5的电力线和杆塔实时检测算法研究)[J].计算机测量与控制,2022(11):77-84
A类：
电力线路检测
B类：
YOLOv5,杆塔,实时检测,检测算法,算法研究,深度学习网络,网络参数,参数量,计算复杂度,Bottleneck,使用深度,深度可分离卷积,计算量,线目标,筛选机制,maximum,suppression,NMS,目标检测,检测精度,进在,识别精度,模型检测,检测准确率,召回率,积压,Jetson,Nano,嵌入式平台,检测速度,fps,识别率,无人机电力巡检
AB值：
0.306398
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
