典型文献
改进YOLOv5算法下的输电线路外破隐患目标检测研究
文献摘要：
采用图像视频技术对输电线路通道实时监控,通过智能目标检测算法实现外力破坏隐患目标的识别并预警的方法精确率高,近年来被逐渐普及.但在实际环境中,由于图片背景复杂、天气变化(如雾、雨等)等因素,训练数据无法涵盖所有条件,目标识别算法泛化能力较弱,实际应用中常出现漏报和误报.基于这些问题,采用YOLOv5作为本文算法基础,通过数据扩增模拟不同天气,引用自注意力机制(CBAM)增强模型的特征提取能力,并加入多尺度域自适应网络对训练集进行对抗训练,增强模型对不同天气、不同场景的泛化能力.经实验证明,本文所用算法得到的召回率(Recall)达到了 86.9％,较原算法有明显提升,平均准确率(MAP)高于原YOLOv5算法,达到了 92.2％,能准确的检测出待检外破目标,减少漏检、误检.
文献关键词：
外力破坏;目标检测;天气变化;注意力机制;多尺度域自适应;YOLOv5
中图分类号：
作者姓名：
龙乐云;周腊吾;刘淑琴;黄彪;范凯
作者机构：
长沙理工大学电气与信息工程学院 长沙 410114;广东电网有限责任公司电力科学研究院 广州 510080
文献出处：
引用格式：
[1]龙乐云;周腊吾;刘淑琴;黄彪;范凯-.改进YOLOv5算法下的输电线路外破隐患目标检测研究)[J].电子测量与仪器学报,2022(11):245-253
A类：
多尺度域自适应
B类：
YOLOv5,输电线路,图像视频,视频技术,线路通道,实时监控,目标检测算法,算法实现,外力破坏,破坏隐患,精确率,天气变化,如雾,训练数据,目标识别算法,泛化能力,漏报,误报,数据扩增,不同天气,自注意力机制,CBAM,增强模型,特征提取能力,域自适应网络,训练集,对抗训练,同场,召回率,Recall,平均准确率,MAP,漏检
AB值：
0.394943
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。
