典型文献
基于改进YOLO v5的电厂管道油液泄漏检测
文献摘要：
针对电厂油库、化水车间等关键区域油液管道时常发生泄漏问题,本文提出了一种基于改进YOLO v5的电厂关键区域管道油液泄漏检测方法,通过融入CBAM注意力机制模块,加强对管道油液泄漏区域图像的特征学习与特征提取,同时弱化复杂背景对检测结果的影响;在此基础上运用了双向特征金字塔网络进行多尺度特征融合,减少冗余计算,同时提升算法对小目标的检测能力;最后采用Focal EIoU Loss作为损失函数,使回归过程更加专注于高质量锚框,加快收敛速度,提高模型的回归精度和鲁棒性.实验结果表明,本文所提出的改进算法在真实样本中表现良好,平均准确率达79.6％,较原YOLO v5s目标检测算法提高了 38.4％,在电厂复杂背景下的误报率和漏报率明显下降,可有效应用于实际生产环境中.
文献关键词：
管道泄漏检测;YOLO v5算法;CBAM注意力机制
中图分类号：
作者姓名：
彭道刚;潘俊臻;王丹豪;胡捷
作者机构：
上海电力大学自动化工程学院 上海 200090;宝山钢铁股份有限公司电厂 上海 201900
文献出处：
引用格式：
[1]彭道刚;潘俊臻;王丹豪;胡捷-.基于改进YOLO v5的电厂管道油液泄漏检测)[J].电子测量与仪器学报,2022(12):200-209
A类：
B类：
YOLO,油液泄漏,油库,水车,关键区域,泄漏检测方法,CBAM,注意力机制模块,特征学习,复杂背景,双向特征金字塔网络,多尺度特征融合,冗余计算,小目标,检测能力,Focal,EIoU,Loss,损失函数,锚框,快收敛,收敛速度,改进算法,实样,平均准确率,v5s,目标检测算法,误报率,漏报率,有效应用,生产环境,管道泄漏检测
AB值：
0.35728
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。
