典型文献
基于改进Yolov4的输电线路鸟巢轻量级检测算法
文献摘要：
针对复杂背景图像中输电线路鸟巢识别检测精度低、实时性能不高的问题,提出一种改进Yolov4的输电线路鸟巢检测模型.首先,以Yolov4网络为基础检测模型,并采用MobileNetV2作为骨干特征提取网络.为增强骨干网络的表征能力,在MobileNetV2网络的逆向残差模块后加入混合域注意力机制CBAM(convolutional block attention module),并将CBAM中通道注意力模块的全连接网络替换为局部通道交互的一维卷积,以避免因降维操作导致的特征损失.然后,通过使用自适应特征融合结构来加强高层和低层特征语义之间的信息融合,以减少不同尺度特征之间关联所产生的冗余信息带来的负面影响.最后,为提高模型对受遮挡鸟巢图像的泛化能力,在数据增强时结合随机擦除策略.实验结果表明,对比初始的Yolov4,改进后模型的mAP(meanaverage precision)值提高了3.75％,模型大小压缩为原来的20.1％,检测速度达到53帧/s.
文献关键词：
输电线路;鸟巢识别;MobileNetV2;注意力机制;自适应特征融合
中图分类号：
作者姓名：
韦庚吾;李英娜
作者机构：
昆明理工大学信息工程与自动化学院,云南昆明 650500;云南省计算机技术应用重点实验室(昆明理工大学),云南昆明 650500
文献出处：
引用格式：
[1]韦庚吾;李英娜-.基于改进Yolov4的输电线路鸟巢轻量级检测算法)[J].电力科学与工程,2022(10):64-72
A类：
鸟巢识别,meanaverage
B类：
Yolov4,输电线路,轻量级,检测算法,复杂背景,背景图,识别检测,检测精度,检测模型,基础检测,MobileNetV2,特征提取网络,强骨,骨干网络,表征能力,残差模块,混合域注意力机制,CBAM,convolutional,block,attention,module,通道注意力模块,全连接网络,一维卷积,特征损失,自适应特征融合,低层,信息融合,不同尺度,尺度特征,冗余信息,遮挡,泛化能力,数据增强,随机擦除,mAP,precision,检测速度
AB值：
0.37384
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。
