典型文献
基于改进YOLOv4的电力设备红外图像识别
文献摘要：
针对电力设备红外图像存在的图像视觉效果差、尺度差异性大、数据类别不平衡等问题,提出了一种基于改进YOLOv4的目标检测模型.利用该模型并结合MSRCR图像增强算法对电力设备红外图像进行识别.首先,构建电力设备红外图像目标检测数据集,使用MSRCR算法对原始红外图像进行增强处理,改善雨雾天气下红外图像存在的对比度低、像素模糊等问题,进而提高模型在雨雾天气下对电力设备的检测能力;其次,在YOLOv4骨干网络中引入多尺度卷积模块,通过不同大小的卷积核获取输入图像的多尺度特征,增强对初始特征的表征能力;为进一步提升检测精度,采用Focal loss函数,解决了红外图像数据不均衡导致的分类困难问题.经测试,所提方法对8类电力设备的平均识别精度达96.31％,检测速度达71frame/s.实验结果验证了所提方法的有效性.
文献关键词：
目标检测;图像增强;红外图像;电力设备识别
中图分类号：
作者姓名：
段中兴;张雨明;马佳豪
作者机构：
西安建筑科技大学信息与控制工程学院,陕西西安710055;国网西安供电公司,陕西西安710032
文献出处：
引用格式：
[1]段中兴;张雨明;马佳豪-.基于改进YOLOv4的电力设备红外图像识别)[J].激光与光电子学进展,2022(24):21-28
A类：
71frame
B类：
YOLOv4,红外图像识别,视觉效果,尺度差异,数据类别,类别不平衡,目标检测模型,MSRCR,图像增强算法,图像目标检测,检测数据集,雨雾天气,对比度,像素,检测能力,骨干网络,多尺度卷积,卷积模块,同大,卷积核,多尺度特征,表征能力,检测精度,Focal,loss,图像数据,数据不均衡,困难问题,识别精度,检测速度,电力设备识别
AB值：
0.326805
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。
