文档摘要:随着生态环境不断变好和城市化进程的快速推进,输电线路鸟巢缺陷带来的安全隐患得到了广泛关注.针对传统鸟巢缺陷检测中存在的特征提取难的问题,本文基于YOLOV5深度学习网络改进,在主干网络中引入CBAM模块来增强模型表征能力并修改损失函数为FocalLoss以有效增强模型对图片中有效信息的提取及无效信息的过滤.实验结果表明:在测试集上本方法召回率为53.65,平均精度为97.56%,FPS为336.1,能够快速高效的对输电线路上的鸟巢缺陷进行检测,具有较高的工程应用价值.
作者:鲍晓慧Author:
作者单位:泰州三新供电服务有限公司泰兴市分公司
刊名:电气技术与经济
Journal:ElectricalEquipmentandEconomy
年,卷(期):2024, (6)
分类号:
关键词:YOLO CBAM FocalLoss 鸟巢缺陷检测
机标分类号:TP391.41F239TS255
在线出版日期:2024年7月10日
基金项目:基于YOLOV5的输电线路鸟巢缺陷检测[
期刊论文] 电气技术与经济--2024, (6)鲍晓慧随着生态环境不断变好和城市化进程的快速推进,输电线路鸟巢缺陷带来的安全隐患得到了广泛关注.针对传统鸟巢缺陷检测中存在的特征提取难的问题,本文基于YOLOV5深度学习网络改进,在主干网络中引入CBAM模块来增强模型表...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
关键词:
- 文件大小:
- 1.74 MB
- 下载次数:
- 60
-
高速下载
|
|