基于改进YOLOv4算法的高压输电线路异物检测
Applied Science and Technology(2023)
摘要
针对传统输电线异物检测精度较低、误检率高等问题,提出了一种基于改进YOLOv4 的高压输电线路异物检测算法,通过深度学习中的卷积神经网络让模型自主地关注和学习高压输电线上的异物特征.首先采集输电线路上异物图像,并采取多种数据增强方式构建高压输电线异物检测数据集;其次采用k-means聚类生成适配本数据集的锚点框,提升模型鲁棒性;再将网络的空间金字塔池化(spatial pyramid pooling,SPP)模块设计优化为快的空间金字塔池化(spatial pyramid pooling-fast,SPPF)模块,更高效地完成特征融合,加快网络运行速度;最后结合标签平滑、余弦退火衰减算法,在路径聚合网络和预测层部分采用Sigmoid加权线性单元(Sigmoid weighted linear unit,SiLU)激活函数替代普通卷积中的Leaky ReLU激活函数,更有利于模型收敛,使模型性能得到进一步提升.结果表明,模型在不增加参数量的前提下,精度提高到了97.57%,帧传输率达到42.4 f/s,满足实时检测的要求.
更多关键词
transmission line,foreign objects detection,YOLOv4,data augmentation,K-means clustering,SPP,SiLU
AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要