关键词:
电力巡检
目标检测
注意力机制
特征融合
YOLO
摘要:
针对无人机进行电力巡检时关键零件的检测精度较低的问题,提出了一种基于YOLOv5s的改进型缺陷检测算法。在骨干网络中引入卷积神经网络注意力模块(CBAM),增强网络对特征图中重要信息的提取效率;将YOLOv5s中原有的PANet特征融合框架替换为双向特征金字塔网络(BiFPN),引入可学习的权重,映射不同的学习特征,增加对贡献较大特征的映射。在空间金字塔池化模块(spatial pyramid pooling,SPP)的基础上加入上下文卷积模块,提升特征的表达能力。通过构建航拍数据集进行实验验证,结果表明,改进后的算法mAP达到95.6%,准确率达到93.7%,召回率达到93.8%。为进一步验证算法在嵌入式系统的运行效果,通过缩小网络宽度进行轻量化,利用TensorRT推理引擎,优化了网络结构并加速了模型的推理。将模型加速后部署至Jetson Xavier NX平台进行测试,单帧图像平均运行时间为24.6 ms,检测准确率为90.8%,召回率为90.5%,能够在Jetson Xavier NX设备上对目标实现精准识别。改进后的模型提高了检测精度,体现了算法的有效性,满足电力巡检作业的实时检测需求。