基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测.docxVIP

下载本文档

0
0
约2.94万字
约 21页
2024-04-17 发布于江苏
举报
版权申诉

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测.docx

1、本文档共21页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

高电压技术Vol.50,No.3:1289-1301第50卷第3

高电压技术

Vol.50,No.3:1289-1301

2024年3月31日HighVoltageEngineeringMarch31,2024

DOI:10.13336/j.1003-6520.hve基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

陈奎1，刘晓1，贾立娇1，方永丽1，赵昌新2

（1.中国矿业大学电气工程学院，徐州221000；2.国网江苏省电力有限公司徐州供电分公司，徐州221000）

摘要：随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展，针对绝缘子缺陷检测速度较低，网络复杂度高且缺陷小目标难以准确检测的问题，提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络，显著减小了网络的参数量和计算量；其次引入针对小目标的增强多尺度特征融合网络以及4个预测头，来增强网络对绝缘子缺陷的感知能力，并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失；最后将其应用到自制绝缘子数据集进行验证。实验结果表明，该文所提出的模型相对于未改进的YOLOv5，全类平均精度提高了3%，检测速度提高了81.8%，参数量、计算量分别压缩了82.4%、67%。因此，所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。

关键词：绝缘子缺陷检测；YOLOv5；轻量化；ShuffleNetV2网络；小目标检测；无人机

InsulatorDefectDetectionBasedonLightweightNetworkandEnhancedMulti-scaleFeatureFusion

CHENKui1,LIUXiao1,JIALijiao1,FANGYongli1,ZHAOChangxin2

(1.SchoolofElectricalEngineering,ChinaUniversityofMiningandTechnology,Xuzhou221000,China;

2.XuzhouPowerSupplyCompany,StateGridJiangsuElectricPowerCo.,Ltd.,Xuzhou221000,China)

Abstract：WiththedevelopmentoftargetdetectionalgorithmembeddedinUAVforinsulatorinspectionoftransmissiontowers,aYOLOv5-3S-4PHmodelbasedonlightweightnetworkandenhancedmulti-scalefeaturefusionisproposedtodetectinsulatordefectsinrealtimeinviewofthelowdetectionspeed,highnetworkcomplexityandthedifficultyofac-curatedetectionofsmalldefecttargets.Firstly,thereconstructedShuffleNetV2-Stem-SPP(3S)networkisusedasthebackboneofYOLOv5,whichreducestheamountofnetworkparametersandcalculationsignificantly.Secondly,theen-hancedmulti-scalefeaturefusionnetworkforsmalltargetsandfourpredictionheads(4PH)isaddedtoenhancethenetwork’sperceptionofinsulatordefects.CombinedwithMosaic-9dataenhancem