基于秩分解和强语义信息融合的电力巡检算法
针对现行电力巡检方法对于高似然目标区分能力较差、检测速度较慢等问题,提出TR-YOLOv5模型.在网络第0层引入卷积注意力机制模块(CBAM),加强网络对细粒度特征的提取能力,并在网络最深层借助Transformer注意力进行编码,加强语义信息的传递能力.对于模型残差结构中的3×3卷积进行秩分解,压缩模型的冗余参数量.在特征融合阶段提出GPAN结构,以GSPP控制各尺度的变换,提高特征融合对各尺度信息的融合.在主干网络与同尺度特征融合结构的连接中加强了语义信息的融合,提高模型的检测能力.在模型训练过程中,以边框回归损失函数(SIOU)和CrossEntropy Loss作为IOU和分类损失回归函数提高模型的定位、分类能力.将训练完成的模型采用PyQt进行封装,提高了人机交互体验.实验结果表明,TR-YOLOv5模型检测平均精度值(mAP)达到97.1%,模型浮点运算量减少到3.6 GFLOPs.消融实验与对比试验证明了 TR-YOLOv5模型能有效解决电力巡检过程中的前述问题.
电力巡检、注意力机制、YOLOv5、SIOU、模型封装
42
TM75;TP391.41(输配电工程、电力网及电力系统)
中国自然科学基金青年基金项目62105196
2023-06-15(万方平台首次上网日期,不代表论文的发表时间)
共7页
16-22