Abstract:
针对无人值守的变电站频繁出现鸟巢、塑料袋等异物入侵的问题,现有的区域卷积神经网络(R-CNN)和YOLO算法不能满足实时、准确检测识别的要求.因此提出一种基于改进YOLOv7的图像识别方法.首先,利用灰度化处理和高斯噪声增强图片数据,然后在特征提取网络中增加分支以提高小目标的检测能力.在此基础上,采用卷积块注意模块(CBAM)分支注意力机制来加强通道数和空间自适应学习能力,并在输出路径上引入SimAM 注意力机制,使其在不增加参数的情况下提高模型对异物特征的提取能力,最后通过某变电站实际监控图进行算法验证.结果表明改进后的YOLOv7 异物识别平均精度均值(mAP)为94.40%,比原YOLOv7mAP提升了 3.69%,比Faster R-CNN和SSD分别提高了17.46%和16.66%,可以做到对变电站异物的实时检测识别,所提方法具有较好的可行性和工程使用价值.
Keyword:
Reprint 's Address:
Email:
Source :
国外电子测量技术
ISSN: 1002-8978
Year: 2023
Issue: 6
Volume: 42
Page: 180-187
Cited Count:
SCOPUS Cited Count:
ESI Highly Cited Papers on the List: 0 Unfold All
WanFang Cited Count:
Chinese Cited Count:
30 Days PV: 1
Affiliated Colleges: