螺栓在输电线路中起着至关重要的作用,一旦某个螺栓被损坏,就可能出现漏电及线路松动等隐患,影响整个电路的安全。为快速准确地检测螺栓,提高巡检效率,保障输电线路的稳定运行,提出了一种基于改进YOLOv7网络的输电线螺栓检测方法。首先,...螺栓在输电线路中起着至关重要的作用,一旦某个螺栓被损坏,就可能出现漏电及线路松动等隐患,影响整个电路的安全。为快速准确地检测螺栓,提高巡检效率,保障输电线路的稳定运行,提出了一种基于改进YOLOv7网络的输电线螺栓检测方法。首先,在YOLOv7的头部层中集成了注意力机制,加强了骨干特征提取,使网络能够专注于相关的目标对象;其次,提出用SiLU(Sigmoid Linear Unit)激活函数取代YOLOv7网络中原有的激活函数,提高螺栓的检测性能。实验结果表明,mAP(平均精确率均值)为94%,F_(1)-Score(F_(1)值)为86%,Precision(精确率)为88%,Recall(召回率)为84%,平均检测时间为0.025 s,超过了其他模型。改进后的YOLOv7模型具有出色的螺栓检测精度,使巡检机器人能够在输电线中有效地检测螺栓。展开更多
针对市面上大多数视觉辅助系统算法存在参数量大、检测性能低、不便于部署手机移动端等问题,基于YOLOv7-tiny设计了一个轻量级的视觉辅助算法。在网络中使用感受野模块(receptive field block,RFB)融合不同尺度的特征信息,提高对不同分...针对市面上大多数视觉辅助系统算法存在参数量大、检测性能低、不便于部署手机移动端等问题,基于YOLOv7-tiny设计了一个轻量级的视觉辅助算法。在网络中使用感受野模块(receptive field block,RFB)融合不同尺度的特征信息,提高对不同分辨率大小物体的检测精度;利用激活函数Silu(sigmoid linear unit)的非线性,增强模型的拟合能力,提升模型的学习速度和检测精度;通过对比实验选择性能更佳的深度卷积(depthwise convolution,DWConv)实现模型的轻量化。实验结果表明,改进后的轻量化模型相比原模型,参数量减少了52.1%,并获得了最佳的检测性能。与其他主流目标检测算法相比,该算法以2.90 M参数量实现了对室内目标更精准的实时检测。展开更多
文摘螺栓在输电线路中起着至关重要的作用,一旦某个螺栓被损坏,就可能出现漏电及线路松动等隐患,影响整个电路的安全。为快速准确地检测螺栓,提高巡检效率,保障输电线路的稳定运行,提出了一种基于改进YOLOv7网络的输电线螺栓检测方法。首先,在YOLOv7的头部层中集成了注意力机制,加强了骨干特征提取,使网络能够专注于相关的目标对象;其次,提出用SiLU(Sigmoid Linear Unit)激活函数取代YOLOv7网络中原有的激活函数,提高螺栓的检测性能。实验结果表明,mAP(平均精确率均值)为94%,F_(1)-Score(F_(1)值)为86%,Precision(精确率)为88%,Recall(召回率)为84%,平均检测时间为0.025 s,超过了其他模型。改进后的YOLOv7模型具有出色的螺栓检测精度,使巡检机器人能够在输电线中有效地检测螺栓。
文摘针对市面上大多数视觉辅助系统算法存在参数量大、检测性能低、不便于部署手机移动端等问题,基于YOLOv7-tiny设计了一个轻量级的视觉辅助算法。在网络中使用感受野模块(receptive field block,RFB)融合不同尺度的特征信息,提高对不同分辨率大小物体的检测精度;利用激活函数Silu(sigmoid linear unit)的非线性,增强模型的拟合能力,提升模型的学习速度和检测精度;通过对比实验选择性能更佳的深度卷积(depthwise convolution,DWConv)实现模型的轻量化。实验结果表明,改进后的轻量化模型相比原模型,参数量减少了52.1%,并获得了最佳的检测性能。与其他主流目标检测算法相比,该算法以2.90 M参数量实现了对室内目标更精准的实时检测。
