基于改进YOLOv4模型的无人机巡检图像杆塔缺陷检测方法研究
文档名：基于改进YOLOv4模型的无人机巡检图像杆塔缺陷检测方法研究
摘要：针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测.采用轻型MobileNetV2网络替换CSPDarkNet53网络,提高特征提取速度,在SPP模块中采用平均池化替换最大池化,提高算法对小目标的检测精度,引入注意力机制CBAM增强特征表达.通过试验验证了所提方法的可行性和优越性.结果表明,所提方法与常规检测方法相比,在输电线路杆塔图像缺陷检测中具有更优的检测精度和速度,检测精度达到94.40％,检测速度为60FPS.所提研究为输电线杆塔缺陷检测方法的发展提供了一定的参考.
作者：陈杰安之焕唐占元卢志超Author：ChenJieAnZhihuanTangZhanyuanLuZhichao
作者单位：国网青海省电力公司经济技术研究院,西宁810000
刊名：电测与仪表 ISTICPKU
Journal：ElectricalMeasurement&Instrumentation
年，卷(期)：2023, 60(10)
分类号：TM77
关键词：输电线路杆塔鸟窝无人机巡检YOLOv4模型注意力机制CBAMMobileNetV2网络
Keywords：transmissionlinetowerbird'snestUAVpatrolYOLOv4modelattentionmechanismCBAMMobileNetV2network
机标分类号：TP391TM75TP242
在线出版日期：2023年10月25日
基金项目：国家电网有限公司总部科技项目基于改进YOLOv4模型的无人机巡检图像杆塔缺陷检测方法研究[
期刊论文]电测与仪表--2023, 60(10)陈杰安之焕唐占元卢志超针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测.采用...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于改进YOLOv4模型的无人机巡检图像杆塔缺陷检测方法研究Research on tower defect detection method of UAV patrol inspection image based on improved YOLOv4 model
基于改进YOLOv4模型的无人机巡检图像杆塔缺陷检测方法研究.pdf
页:
[1]