典型文献
基于USRNet与改进YOLOv5x的输电线路绝缘子故障检测方法
文献摘要：
针对无人机输电线路巡检图像的复杂背景目标检测失准、故障小目标难以被准确检测的问题,提出一种基于深度展开超分网络(deep unfolding super-resolution network,USRNet)与改进YOLOv5x算法的输电线路绝缘子故障检测方法.首先,使用USRNet对原始图像进行超分辨率重建,以降低复杂背景干扰实现测试数据集优化;然后,以YOLOv5x检测模型为基础,利用K-means++对标记框进行聚类,生成匹配输电线路故障目标尺寸的锚框;同时,通过更改多尺度特征融合模块结构,在预测端引入一个包含更大特征图的检测头以检测故障小目标;最后,使用有效交并比损失(efficient intersection over union loss,EIOU_Loss)函数优化模型整体性能,并设置对比实验对所提方法进行验证.结果表明,所提方法的均值平均精度(mean average precision,mAP)值达到98.8％,可使输电线路故障检测精度提高到95.4％,从而具有更好的复杂背景目标以及小目标检测性能.
文献关键词：
输电线路故障检测;无人机巡检;复杂背景;小目标检测;USRNet;改进YOLOv5x
中图分类号：
作者姓名：
黄悦华;刘恒冲;陈庆;陈照源;张家瑞;杨楚睿
作者机构：
三峡大学电气与新能源学院,宜昌443002
文献出处：
引用格式：
[1]黄悦华;刘恒冲;陈庆;陈照源;张家瑞;杨楚睿-.基于USRNet与改进YOLOv5x的输电线路绝缘子故障检测方法)[J].高电压技术,2022(09):3437-3446
A类：
USRNet
B类：
YOLOv5x,绝缘子故障检测,故障检测方法,无人机输电线路巡检,复杂背景,深度展开,分网,deep,unfolding,super,resolution,network,原始图像,超分辨率重建,背景干扰,测试数据,集优化,检测模型,means++,障目,标尺,锚框,更改,多尺度特征融合,特征融合模块,块结构,一个包,特征图,检测头,检测故障,交并比损失,efficient,intersection,over,union,loss,EIOU,Loss,函数优化,整体性能,均值平均精度,average,precision,mAP,输电线路故障检测,检测精度,小目标检测,检测性能,无人机巡检
AB值：
0.357565
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
