摘要
随着人工智能的快速发展，研究者们对深度学习的研究越来越透彻，使得基于深度学习的目标检测愈来愈广泛。本文主要把YOLO算法引入输电线路的小目标识别和定位中，以实现实时检测、准确识别定位的输电线路目标检测要求。本文具体工作如下: (1)为了满足YOLO算法的需求，建立了有关防震锤、间隔棒和绝缘子的完整数据集。 (2)为了提高输电线路小目标的识别的速度和精度，本文首先分析了传统的YOLOv3在输电线路小目标检测识别的优缺点，重点分析了影响小目标识别精度和速度的损失函数和空间金字塔模块。分析结果表明:改进了损失函数和添加了空间金字塔池化模块的YOLOv3满足了输电线路小目标识别的精度，但检测速度较慢。 (3)为解决改进的YOLOv3检测速率的不足，本文提出了改进的YOLOv5s，以传统的YOLOv5s模型作为训练的基本网络框架，对YOLOv5s模型做出改进:一是通过加入CBAM注意力机制，将通道和空间两个注意力框架融合，获取更丰富的细节特征，有利于小目标的识别，改变模型的性能;二是采用FReLU激活函数代替ReLU激活函数，添加简单而有效的空间条件，既不影响运行速度，也实现了对检测目标特征的高效提取。通过对比改进的YOLOv5s与改进的YOLOv3算法在输电线路小目标数据集上的检测结果，可分析出改进的YOLOv5s不仅在检测精度上有很大的提升，同时也兼顾了实时检测的目标要求。 本文为输电线路小目标图像的识别研究提供了新的解决方案，主要通过对比改进后的YOLOv5s和其他常用的目标检测算法在输电线路上小目标识别的检测结果，表明改进的YOLOv5s在解决输电线路小目标识别的准确性和速度上都有了很大的提升，更适用于输电线路的小目标检测。
NETL