基于改进YOLOv5的电力线路安全检测与异常识别方法

摘要

在电力系统中，电力线路承载着输送电能的重要任务，安全可靠的电力线路对电力系统的稳定发展有着重要的意义。针对利用深度学习算法对电力线路中的悬挂物、塔吊等目标检测准确率低、实时性差的问题，提出基于改进YOLOv5的电力线路安全检测与异常识别方法。该方法基于YOLOv5算法，在网络的部分C3模块中引入ECA注意力机制，增强网络的特征提取能力；在主干网络中的池化层之后增加Fast-RFB模块，提高检测速度与准确性；使用解耦头部替代原始网络的耦合检测头部，提高检测精度；最后将原始模型的CIoU损失函数替换成Wise-IoU损失函数，减少训练过程的损失。仿真实验表明，改进后的YOLOv5算法在电力线路数据集上的P_mA0.5与P_mA0.5:0.95分别为92.2%和56.5%,分别超出了YOLOv5原始模型10.3%和7.3%,检测速度为83帧/s,满足实际环境中对电力线路安全检测与异常识别的要求。

关键词

电力线路 / 深度学习 / 注意力模块 / 解耦头部