基于改进YOLOv4算法的高压塔鸟巢检测

来源：电子测量技术杂志2022年第18期北京时间：

作者：谢国波，郑晓锋，林志毅，林立，文刚

单位：1广东工业大学计算机学院 广州 510006 2 云南电网有限责任公司电力科学研究院 昆明 650000

摘要：针对现有算法对高压塔上鸟巢检测存在参数量过大，实时性不足及对小目标检测能力较弱的问题，提出了一种改进的YOLOv4算法。首先使用Mobilenetv2网络代替CSPDarknet53网络作为主干网络，减少算法的参数量且提升检测速度；同时在Mobilenetv2网络的逆残差网络中嵌入注意力Coordinate Attention模块，增强网络对目标特征提取能力。然后，对PANet网络进行改进，获取更多的细节特征信息，提高对小目标鸟巢的检测能力。最后，使用Focal Loss函数优化损失函数，降低大量简单背景样本训练的权重，提升对小目标鸟巢困难样本训练的侧重，进一步提高对小目标鸟巢的检测能力。实验结果表明，较原始的YOLOv4算法，改进后的YOLOv4算法的参数量减少了48.1%，检测速度和精度分别提高了12.9fps和2.33%。即改进后的YOLOv4算法大幅度减少了算法参数量，且对鸟巢的检测拥有更好的检测性能。

关键词：参数量;逆残差网络;细节特征;检测能力