电力巡检中改进YOLOv5s的缺陷检测算法研究

来源：计算机工程与应用杂志2024年第10期北京时间：

作者：王磊, 郝涌汀, 潘明然, 赵慕东, 张永鑫, 张茗宇

单位：1.沈阳理工大学 机械工程学院，沈阳 110159 ；2.辽沈工业集团有限公司 研发中心，沈阳 110045

摘要：针对无人机进行电力巡检时关键零件的检测精度较低的问题，提出了一种基于YOLOv5s的改进型缺陷检测算法。在骨干网络中引入卷积神经网络注意力模块（CBAM），增强网络对特征图中重要信息的提取效率；将YOLOv5s中原有的PANet特征融合框架替换为双向特征金字塔网络（BiFPN），引入可学习的权重，映射不同的学习特征，增加对贡献较大特征的映射。在空间金字塔池化模块（spatial pyramid pooling，SPP）的基础上加入上下文卷积模块，提升特征的表达能力。通过构建航拍数据集进行实验验证，结果表明，改进后的算法mAP达到95.6%，准确率达到93.7%，召回率达到93.8%。为进一步验证算法在嵌入式系统的运行效果，通过缩小网络宽度进行轻量化，利用TensorRT推理引擎，优化了网络结构并加速了模型的推理。将模型加速后部署至Jetson Xavier NX平台进行测试，单帧图像平均运行时间为24.6?ms，检测准确率为90.8%，召回率为90.5%，能够在Jetson Xavier NX设备上对目标实现精准识别。改进后的模型提高了检测精度，体现了算法的有效性，满足电力巡检作业的实时检测需求。

关键词：电力巡检,目标检测,注意力机制,特征融合,YOLO