科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对移动边缘端设备在进行变电站电力仪表检测时难以快速检测复杂环境中高相似度目标图像的问题，本文提出了一种基于轻量级YOLOX网络的电力仪表图像检测方法。首先，搭建了YOLOX检测网络，并在该算法基础上设计基于深度可分离卷积骨干特征提取结构和参数重组的多尺度特征融合结构，该结构实现了模型在参数量上的压缩和推理速度上的提升；其次，在特征融合层中嵌入三维注意力机制SimAM，该结构通过学习特征的能量分布，对目标区域进行整体加权，从而实现对复杂环境下的仪表检测；同时，针对电力仪表检测的特殊问题，设计基于金字塔池化特征编码下的Transformer结构，该结构主要从局部特征细化和长距离特征捕获两个方面进行底层高语义信息特征的信息挖掘，提高对不同外形电力仪表的检测精度；最后，通过构建破损、模糊以及正常三个类型的电力指针型仪表数据集进行算法的验证。实验结果显示，改进的模型相比较原始模型，均值精度从75.49%提升至85.93%，检测速度从36FPS提升至45FPS，在移动端硬件Jetson NX上的测试中，模型的推理速度可达17.6FPS。此外，与其他的轻量化模型相比，本文所提模型在检测精度和检测速度上具有明显优势，因此，该模型可为电力仪表的可视化、信息化与智能化提供可行的技术方案及借鉴。
- 单位
