红外检测是高压外绝缘设备状态在线检测的主要方法之一,为了提高高压套管发热故障红外图像检测的准确率,解决因故障样本较少引起的漏检问题,文中提出了一种基于改进型YOLOv4的故障识别方法,可实现对套管发热区域的高效定位与识别,具有...红外检测是高压外绝缘设备状态在线检测的主要方法之一,为了提高高压套管发热故障红外图像检测的准确率,解决因故障样本较少引起的漏检问题,文中提出了一种基于改进型YOLOv4的故障识别方法,可实现对套管发热区域的高效定位与识别,具有很好的工程应用前景。对YOLOv4算法进行的改进主要包括:首先,将通道注意力机制SE(Squeeze and Excitation)模块插入特征提取网络中的残差模块中,以加强网络对特征信息的提取;其次,分别使用EIoU Loss和Focal Loss取代原模型的边界框回归损失与置信度损失,以提高损失函数的回归精度以及对数据集中困难样本的识别准确率,从而有效减少漏检发生的概率。实验与测试结果表明,所提方法与改进前相比平均精度提高了5.61%,对数据集中更难被识别的故障样本的精确度提升了8.57%。展开更多
文摘红外检测是高压外绝缘设备状态在线检测的主要方法之一,为了提高高压套管发热故障红外图像检测的准确率,解决因故障样本较少引起的漏检问题,文中提出了一种基于改进型YOLOv4的故障识别方法,可实现对套管发热区域的高效定位与识别,具有很好的工程应用前景。对YOLOv4算法进行的改进主要包括:首先,将通道注意力机制SE(Squeeze and Excitation)模块插入特征提取网络中的残差模块中,以加强网络对特征信息的提取;其次,分别使用EIoU Loss和Focal Loss取代原模型的边界框回归损失与置信度损失,以提高损失函数的回归精度以及对数据集中困难样本的识别准确率,从而有效减少漏检发生的概率。实验与测试结果表明,所提方法与改进前相比平均精度提高了5.61%,对数据集中更难被识别的故障样本的精确度提升了8.57%。
