-
题名增强特征表示的绝缘子缺陷检测方法
- 1
-
-
作者
李丽芬
王明
曹旺斌
梅华威
-
机构
华北电力大学计算机系
华北电力大学复杂能源系统智能计算教育部工程研究中心
华北电力大学河北省电力物联网技术重点实验室
-
出处
《计算机工程与设计》
北大核心
2025年第8期2373-2379,共7页
-
基金
河北省省级科技计划基金项目(SZX2020034)
中央高校基本科研业务费专项基金项目(2024MS112)。
-
文摘
针对绝缘子缺陷目标区域较小、部分缺陷特征相似,从而导致检测精度较低的问题,提出了一种特征表示增强模型(FLDM-YOLO)。该模型基于FasterNet重构特征提取网络并且结合大核可分离注意力(LSKA)设计了SPPF-LSKA模块,增强了对目标的特征提取能力;以重参数化技术为基础,提出了C2f-DBB模块,处理目标缺陷特征相似的问题;在边界框回归阶段使用MPDIoU作为损失函数,使得模型更加关注高质量锚框。实验结果表明,FLDM-YOLO模型在保证一定检测速度的前提下,mAP为91.3%,较YOLOv8模型提高了4.2%,可有效应用于实际的巡检工作。
-
关键词
目标检测
绝缘子
部分卷积
主干特征提取网络
大核可分离注意力
重参数化
边界框损失函数
-
Keywords
object detection
insulator
partial convolution
backbone network
large kernel separable attention
reparameterization
bounding box loss function
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名多尺度YOLOv5算法检测锂离子电池表面缺陷
- 2
-
-
作者
朱永平
程博
熊聪
丁聪
-
机构
湖北工业大学机械工程学院
现代制造质量工程湖北省重点实验室
-
出处
《电池》
北大核心
2025年第1期71-77,共7页
-
基金
国家自然科学基金项目(51275158)。
-
文摘
针对软包装锂离子电池表面缺陷特征尺度不一、缺陷检测时小目标检测效果差的问题,提出基于改进YOLOv5的软包装锂离子电池表面缺陷检测算法。首先,将感受野注意力卷积(RFCAConv)融合到Bottleneck结构中,并替换主干网络中的卷积层(Conv),通过有效提取感受野空间特征,提升模型整体性能;其次,将大型可分离核注意力(LSKA)融合到快速空间金字塔池化(SPPF)模块中,增强多尺度特征的提取能力;最后,将P2目标检测层融入路径聚合网络(PANet),提高模型对边缘细节信息的抓取能力,增强模型对小尺度缺陷特征的提取能力。改进后的YOLOv5s算法,均值平均精度为89.1%,较原模型提高4.8个百分点,每秒帧数达40.0,能够满足软包锂离子电池表面缺陷实时检测的需求。
-
关键词
YOLOv5算法
锂离子电池
缺陷检测
感受野注意力卷积(RFCAConv)
可分离大核注意力
P2检测层
-
Keywords
YOLOv5 algorithm
Li-ion battery
defect detecting
receptive field attention convolution(RFCAConv)
separation of large nuclei attention
P2 detection layer
-
分类号
TM912.9
[电气工程—电力电子与电力传动]
TD98
[矿业工程—选矿]
-
