针对YOLOv5无法通过权重进行聚焦,产生更具有分辨性的特征,从而降低安全帽检测准确性的问题,使用注意力模块,并分别研究压缩激励层(Squeeze and Excitation Layer,SEL)和高效通道注意力(Efficient Channel Attention,ECA)模块。针对YOL...针对YOLOv5无法通过权重进行聚焦,产生更具有分辨性的特征,从而降低安全帽检测准确性的问题,使用注意力模块,并分别研究压缩激励层(Squeeze and Excitation Layer,SEL)和高效通道注意力(Efficient Channel Attention,ECA)模块。针对YOLOv5去除冗余框时采用的非极大值抑制(Non Maximum Suppression,NMS)在物体高度重叠时仅保留同类最高置信度预测框的问题,使用Soft-NMS算法保留更多的预测框,并进一步使用加权非极大值抑制(Weighted Non Maximum Suppression,WNMS)融合多次预测框信息提升预测框准确性;针对下采样带来的信息丢失问题,使用Focus模块提升检测效果;综合各个模块得到最优的FESW-YOLO算法。该算法在安全帽数据集上的m AP@0.5、m AP@0.5:0.95相较于YOLOv5分别提高了2.1个百分点、1.2个百分点,提升了安全帽监管准确性。展开更多
1背景介绍某供电公司辖区内1号变压器自9月1日起每日线损超大,稳定在100 k Wh左右。由于线损超大发生地点具有范围广、线路复杂、作业半径大等情况,排查效率较低。基于此,本文介绍一种基于线损检测装置的超大线损排查方法,并通过线损分...1背景介绍某供电公司辖区内1号变压器自9月1日起每日线损超大,稳定在100 k Wh左右。由于线损超大发生地点具有范围广、线路复杂、作业半径大等情况,排查效率较低。基于此,本文介绍一种基于线损检测装置的超大线损排查方法,并通过线损分析仪对超大线损进行分析与诊断。展开更多
文摘针对YOLOv5无法通过权重进行聚焦,产生更具有分辨性的特征,从而降低安全帽检测准确性的问题,使用注意力模块,并分别研究压缩激励层(Squeeze and Excitation Layer,SEL)和高效通道注意力(Efficient Channel Attention,ECA)模块。针对YOLOv5去除冗余框时采用的非极大值抑制(Non Maximum Suppression,NMS)在物体高度重叠时仅保留同类最高置信度预测框的问题,使用Soft-NMS算法保留更多的预测框,并进一步使用加权非极大值抑制(Weighted Non Maximum Suppression,WNMS)融合多次预测框信息提升预测框准确性;针对下采样带来的信息丢失问题,使用Focus模块提升检测效果;综合各个模块得到最优的FESW-YOLO算法。该算法在安全帽数据集上的m AP@0.5、m AP@0.5:0.95相较于YOLOv5分别提高了2.1个百分点、1.2个百分点,提升了安全帽监管准确性。
