文献类型：期刊文章

作　　者：徐忠锴[1] 刘艳玲[2] 盛晓娟[3] 汪超[1] 柯文俊[4]

Xu Zhongkai;Liu Yanling;Sheng Xiaojuan;Wang Chao;Ke Wenjun(NR Electric Co.,Ltd.,Nanjing 211102,China;Chuxiong Power Supply Bureau of Yunnan Power Grid Co,Chuxiong 675000,China;China Aerospace Software Testing and Evaluation Center,Beijing 100854,China;School of Computer Science and Engineering,Southeast University,Nanjing 211189,China)

机构地区：[1]南京南瑞继保电气有限公司,江苏南京211102 [2]云南电网有限责任公司楚雄供电局,云南楚雄675000 [3]航天软件评测中心,北京100854 [4]东南大学计算机科学与工程学院,江苏南京211189

出　　处：《系统仿真学报》

基　　金：东南大学新进教师科研启动项目(RF1028623234)。

年　　份：2024

卷　　号：36

期　　号：11

起止页码：2604-2615

语　　种：中文

收录情况：BDHX、BDHX2023、CAS、CSCD、CSCD2023_2024、EAPJ、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对变电站缺陷识别场景下存在的复杂变电缺陷和样本不均衡等问题,提出一种改进的YOLOv5算法。向YOLOv5网络结构中引入Transformer模型,使用自注意力机制捕捉特征之间的长距离依赖关系。引入基于焦点损失的对损失函数进行优化,提高对小样本变电站缺陷的检测准确性和鲁棒性。为适应变电站缺陷识别任务,构建专门的数据集,采用聚类算法对真实标注框进行聚类,生成更准确的先验框。通过遗传算法选择适应该数据集的超参数,提升算法性能。实验结果表明,本文所提算法在变电站缺陷识别任务中取得了较好的性能表现。相较于传统的YOLOv5算法,改进算法在复杂变电缺陷和小样本目标的识别上具有更强的能力。

关 键 词：目标检测 YOLOv5  TRANSFORMER 自注意力机制  变电站缺陷识别  

分 类 号：TP391]