




摘 要:本文基于改進的YOLO算法,針對變電站人員防護設備的檢測問題進行研究。通過添加上采樣結構和引入先進的損失函數和注意力機制CBAM模塊,提出了一種性能優越的改進模型。試驗結果表明,改進模型在檢測精度和準確性方面明顯優于其他經典目標檢測模型,mAP指標提高了2.46%。該研究為變電站人員防護設備的檢驗提供了一種高效可靠的解決方案。
關鍵詞:改進YOLO算法;變電站;人員防護
中圖分類號: TP 274 文獻標志碼:A
變電站是電力系統中重要的組成部分,為了保障工作人員的安全,針對人員防護設備的檢驗顯得尤為重要[1]。傳統的人工檢驗方式費時、費力且存在主觀性較大的問題[2]。因此,本文旨在應用深度學習技術改進目標檢測算法,實現對變電站人員防護設備的自動化檢測。通過引入先進的算法和結構,提高模型的準確性和檢測精度,為變電站的安全管理提供可靠的技術支持。
1 模型改進策略
1.1 損失函數
在變電站人員防護設備的檢驗中,針對每個防護設備,檢驗人員會選擇與其具有最高相關性的預測結果作為匹配對象。如果某個預測結果與實際防護設備的相關性大于設定的閾值,那么將其視為合格;如果相關性小于設定的閾值,那么將其視為不合格[3]。通過這種方式,更準確地匹配預測結果和實際防護設備,從而更好地評估其質量。在評估過程中,采用了一種基于相關性的損失函數。具體來說,針對每個合格的防護設備,模型會計算其預測結果與實際設備之間的相關性,并將其作為損失函數的一部分。……