文献类型：期刊文章

作　　者：彭继慎[1] 孙礼鑫[1] 王凯[2] 宋立业[1]

Peng Jishen;Sun Lixin;Wang Kai;Song Liye(Faculty of Electrical and Control Engineering,Liaoning Technical University,Liaoning 125100,China;Huludao Power Supply Company,State Grid,Liaoning 125000,China)

机构地区：[1]辽宁工程技术大学电气与控制工程学院,辽宁125100 [2]国家电网葫芦岛供电公司,辽宁125000

出　　处：《仪器仪表学报》

基　　金：辽宁省教育厅科学技术研究创新团队项目(LT2019007);辽宁省重点研发计划指导计划项目(2019JH8/10100050);辽宁省高等学校国(境)外培养项目(2019GJWZD002);辽宁省教育厅科学技术研究服务地方项目(LJ2019FL003)资助。

年　　份：2021

卷　　号：42

期　　号：10

起止页码：161-170

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对现有卷积神经网络模型体积大、运算量高,导致电力巡检无人机检测速率与精度无法兼顾的问题,提出一种基于模型压缩的ED-YOLO网络实现无人机避障的目标检测算法。该目标检测算法以YOLOv4为基础,首先在主干网络中加入通道注意力机制,在不增加计算量前提下提高检测精度;其次在特征金字塔部分运用深度可分离卷积替换传统卷积,减少卷积计算量;最后利用模型压缩策略裁剪网络中冗余通道,减小模型体积并提高模型检测速度。在自主构建的9600张电力巡检无人机飞行障碍的数据集进行测试,ED-YOLO与YOLOv4相比,其障碍物目标检测的平均精度均值只降低了1.4%,而模型体积减少了94.9%,浮点运算量减少了82.1%,预测速度提升了2.3倍。实验结果表明,对比多种其他现存方法,本文提出的基于模型压缩的ED-YOLO目标检测算法有着精度高、体积小和检测速度快的优势,满足电力巡检无机避障检测要求。

关 键 词：电力巡检无人机  目标检测 注意力机制  深度可分离卷积  模型压缩  

分 类 号：TM755] TH39]