文献类型：期刊文章

作　　者：范新南[1,2] 黄伟盛[2] 史朋飞[1,2] 辛元雪[2] 朱凤婷[2] 周润康[2]

FAN Xin-nan;HUANG Wei-sheng;SHI Peng-fei;XIN Yuan-xue;ZHU Feng-ting;ZHOU Run-kang(Jiangsu Key Laboratory of Power Transmission&Distribution Equipment Technology,Changzhou Jiangsu 213022,China;College of Internet of Things Engineering,Hohai University,Changzhou Jiangsu 213022,China)

机构地区：[1]江苏省输配电装备技术重点实验室,江苏常州213022 [2]河海大学物联网工程学院,江苏常州213022

出　　处：《图学学报》

基　　金：江苏省输配电装备技术重点实验室开放研究基金项目(2021JSSPD03)。

年　　份：2022

卷　　号：43

期　　号：3

起止页码：396-403

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、JST、ZGKJHX、核心刊

摘　　要：随着机器人技术的快速发展,智能机器人广泛应用于变电站巡检,针对目前目标检测算法参数量过大且嵌入式设备性能有限,难以在嵌入式平台上实现实时检测的问题,提出了一种基于改进YOLOv4的嵌入式变电站仪表检测算法。以YOLOv4为基础,采用MobileNetV3作为主干特征提取网络,在保证模型能够有效提取特征的情况下,降低运算量,提高检测速度;与此同时,将特征提取后的路径聚合网络(PANet)中的卷积运算替换成深度可分离卷积;采用迁移学习的训练策略克服模型训练困难问题;最后,利用TensorRT对改进后的模型进行重构和优化,实现快速和高效的部署推理。改进后的算法在嵌入式端NVIDIA Jetson Nano上进行了测试,实验结果表明,在牺牲了较少精度的情况下,检测速度提高了2倍,达到15 FPS,为边缘计算场景下的仪表实时检测提供了可能。

关 键 词：深度学习  变电站仪表  目标检测 YOLOv4  迁移学习  

分 类 号：TP391]