目标检测论文解读复现之七：基于SE-YOLOv5s的绝缘子检测

前言

       此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。

一、摘要

      在电力系统需要巡检的大环境下，人工巡检的传统方式存在很大不便和安全隐患，而采用无人机的目标检测方法在绝缘子检测识别方向有很大的应用前景。针对绝缘子图像检测中存在的场景杂、视角多变、设备计算能力受限等问题，提出了一种改进的轻量级SE-YOLOv5s卷积神经网络来实现对绝缘子的快速目标检测，该方法首先在YOLOv5s网络中融合SE注意力模块，以强化网络对绝缘子目标的辨识能力，随后采用K-means聚类方法构建绝缘子的先验框，以提升定位精度，最后构造置信度与定位任务联合的损失函数，并引入Mosaic数据增强策略训练网络，有效解决训练数据不足的问题。经过实验验证发现，与主流目标检测方法相比，提出的SE-YOLOv5s方法在绝缘子检测准确率、召回率、检测速度及平均精度均值等性能指标上均取得了较好的结果。实验结果表明，该网络对于绝缘子检测有很好的效果，具有更好的鲁棒性，对电力系统的巡检方式具有参考价值。

二、网络模型及核心创新点

1.YOLOv5s网络中融合SE注意力模块

2.K-means聚类方法构建绝缘子的先验框

3.构造置信度与定位任务联合的损失函数

4.引入Mosaic数据增强策略训练网络

三、应用数据集

       自建数据集按照PASCAL VOC数据集格式进行构建，包括600张绝缘子图像，其中540张图像用于模型训练，60张图像用于模型测试。

四、实验效果（部分展示）

       本文提出的检测绝缘子的方法使用深度学习框架Py Torch进行实验，使用SE-YOLOv5s模型进行绝缘子检测。

1. 利用Tensor Board可视化工具可以看到，加入注意力机制后的准确度、召回率、mAP变化情况如下图所示：
2. 绝缘子检测的模型性能见表。从下表中可以看出，本文的SE-YOLOv5s在平均精度均值和检测速度方面均表现较好。

   

五、实验结论

       本文提出了一种基于SE-YOLOv5s的绝缘子检测方法，通过加入注意力机制，平均精度均值以及检测速度得到了提升，并在实验中证实了这个方法的可行性。

六、投稿期刊介绍

注：论文原文出自田庆，胡蓉，佐勇，蔡远征，余兆钗. 基于SE-YOLOv5s的绝缘子检测 
.智能科学与技术学报 .

解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注下面公众号，私信我。