【目标检测论文解读复现NO.28】基于改进YOLO v5的电厂管道油液泄漏检测

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

针对电厂油库、化水车间等关键区域油液管道时常发生泄漏问题，本文提出了一种基于改进YOLO v5的电厂关键区域管道油液泄漏检测方法，通过融入CBAM注意力机制模块，加强对管道油液泄漏区域图像的特征学习与特征提取，同时弱化复杂背景对检测结果的影响；在此基础上运用了双向特征金字塔网络进行多尺度特征融合，减少冗余计算，同时提升算法对小目标的检测能力；最后采用Focal EIoU Loss作为损失函数，使回归过程更加专注于高质量锚框，加快收敛速度，提高模型的回归精度和鲁棒性。实验结果表明，本文所提出的改进算法在真实样本中表现良好，平均准确率达79.6%，较原YOLO v5s目标检测算法提高了38.4%，在电厂复杂背景下的误报率和漏报率明显下降，可有效应用于实际生产环境中。

二、网络模型及核心创新点

个人解读：这篇文章算是应用上面的创新比较强，自己制作了数据集，改进的方法几个方法之前的博文里面都有介绍，所以朋友们发文章可以多考虑考虑比较少见的应用，也可以中核心期刊。

1.融入CBAM注意力机制

2.基于BiFPN的多尺度特征融合网络

3. Focal EIoU Loss损失函数

三、应用数据集

通过到电厂实地考察并进行管道泄漏场景模拟实验，以及综合电厂已有的泄漏图像和视频数据，构建了涵盖室内外管道、阀门等多个场景的电厂关键区域管道泄漏检测数据集。通过视频、图片的形式采集了大量的数据，最终通过数据清洗，保留了3000张管道油液泄漏图像用于构建数据集。

四、实验效果（消融实验）

本文针对原YOLO v5s模型的主干网络、特征融合和损失函数等进行了改进，为了评估各项改动和各项改动组合对于算法性能优化的程度，本文进行了消融实验，实验结果如表6所示。

实验结果表明，各项改动单独应用均能够对最终的结果产生正向优化，其中Focal EIoU Loss对于识别准确率的贡献相对较为明显。不同改动之间的组合对整体的表现也都产生了正向优化，三项改动组合起来同时应用对于最终的识别精度优化效果最好，达到了79.6%的平均准确率，取得了所有算法中最好的检测效果。通过现场场景的模拟测试，能够对现场中的油液滴漏现象进行准确检测，且误检率低，通过与视频监控软件的结合就能够构成电厂管道油液泄漏检测系统，实现实时检测，具有很高的实际应用价值。

五、实验结论

通过对比原YOLO v5s目标检测算法，本文针对复杂的电厂关键区域管道油液泄漏场景，提出基于改进YOLO v5s的管道油液泄漏检测算法，通过融入CBAM注意力机制模块，弱化复杂背景对检测结果的影响，加强对管道油液泄漏图像区域特征的学习，使得模型更加专注于对管道泄漏特征的提取；运用双向特征金字塔网络进行多尺度特征融合，减少冗余计算，同时提升算法对小目标的检测能力；采用Focal EIoU Loss作为损失函数，使回归过程更加专注于高质量锚框，加快收敛速度，并提高模型的回归精度和鲁棒性。

六、投稿期刊介绍

注：论文原文出自彭道刚，潘俊臻，王丹豪，胡捷．基于改进YOLO v5的电厂管道油液泄漏检测[J/OL]．电子测量与仪器学报. https://kns.cnki.net/kcms/detail//11.2488.tn.20221219.1324.003.htl

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。