基于改进YOLOv5模型的经济林木虫害目标检测算法研究

对经济林木虫害进行目标检测有助于及时发现虫情,从而更有针对性地控制虫害。首先采用加权双向特征融合技术丰富各级特征图的语义信息和修改自适应Anchor计算方法对YOLOv5主干网络模型进行改进,然后在含20种经济林木虫害的图像扩增数据集上进行试验,最后与多种基于深度学习的目标检测方法进行对比。试验结果表明：改进后的YOLOv5模型相对于YOLOv3、YOLOv4、YOLOv5、Faster-RCNN和CenterNet模型,其平均精度均值分别提升0.133、0.156、0.113、0.128和0.078,最优达到0.923,模型推断速度为64.9帧。因此,改进的YOLOv5模型对经济林木虫害检测已达到实际应用水平,可为经济林木虫害预警系统提供算法支撑。     

输电线路杆塔结构优化设计探析

输电线路杆塔结构设计质量会对电网线路运行可靠性及安全性产生直接影响,属于电网安全运行的关键。实际设计环节,须要结合多种因素进行设计,获得最优输电线路杆塔结构,保证输电线路高质量运行。基于此,从杆塔结构优化设计的重要价值及杆塔荷载类型入手,分析我国输电线路杆塔结构设计情况,提出输电线路杆塔结构的优化设计策略及未来发展方向,以供参考。     

输电线路杆塔拉线的图解放样法

介绍一种杆塔拉线放样的方法，它是根据规程拉线对地面夹角误差以及拉线在杆塔绞支处对地平面高度按一定比例画成图，使用时对照经纬仪所测定的视距和仰（俯）角，参照所作的图便可以确定被测点是否在拉线的入土点，同时可以直接量取拉线长度，该图制成后，对确定的杆塔拉线放样是极为方便的，比传统拉线放样法减少了许多计算工作量，且简单、明了。     

110kV输电线路直线杆塔结构设计

输电线路担负着输送和分配电能的重要任务,是电力系统的一个重要组成部分,而在整个电网线路中,输电杆塔占据着极其重要的地位.     

基于输电线路杆塔现状的智能在线监测防控分析系统

加强输电线路技术防护手段,提高技术防护能力,初步实现复杂区域输电线路外力破坏的有效监控,实现监控专人常态化,对隐患能及时发现、及时预警、及时管控,为今后输电线路在线监控专业规范化管理做好准备工作;该监控系统能安装和兼容预警和报警系统,使之具有发现、过滤虚假信号、预警、向后台发送危急信号功能;系统在今后推广到输电线路运维管理各种作业现场的实时监控(基建施工、大修技改工程、大型检修等),逐步扩展到对输电线路的风偏、舞动、盐密、覆冰、雷电等现场数据的实时采集、汇总、分析等功能。     

基于改进YOLOv5s的麦穗检测算法研究

【目的】解决麦穗检测中麦穗之间相互遮挡、麦穗在图像中难以检测和不同环境造成目标模糊等情况导致麦穗检测精度低的问题。【方法】笔者提出一种基于改进YOLOv5s的算法,通过将数据集同时进行离线增强和在线增强,再将YOLOv5s的骨干网络进行改进,增添具有注意力机制的transformer模块,强化主干网络的全局特征信息提取能力,neck结构由原来的PAFPN改为具有双向加强融合的BiFPN特征融合网络,进行多尺度的特征融合。最后,在head部分使用EIoU-NMS来替代NMS,提高对遮挡麦穗的识别度。【结果】相比于其他改进单一结构的YOLOv5s模型,此综合性改进模型具有更好的检测效果,使mAP@0.5:0.95提高了1.4%,改进的算法比原始YOLOv5s算法的mAP@0.5提高了1.8%。【结论】使用离线增强和在线增强的方式可以使模型的精度有所提升;该模型的改进有效增强了麦穗识别过程中特征融合的效率,提高了麦穗检测的效果,能够为后续相关模型的改进升级提供参考。     

基于改进YOLOv5算法的农田杂草检测

随着智慧农业技术和大田种植技术的不断发展,自动除草具有广阔的市场前景。关于除草剂自动喷洒的有效性,农田杂草的精准、快速地识别和定位是关键技术之一。基于此提出一种改进的YOLOv5算法实现农田杂草检测,该方法通过改进数据增强方式,提高模型泛化性;通过添加注意力机制,增强主干网络的特征提取能力;通过改进框回归损失函数,提升预测框的准确率。试验表明,在芝麻作物和多种杂草的复杂环境下,本文方法的检测平均精度均值mAP为90.6%,杂草的检测平均精度AP为90.2%,比YOLOv5s模型分别提高4.7%和2%。在本文试验环境下,单张图像检测时间为2.8 ms,可实现实时检测。该研究内容可以为农田智能除草设备提供参考。     

高寒地区输电线路设计

针对高寒地区的气候特点及呼伦贝尔地区特有的地形、地貌，对输电线路在确定气象三要素、导线与地线选择、金具和绝缘、杆塔结构、杆塔基础等方面进行论述，为高寒地区输电线路设计提供参考。     

对线路施工中杆塔中心位移的探讨

在线路施工当中，一般 情况下，线路中心桩就是杆 塔的中心桩，基础分坑以该 中心桩为准进行。但有的直 线杆塔、转角杆塔、耐张杆 塔，为使杆塔受力最小及杆 塔两边线仍与线路中心线对 应，以免邻近转角（直线）杆 塔承受额外的角度荷载，因 此在这时，应考虑杆塔的中 心位移问题。需要考虑中心 位移的杆塔有如下几种类 型：①直线换位杆塔；②直线 耐张杆塔；③转角耐张杆塔； ④直线转角杆塔（α＜５°）。 由于农网线路大多 接或Ｔ接在电业局变电所 或线路上，输电距离较短，按 照《架空送电线路设计规程》 的规定，可以不考虑线路的 换…     

架空线路杆塔倾斜的正确测量

在农网改造中,杆塔的倾斜测量是工程验收的重要项目之一。实际测量中往往存在概念不清的问题,对此,笔者谈点意见。1杆塔倾斜度的计算公式杆塔的倾斜度,可按下式计算:q=SH×1000‰式中q——倾斜度;S——倾斜值,mm;H——杆塔顶面或测量点至地面的高度,mm。2用经纬仪测量杆塔倾斜用经纬仪测量杆塔时,应将经纬仪架设在顺线路方向距杆塔中心为杆塔高1.5倍的线路中心线位置上,调整好仪器,把镜筒内的十字线交点对准杆塔顶部的中心位置,固定仪器的水平制动螺丝。将镜筒向下转动,使镜筒内十字线竖线和地面横线路中心线相交于O1点,然后在其延长线上…     

分蓄洪区内输电线路的设计

该文提出了分蓄洪区内输电线路设计应考虑的问题,并结合工程实际,就线路的路径优化,杆塔和基础设计原则提出了自己的思路。     

输电线路设计应注意的问题

随着国民经济快速增长,电网建设迅猛发展,电网建设遇到了一些新的问题,该文从输电线路设计角度在方便施工、降低造价、利于运行等方面提出了经验和看法。     

输电线路杆塔基础的测量定位

输电线路作为供电系统的主要组成部分,担负着电能的分配和输送。对于输电线路的新建和改造工程,其测量质量是能否建好一条线路的基础工作。针对输电线路中几种杆塔基础分坑的测量,怎样才能按照设计要求,高标准的做出基础分坑测量,     

一种输电线路杆塔倾斜在线监测装置的研究与设计

针对由于输电线路杆塔倾斜所造成的后果,对输电线路杆塔倾斜在线监测装置进行了研究。设计了一种高度集成、传输可靠、并且能适应恶劣气候环境的输电线路杆塔倾斜在线监测装置,装置能较为准确判断杆塔是否倾斜或出现其它类似故障,及时发送给后台上位机工作人员知晓,以便工作人员能在未发生更为严重事故之前将危害解除。     

基于改进YOLOv5s的日光温室黄瓜霜霉病孢子囊检测计数方法

针对温室孢子捕捉设备所采集图像中孢子囊分布密集、粘连堆叠和背景复杂的特点,提出一种基于改进YOLOv5s的黄瓜霜霉病孢子囊检测算法。首先,使用带CBAM(Convolutional Block Attention Module)注意力机制的Ghost卷积替代原始网络中的CSP(Cross Stage Partial)模块,抑制背景中的杂质,在保证产生丰富特征图的同时,降低模型的参数量,提升计算速度。其次,修改特征融合网络的连接方式,删除原来负责大物体检测的分支并加入一个更细粒度的分支,以加强对小目标和密集、堆叠目标的检测。最后,对不同预测头产生的损失值赋予不同的权重,并用考虑中心点距离的DIOU＿NMS非极大值抑制方法代替原来的NMS方法。改进后的YOLOv5s算法的平均准确率和FPS分别为91.18%和65.4帧/s,比原始的YOLOv5s算法高4.88%和7.1帧/s。该研究可为监测黄瓜霜霉病的发生和发展提供数据支撑,对于保障黄瓜的产量和质量具有重要意义。     

基于YOLOv5的行人检测方法研究

将YOLOv5算法应用于行人检测的实验研究。首先,在YOLO网络的输入端对数据集图像Mosaic数据增强、自适应缩放、自适应锚框计算,并利用创新的Focus结构对图像进行切片操作,增加其维度。然后,在Neck部分采用FPN+PAN结构进行卷积操作,加强网络特征融合的能力。最后,在输出端利用GIOU_Loss函数优化网络参数,加速模型收敛。实验结果分析可知,基于YOLOv5的行人检测方法准确率更高,速度更快。     

基于改进YOLOv5的玉米叶枯萎检测

叶片枯萎是玉米生长过程中最常见的症状之一,利用视觉传感与模式识别技术实现玉米叶枯萎的自动检测可极大提高玉米的产量和生产效率,是智慧农业发展的重要方向。针对玉米叶遮挡场景下的枯萎检测问题,通过YOLOv5单阶段目标检测框架对叶片进行建模,并结合通道和空间注意力机制对模型架构进行改进,增强其骨干网络的特征提取能力,提高小目标玉米叶枯萎的检测精度。试验结果表明,提出的方法在Stewart＿NLBimages＿2019数据集上检测性能优于YOLOv5,检测平均精度均值达到86.84%,具有广阔的应用前景。     

改进YOLOv5的叶片黑斑病检测算法研究

针对传统的YOLOv5算法对叶片中小尺度及密集黑斑病辨识精度不高的问题,提出一种用于黑斑病检测的改进YOLOv5算法。首先,增加小尺度检测层,提升网络对小尺度目标的辨识能力,以此来增加对小尺度叶片黑斑病的检测正确率;其次,加入注意力机制,提升网络的特征提取能力,从而提升对叶片黑斑病的检测正确率;最后,将YOLOv5算法的非极大值抑制(Non-Maximum Suppression,NMS)改为DIoU＿NMS,提升网络对重叠目标的检测效果,以便对叶片中密集的黑斑病进行识别。实验结果表明：相比于传统的YOLOv5方法,改进后的YOLOv5算法的精准率(Precision,P)和召回率(Recall,R)分别由86.4%、77.8%提升至93.5%、80.0%,平均精度均值(mean Average Precision,mAP)也由85.1%提升到88.7%。     

基于轻量化YOLOv5s的花椒簇检测研究

针对现有花椒簇检测算法模型参数量多、计算量大、检测速度低、很难部署到嵌入式设备的问题,提出一种基于轻量化YOLOv5s的花椒簇检测算法模型。首先将ShuffleNet v2主干网络替代原YOLOv5s中的主干网络进行重构;同时将SPPF嵌入至ShuffleNet v2骨干中;其次引入轻量级注意力机制CBAM;最后使用SIoU＿Loss代替CIoU＿Loss作为回归损失函数。试验结果表明：改进后的轻量化YOLOv5s网络参数降低85.6%,计算量降低87.7%,对花椒簇的检测精度mAP@0.5达到92.6%,较原YOLOv5s模型提高3.4%,mAP@0.5:0.95达到61.4%,检测时间为11 ms,相比原模型16 ms缩短31.3%,可以满足在现场环境下对花椒簇的检测。