SCI论文（www.lunwensci.com）
摘要：针对光伏热斑检测中传统的算法模型复杂、在小目标检测任务中精度低、易出现漏检等问题， 提出了一种轻量化的 YOLOv5 光伏热斑检测算法模型。首先采用 MobileNetV3 轻量化网络替换主干网络用来提取特征信息， 降低整体网络模型的复杂程度; 其次 在颈部网络中的特征融合中采用 BiFPN 金字塔网络进行多尺度特征融合; 然后在整个模型中穿插引入 CA 坐标注意力机制， 使模型 更好地定位和识别目标特征信息; 最后采用 EIoU Loss 来作为边框回归损失函数， 加快模型训练的收敛速度。实验结果表明： 在相 同的光伏热斑数据集下， 改进后的模型相比原模型在精准率、召回率、平均精准率方面的提升分别为 3.2% 、1.7% 、2.6%， 改进模 型的参数量为原模型的 47.9%， 降低模型复杂程度的同时提升了热斑目标的检测效果。
关键词：光伏热斑,YOLOv5s,轻量化网络,BiFPN 金字塔网络,坐标注意力机制,EIoU
Improved YOLOv5 Lightweight Photovoltaic Hot Spot Detection Algorithm
Zhu Zhe， Huang Yong， Lai Chunqing， Zen Xiaolong， Liu Zewei
(College of Intelligent Systems Science and Engineering, Hubei Minzu University, Enshi, Hubei 445000. China)
Abstract: A lightweight YOLOv5 photovoltaic hot spot detection algorithm model is proposed to address the issues of complex traditional algorithm models, low accuracy in small target detection tasks, and susceptibility to missed detections in photovoltaic hot spot detection . Firstly, the MobileNetV3 lightweight network is used to replace the backbone network for extracting feature information, reducing the complexity of the overall network model. Secondly, BiFPN pyramid network is used for multi-scale feature fusion in the neck network . Then, the CA coordinate attention mechanism is introduced throughout the entire model to better locate and recognize target feature information . Finally, EIoU Loss is used as the frame regression loss function to speed up the rate of convergence of model training . The experimental results show that under the same photovoltaic hot spot dataset, compared to the original model, the improved model has improved accuracy, recall, and average accuracy by 3.2%, 1.7% and 2.6%, respectively. The parameter quantity of the improved model is 47.9% of the original model. Reduce the complexity of the model while improving the detection performance of hot spot targets .
Key words: photovoltaic hot spot; YOLOv5s; lightweight network; BiFPN pyramid network; coordinate attention mechanism; EIoU
引言
近年来， 光伏发电因其清洁、安全的特性， 受到了 全球越来越多的关注， 并且正在迅速发展， 成为当今世 界能源发展的主流之一。 2022 年 7 月， 山东省推动漂浮 式海上光伏发展， 计划建设 500 kW 漂浮式海上光伏项 目。同年 12 月， 三峡集团宣布， 一座百万千瓦级的大型 新能源基地将在内蒙古库布齐荒漠中动工。作为太阳能 电池的核心组件， 其工作的稳定与可靠性直接关系到整 个光伏系统的工作效率与寿命。光伏电池中产生的热斑 是一种常见的缺陷， 它会导致电池的热损失和效率降低， 并可能导致电池损坏， 严重时可能会引起火灾[1]。因此， 对光伏电池中的热斑进行及时准确的检测和诊断， 对于 保证光伏发电系统运行的稳定性、可靠性和安全性具有 重要意义。
目前， 常用的光伏热斑检测方法包括热成像技术、电学方法和光学方法等[2]。其中， 热成像技术以其高精 度、高效、无损等优势， 已成为目前光伏热斑探测的重 要手段之一。文献[3]提出了一种基于灰度直方图的 B 样 条最小二乘拟合的红外热图像处理方法。该方法使用 B 样条函数来拟合灰度直方图， 以获得更准确的模型参数， 从而更好地解决光伏红外热图像中的噪声和非均匀性干 扰， 但在检测精度方面还有待提升。文献[4]提出了一种 改进自私羊群算法的红外热图像光伏热斑识别方法。该 方法采用自适应阈值分割的方法， 以获得更清晰、准确 的图像， 并利用改进的自私羊群算法来有效地检测出热 斑。但在大量的数据集训练下， 模型计算量较大、训练 时间较长。文献[5]提出了一种可见光和红外热图像融合 的光伏热斑检测方法。可以有效地消除阳光反射等环境 的干扰检测出光伏热斑的位置。但检测模型复杂不利于 移动设备端的检测。文献[6]提出了一种基于注意力机制的光伏热斑检测模型 HSNet， 也同样解决了光伏组件因 反光而造成的误检情况。但数据集热斑样本较少， 影响 模型检测效果。文献[7]提出了一种 ResNet 残差结构的全 卷积网络结构用于小尺寸光伏热斑目标进行检测。其中 模型便于嵌入移动设备， 但检测精度有待提高。
本文针对以上光伏热斑检测技术的研究， 提出了一 种 YOLOv5深度学习算法的光伏热斑故障检测方法。主 要 工 作 包 括： (1) YOLOv5 的 主 干 网 络 替 换 为 Mobile ⁃ NetV3 的轻量化网络结构， 减少模型参数并提高运算效 率; ( 2) 颈部网络中的 PANet 网络替换为 BiFPN 金字塔 网络， 进行多尺度融合， 提高网络模型中传递的特征信 息; ( 3) 引入 CA (Coordinate Attention) 注意力机制， 让模型更好地定位与识别目标， 提高检测精度; ( 4) 采 用 Focal Loss EIoU 来作为边框回归损失函数， 提升模型 训练的收敛速度。
1 YOLOv5s 算法
YOLOv5 是一种基于深度学习的一阶段目标检测模 型， 以网络模型参数的大小分为 YOLOv5x 、YOLOv5l、 YOLOv5m 、YOLOv5s 四个版本[8]。其中 YOLOv5s 为模型 参数量最小的一种网络模型， 检测速度最快[9]， 可以有效 地应对不同场景下的目标检测问题，满足实际中光伏热斑 检测中的实时性。 YOLOv5s 的网络结构主要分为Input (输入端)、 Backbone (主干网络)、 Neck (颈部网络)、 Head (头部网络) 4 个部分[10]。其网络结构如图 1 所示。
在输入端对数据集进行数据集增强和预处理方面， 采用的是 Mosaic 数据增强[11]， 其作用是对输入图片随机 缩放、裁剪、翻转、排布的方式进行拼接等操作， 以及 自适应锚框计算和自适应图片的缩放等归一化操作。丰 富检测数据集， 增强小目标的检测效果， 提升网络模型 的鲁棒性和准确率[12]。
主 干 网 络 由 Focus 、 Conv 、 C3 、 SPP 等 模 块 组 成 。 Focus 模块将数据进行切片操作， 然后在通道维度上拼接， 最后进行卷积[13] 。Conv 模块通过卷积操作提取局部 空间信息， 并通过 BN 层规范化特征值分布， 最后通过 激活函数引入非线性变换能力， 从而实现对输入特征的 转换和提取。 C3 模块的作用是让网络的深度和感受野得 到提升， 从而让特征提取更加高效， 同时也让网络可以 更好地适应不同特征信息的分布。 SPP[14] 模块首先对输 入特征图进行不同大小的池化操作， 以得到一组不同大 小的特征图。然后将这些特征图连接在一起， 并通过全 连接层进行降维， 最终得到固定大小的特征向量。
Neck 网络采用 FPN[15] 特征金字塔结构与 PAN[16] 路径 聚合网络结构， 通过上采样和下采样操作将不同层次的 特征图融合在一起， 生成多尺度的特征金字塔， 增强多 个尺度上的定位能力。
Head 目标检测头对特征金字塔进行目标检测的部 分。检测头模块主要负责对骨干网络提取的特征图进行 多尺度目标检测。用于定义不同大小和长宽比的目标框， 对每个检测框进行分类， 判断其是否为目标物体， 对每 个检测框进行回归， 得到其位置和大小。
2 改进模块介绍
2 . 1 MobileNetV3 轻量化网络
在实际检测中存在着光伏组件以外的山地、配电设 备等背景影响。原始 YOLOv5s 在检测中因背景干扰存在着误检情况。因此采用 MobileNetV3[17] 网络用于目标检测 中的特征信息提取。保留更多的小目标特征信息， 降低 检测中的误检情况。 MobileNetV3 是在 MobileNetV2 基础 下改进的轻量化网络模型。作为 MobileNet 系列网络中的 最新版本， 依然采用 MobileNet 系列中的深度可分离卷 积、倒残差结构[18]。在 MobileNetV3 的 block 结构中引入 SE 注意力机制， 并使用了 h-swish 激活函数代替原始的 swish 函数， 减少模型运算量。在整个网络头部减少了第 一 个 卷 积 层 中 的 卷 积 核 个 数， 在 网 络 尾 部 去 除 3× 3Dconv， 1×1Conv 等卷积层， 在不影响检测效果的同时 减少了整个网络模型的复杂程度。在网络结构搜索方面中使用了 NAS 与 NetAdapt 两种技术。
2. 1. 1 block 结构
MobileNetV3 中 block 结构的设计主旨是减少计算量 和参数数量， 同时提高网络的表现。block 结构是 Mobile⁃ NetV3 体现性能优异的重要因素之一。输入特征信息通 过 1×1 卷积升维、 3×3 深度可分离卷积、 SE 模块对特征 向量进行权重赋值、 1×1 卷积降维形成最终输出特征图。 block 结构如图 2 所示。
2. 1.2 SE 模块
SE[19] 注意力机制主要包括 Squeeze 和 Excitation 两个 模块， 该模块能够对特征图上各个位置进行重要度学习， 并且依据重要度对各个位置进行权重调整， 抑制对当前任务无关的特征信息并强化重要的特征信息。 Squeeze模 块将各特征图进行全局平均池化操作以压缩空间维度构 成实数。 Excitation模块由两层全连接层为各特征通道产 生权重值， 并在利用 scale操作对所生成权重值对各通道 特征图进行加权处理[20]， 构成新特征图。 SE 网络结构如 图 3所示。
2.1.3 h-swish激活函数
h-swish激活函数是在 swish 函数的基础上改进而来， 将其中 Sigmoid 函数替换为其分段线性模拟函数， 用于替， 换 MobileNetV2 中的部分 ReLU6. 再保留提取特征精度的 同时减少整体网络计算量。
swish 函数计算公式为：
2.2 BiFPN加权双向特征金字塔
在光伏组件中热斑缺陷大多为小目标且分布密集， 采用 YOLOv5s模型在检测任务中容易出现漏检的情况， 因此采用 BIFPN 金字塔网络替换颈部网络中的 PANet 网 络进行多尺度特征信息融合， 提高网络模型中传递的特 征信息。
BIFPN[21] ( Bi-directional Feature Pyramid Network) 加权双向特征金字塔是一种全新的特征融合方式。 BIF⁃ PN 在 FPN 基础上进行了改进， 主要增加了多个双向连 接， 使得不同层次的特征能够更好地交换和融合， 从而 提高了目标检测的性能。如图 4 ( a) 所示， 在 FPN单向 结构中， 由自上而下的通道进行特征融合。如图 4 (b) 所示， 在 PAN 双向结构在 FPN 的基础上加入了一条自下 而上的通道， 使上层特征的语义信息与下层特征的位置 信息进行融合， 提高提取特征的效率。如图 4 ( c) 所示， BIFP结构中自顶向下的通路， 传递的是上层特征的 语义信息; 自底向上的通路， 传递的是下层特征的位置 信息。BiFPN 具有高效双向跨尺度连接、加权特征融合等 主要特征。双向跨尺度连接是删除掉了一个对特征融合 作用较小的节点， 在不影响特征信息融合的同时简化网 络结构。其次同层的输入与输出之间添加的通道是为了 融合更多的特征信息。然后将上下两个路径融合到一个 特征网络层中， 让更高层次的特征信息进行融合。加权 特征融合是在每个输入添加一个额外的权重， 更好地平 衡不同尺度的特征信息。公式如下所示：
2.3 CA坐标注意力模块
为进一步的提高模型对光伏热斑中部分小目标的检 测效果， 在 YOLOv5s模型中加入 CA 注意力机制。 CA[22] 注意力机制是一种新颖的坐标注意力模块。 CA注意力模 块可以从不同方向提取位置信息到网络通道中。其主要特点是获取通道信息并考虑与方向相关的位置信息， 使整个网络模型更容易定位和识别目标信息， 有效地提升模型的准确率。具有相对较小的计算消耗量， 能够灵活地插入目标检测模型当中。 CA 注意力机制网络结构主要由坐标信息嵌入和坐标注意力两个部分构成， 其网络结 构如图 5所示。
坐标信息嵌入是将水平与垂直两个方向对输入特征 图进行全局平均池化操作， 将坐标信息嵌入到通道注意 中， 使网络结构获得位置信息的长期依赖关系， 保留特 征图的空间结构信息[23]。
高度为 h 的第 c 个通道的输出可表示为：
2.4 损失函数的改进
边界框预测是目标检测中最主要的任务之一。在目 标检测任务中， 想要将检测到的目标框出， 需要对边界 框所在位置的数据进行预测， 以便在框出目标之前获得 准确的位置信息。 YOLOv5 是采用 CIOU loss[24]作为边界 框预测函数， CIOU是在 DIOU 的基础下改进而来， CIOU 的计算公式如下：
式中： IOU 为真实框与预测框的交并比; p (b, bgt )为预测 框与真实框的中心点坐标之间的欧式距离; w 、wgt 、h、 hgt 分别为预测框与真实框的宽和高; wc 、hc 分别为预测 与真实框的最小外接矩形的宽和高; v 为预测框和真实框 长宽比例差值; α 为权衡长宽比例造成的损失和 IOU 部 分造成的损失的平衡因子。
CIoU 损失是在 DIoU 损失的基础上添加了衡量预测 框和真实框宽高比， 在一定范围内可加快预测框的回归 速度。但其缺点是忽略了预测框和真实框宽高与其置信 度的之间的差异。为解决此类问题， 学者在 CIOU 的基 础下提出了新的损失函数 EIOU[25]。该损失函数由重叠损 失 (LIOU )、中心距离损失 (Ldis )、宽高损失 (Lasp ) 3 个 部分构成。前两部分保留了 CIOU 中的重叠损失和中心距离损失， 高宽损失的作用是直接最小化了预测框和真 实框的宽和高之间的差异， 可以更好地反映预测框与真 实框之间的宽高差异， 使其有更快的收敛速度。因此本 算法采用 EIoU 来作为边框回归损失函数。 EIOU 函数公式如下：
2.5 改进后的YOLOv5模型
从 YOLOv5s模型中的主干网络和颈部网络分别进行 改进， 根据上述改进模块特性的研究， 首先用轻量化网 络 MobileNetV3 替换整个主干网络， 在保持目标检测精 度的同时降低网络参数， 尽可能地减少计算量和内存占 用。其次在颈部网络 PFN+PAN结构中， 引入 BIFPN加权 双向特征金字塔特征融合， 实现双向的特征信息流动， 增加了跨越连接， 关注同层特征信息来融合更多特性， 实现简单快速的多尺度特征融合。在以上的基础下， 分 别在网络模型中第 4、8、 11、 15、24、28、32 行加入 CA坐标注意力模块， 对每个通道下特征图的特征信息定 位， 以提升特征提取能力。最后在输出端， 采用 EIOU 损失函数代替原始的 CIOU 作为边框回归损失函数。改 进的 YOLOv5 网络结构如图 6所示。
3 实验结果与分析
3.1 数据采集与处理
采用搭载红外相机的无人机对光伏电站进行拍摄， 并对采集后的光伏红外图片进行筛选， 得到了有热斑缺陷图片 500 张。为满足深度学习训练需求， 提升训练效 果， 对热斑缺陷图片进行扩充， 对上述图片分别进行不 同角度的翻转以及亮度的调整， 如图 7所示， 最终得到 1 500 张图片样本。按照 4 ∶ 1 的比例划分为训练集与验 证集。使用 labelimg 标注软件对热斑缺陷进行标注， 生 成光伏热斑数据集用于网络模型的训练与验证。
3.2 实验配置
计算机采用操作系统为Windows 10. 内存容量 16 GB， 显卡类型为 NVIDIA GeForce RTX 3060. 处理器型号为 AMD Ryzen 7 5800H。深度学习框架为 Pytorch1.13.1. Py⁃ thon 的版本为 3.8. Cuda 的版本为 11.1.
在模型训练时， 图片大小为 640×640. 初始学习率 为 0.01. 批 量 大 小 (batch-size) 为 8. 迭 代 次 数 (ep⁃ ochs) 为 200 轮。在模型训练后， 将生成的目标检测模 型权重文件传入到推理函数中对模型的性能进行评估。
3.3 评估指标
本算法在结果分析中采用精准率 (Precision)、召回 率 (Recall)、平均精准率 (mAP)、参数量 (Params)、 计算量 (GFLOPs) 5个评估指标对实验数据进行对比评 估。混淆矩阵把预测的结果分为以下类别。 TP 表示预测 为热斑实际为热斑的个数; FP 表示预测为热斑实际不是 热斑的个数; FN 表示预测不是热斑实际是热斑的个数; 精准率又称为查准率， 用来判断模型的检测精度; 召回 率又称为查全率， 用来判断模型的漏检程度; AP 值是指 以精准率和召回率所围成的 PR曲线的面积; mAP 值是所 有类别中AP值的均值; 计算公式如下所示：
3.4 实验结果
为了体现出改进的 YOLOv5算法的可行性与优越性 及引入的每个模块对模型的提升效果， 本文进行了 5组 消融实验。表 1 所示为消融实验结果。其中原始的 YO⁃ LOv5s算法记为 A; B是在 A 的基础下在主干网络中引入 了轻量化网络 MobileNetv3; C 是在 B 的基础下在颈部网 络中引入了 BIFPN加权双向特征金字塔模块; D 是在 C 的基础下在整个模型中穿插地引入 CA坐标注意力模块; E是在 D 的基础下采用 EIOU来作为边框回归损失函数。
由表 1 可知， 首先在引入 MobileNetv3 网络之后， 整 体的精准率、召回率、平均精准率都有小幅度的降低， 但网络的参数量以及计算量得到了大幅度的降低， 使整 个网络模型变得轻量灵活。然后在模型 B 的基础下引入 BIFPN 模块之后， 参数量与计算量几乎不变的同时， P 提升了 2.7%， R 提升了 1.4%， mAP 提升了 1.5%。其次在 模型 C 的基础下引入 CA 模块时， P 、R 、mAP 分别提升 了 2.3%、 1.4%、 1.8%。 最 后 在 模 型 D 的 基 础 下 采 用 EIOU 损 失 函 数 时， P 、 R 、 mAP 分 别 提 升 了 0.7 % 、 1.2%、0.7%， 同时参数量与计算量几乎保持不变。
最后将模型 E 与模型 A 相比， 精准率与损失值的对 比如图 8 所示， 随着训练轮数的增加， 模型 E 的精准率 与损失值都逐渐稳定， 精准率提高了 3.2%， 同时参数量 以及计算量降低了约 50%。最终改进的模型 E 在减小模 型复杂度的前提下保证了检测精度。
为了更明显地体现改进算法的检测效果， 对比模型 E 与 A 的检测效果， 如图 9所示。由图可知， 在相同的 3张图片中， 最终改进的模型 E不仅降低了热斑误检个数 与漏检个人， 还在所框住目标的置信度略高于原始的模 型 A， 充分体现了改进后的算法在光伏热斑检测结果上 的检测能力。
3.5 不同算法的对比
将改进后的 YOLOv5s 算法与现阶段同类型的算法 进行检测实验对比。采用相同数据集在同一个检测实 验环境下进行对比， 进一步检验改进算法的检测效果。 对 比 实 验 结 果 如 表 2 所 示， 本 文 改 进 的 算 法 与 YO ⁃ LOv3-tiny 、YOLOv5s 相比， 在精准率方面分别提升了 8.2% 、3.2%， 同时在参数量与计算量上也有一定程度 上的降低。与 YOLOv3 、YOLOv4 相比， 在精准率方面 分别提升 5.7% 、 1.4%， 而在参数量和计算量上有大幅
度的降低。综合以上参数， 本文改进的算法模型在减 少参数量、计算量且提高模型检测速度的前提下， 在 检测精准率上也有明显的提升， 充分体现了改进算法 模型的可行性与优势。
4 结束语
在光伏热斑检测的众多算法中， 存在着过大的参数 量和计算量的问题， 无法更加便捷地嵌入移动设备上用 来实时监测。本文提出了一种轻量化的 YOLOv5s 模型。 将轻量化网络 MobileNetV3 替换原有的主干网络， 在颈 部网络中采用 BIFPN 特征融合方式， 并在整体的网络结 构中穿插引入 CA 坐标注意力机制， 在损失函数方面上 采用 EIOU 损失函数作为边框回归损失函数。实验结果 表明， 本改进算法模型与原始的 YOLOv5s 相比， 在精准 率、召回率、平均精准率上分别提升了 3.2% 、 1.7%、 2.6%， 降低了目标检测中的误检与漏检个数。同时减少 了模型的参数量与计算量， 使模型变得更加轻量化， 提 升了模型检测速度， 满足了在光伏热斑小目标检测的需 求。后续打算将改进算法嵌入移动设备对实际光伏板进 行热斑检测。
参考文献：
[1] 郭梦浩,徐红伟 . 基于 Faster RCNN 的红外热图像热斑缺陷检 测研究[J]. 计算机系统应用,2019.28(11):265-270.
[2] 王瀚笠,郭珂,袁丹夫,等 . 光伏阵列简化模型与故障分析[J]. 通 信电源技术,2019.36(6):4- 10.
[3] 蒋琳, 苏建徽,施永,等 . 基于红外热图像处理的光伏阵列热斑 检测方法[J]. 太阳能学报,2020.41(8):180- 184.
[4] 孙海蓉,周映杰, 张镇韬,等 . 基于改进自私羊群算法的光伏红 外热图像热斑识别方法[J]. 中国电机工程学报,2022.42(24): 8942-8951.
[5] 蒋琳, 苏建徽,李欣,等 . 基于可见光和红外热图像融合的光伏 阵列热斑检测方法[J]. 太阳能学报,2022.43(1):393-397.
[6] 樊涛,孙涛, 刘虎 . 基于注意力机制的光伏组件热斑检测算法 [J]. 北京航空航天大学学报,2022.48(7):1304- 1313.
[7] 王奇,任一峰,王璐 . 小型光伏热斑的全卷积网络模型检测[J]. 测试技术学报,2022.36(3):199-205.
[8] 侯学良,单腾飞, 薛靖国 . 深度学习的目标检测典型算法及其 应用现状分析[J]. 国外电子测量技术,2022.41(6):165- 174.
[9] 张上, 陈益方, 王申涛,等 . 基于 YOLOv5 的改进舰船目标检测 算法[J]. 电光与控制,2023(4):1-9.
[10] 蒋超, 张豪,章恩泽,等 . 基于改进 YOLOv5s 的行人车辆目标检 测算法[J]. 扬州大学学报(自然科学版),2022.25(6):45-49.
[11] Bochkovskiy A, Wang C Y, Liao H Y M. Yolov4: Optimal speed and accuracy of object detection[J]. arXiv preprint arXiv: 2004. 10934. 2020.
[12] 杨锦辉,李鸿,杜芸彦,等 . 基于改进 YOLOv5s 的轻量化目标检 测算法[J]. 电光与控制,2023.30(2):24-30.
[13] 邱天衡,王玲,王鹏,等 . 基于改进 YOLOv5 的目标检测算法研 究[J]. 计算机工程与应用,2022.58(13):63-73.
[14] He K, Zhang X, Ren S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transac
tions on Pattern Analysis and Machine Intelligence, 2015. 37 (9): 1904- 1916.
[15] Lin T Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 2117-2125.
[16] Liu S, Qi L, Qin H, et al. Path aggregation network for instance segmentation[C]//Proceedings of the IEEE conference on Com ⁃ puter Vision and Pattern Recognition, 2018: 8759-8768.
[17] Howard A, Sandler M, Chu G, et al. Searching for mobilenetv3 [C]//Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019: 1314- 1324.
[18] 张银胜,杨宇龙, 吉茹,等 . 改进 YOLOv5s 的风力涡轮机表面缺 陷检测[J]. 电子测量与仪器学报,2023.37(1):40-49.
[19] Hu J, Shen L, Sun G. Squeeze-and-excitation networks[C]//Pro⁃ ceedings of the IEEE Conference on Computer Vision and Pat⁃ tern Recognition, 2018: 7132-7141.
[20] 游越,伊力哈木 · 亚尔买买提 . 基于改进 YOLOv5 在电力巡 检中的目标检测算法研究[J]. 高压电器,2023.59(2):89-96.
[21] Tan M, Pang R, Le Q V. Efficientdet: Scalable and efficient ob ⁃ ject detection[C]//Proceedings of the IEEE/CVF Conference on
[22] Hou Q, Zhou D, Feng J. Coordinate attention for efficient mo ⁃ bile network design[C] // Proceedings of the IEEE/CVF Confer⁃ ence on Computer Vision and Pattern Recognition, 2021:13713- 13722.
[23] 韩岩江,王伟,王峰萍 . 融合坐标注意力和 BiFPN 的YOLOv5s 交 通 标 志 检 测 方 法 [J]. 国 外 电 子 测 量 技 术 , 2022. 41(11): 170- 179.
[24] Zheng Z, Wang P, Liu W, et al. Distance-IoU loss: Faster and better learning for bounding box regression[C]//Proceedings of the AAAI Conference on Artificial Intelligence, 2020.
[25] ZHANG Y F, REN W Q, ZHANG Z, et al. Focal and efficient IOU loss for accurate bounding box eegression[EB/OL]. arXiv: 2101.08158.2021.
第一作者简介：朱 喆 (1995- )， 男， 硕士研究生， 研究领域 为光伏组件故障监测技术。
※通讯作者简介： 黄 勇 (1978- )， 男， 博士， 教授， 硕士 生导师， 研究领域为无线传感器网络技术、智能控制技术。
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/65120.html
