Resumen

El algoritmo tradicional de detección de objetos de imagen aplicado en la inspección de energía no puede posicionar de manera efectiva los componentes de energía, y la precisión de reconocimiento es baja en escenas con cierta interferencia. En esta investigación, propusimos un método de detección de energía basado en datos utilizando el modelo YOLOv4-tiny mejorado, que combinó el módulo ResNet-D y el Res-CBAM ajustado en la red principal del módulo YOLOv4-tiny existente. Reemplazamos el módulo CSPOSANet en la red principal de YOLOv4-tiny con el módulo ResNet-D para reducir los FLOPS requeridos por el modelo. Al mismo tiempo, el Res-CBAM ajustado cuyas formas de fusión de características se reemplazaron con apilamiento en los canales se combinó como un clasificador auxiliar. Finalmente, las características de cinco escalas receptivas diferentes se utilizaron para la predicción, y la visualización de los resultados se optimizó mediante la fusión de las cajas de pred

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Detección de objetos de imagen tradicional; Inspección de energía; Modelo YOLOv4-tiny; Módulo ResNet-D; Res-CBAM.
• Keywords:Traditional; Image object detection; Power inspection; YOLOv4-tiny model; ResNet-D module; Res-CBAM.