基于改进深度学习模型的海上风电场鸟类快速识别
计算机视觉与模式识别
2023-06-29 v1 图像与视频处理
摘要
风电机组的安全是海上风电场稳定运行的前提。然而，鸟类撞击对风电机组及叶片的安全运行构成直接威胁。此外，每年有数百万只鸟类死于风电机组。为保护生态环境并维持海上风电机组的安全运行，并针对当前目标检测算法在夜间等低光照环境下检测能力低的问题，本文提出一种通过将 CBAM 注意力机制与 RetinexNet 网络集成到 YOLOv5 中以提升网络性能的方法。首先，将训练集图像输入集成 CBAM 注意力模块的 YOLOv5 网络进行训练，并保存最优权重模型。然后，使用 Decom-Net 和 Enhance-Net 对低光照图像进行增强与去噪，并在最优权重模型上测试精度。此外，采用 k-means++ 聚类算法优化锚框选取方法，解决了初始质心不稳定的问题，获得了更好的聚类结果。实验结果表明，该模型在鸟类检测任务中的准确率可达 87.40%，提升了 21.25%。该模型能够实时检测风电机组附近鸟类，并在夜间、雨天和抖动条件下表现出强稳定性，证明该模型能够保障风电机组的安全稳定运行。
引用
@article{arxiv.2306.16019,
title = {Fast Recognition of birds in offshore wind farms based on an improved deep learning model},
author = {Yantong Liu and Xingke Li and Jong-Chan Lee},
journal= {arXiv preprint arXiv:2306.16019},
year = {2023}
}