一、谷歌开谷歌背景介绍

针对现有的基于检测无人机电力巡检中的目标检测算法小目标识别精度低、检测的开源元件及缺陷类型较为单一、检测速度和精度无法同时满足的网缺问题，提出一种改进的识别 EfficientDet 目标检测算 法，该算法应用于无人机电力巡检图像的谷歌开谷歌数据挖掘，对高压输电线路上的基于检测绝缘子、防震锤、开源均压环、网缺屏蔽环、识别鸟巢同时进行目标检测及缺陷定位。谷歌开谷歌

二、基于检测什么是开源EfficientDet 

EfficientDet是由谷歌大脑团队开源的一款对象检测模型，它利用了若干优化和主干调整，网缺例如使用BiFPN，识别以及一种复合缩放方法，该方法同时均匀缩放所有主干、特征网络和盒/类预测网络的分辨率、深度和宽度。是涵盖轻量级到高精度的多个模型，COCO数据集上达到 50.9 mAP，一经推出便获得了大量关注！

三、EfficientDet 解决的痛点问题与改进思路

首先通过 Imgaug 数据增强库对现有的 1 468 张 国家电网某检修公司标准化无人机巡检数据集进行数据增强；然后在加强特征提取网络双向特征金字塔网络（BiFPN）特征融合时融入小一级尺度的特征层，提高了小目标检测能力，对主干特征 提取网络 EfficientNet 的倒残差模块进行改进，引入坐标注意力机制（CA）提高了主干特征提取 效率；最后进行对比训练实验。

四、数据集设计

4.1 实验数据

原始数据集共 1468 张，来源于国网某检修公司无人机巡检作业时拍摄的标准化照片。由于机器学习的训练中，数据集的质量对训练效果和检测效率有较大的影响，现有的原始数据集数量有限，直接用于训练得出的结果难以满足电力巡检的精度要求，所以利用 Imgaug 数据增强库进行数据扩充，模拟实际巡检时拍摄模糊、噪声、天气恶劣等情况，提升训练模型抗干扰的鲁棒性，实验效果如下图所示：

4.2 数据集类别分析与拓展情况

五、模型结构图

EfficientDet 目标检测算法由 EfficientNet 主干 特征提取网络、不同层数的双向特征金字塔网络 （Bidirectional Feature Pyramid Networks, BiFPN）加 强特征提取网络和先验框分类与调整网络三部分组成。

六、实验环境

6.0 实验代码

GitHub - xuannianz/EfficientDet: EfficientDet (Scalable and Efficient Object Detection) implementation in Keras and TensorflowEfficientDet (Scalable and Efficient Object Detection) implementation in Keras and Tensorflow - GitHub - xuannianz/EfficientDet: EfficientDet (Scalable and Efficient Object Detection) implementation in Keras and Tensorflowhttps://github.com/xuannianz/EfficientDet

实验步骤的话，就是换个数据集就行，数据集因为是实验室自己的，所有不能提供，自己找个其他的数据集也可以哦！所以实验参考下文即可：

睿智的目标检测38——TF2搭建Efficientdet目标检测平台（tensorflow2）_Bubbliiiing的博客-CSDN博客

6.1 实验设备

 6.2 训练损失图像

6.3 实验结果

五、结果分析

EfficientDet 算法在元件检测及缺陷定位测试集上平均均值精度达到 90.2%可以满足电力巡检中准确性的要求。