基于轻量化YOLOv4的发电机定子表面缺陷检测算法
一、概述
本论文提出了一种基于轻量化YOLOv4的发电机定子表面缺陷检测算法，以解决目前发电机定子表面缺陷检测中的问题。该算法使用轻量化YOLOv4模型，并将改进的MobileNetv3作为主干特征提取网络，通过在特征融合层引入CSP结构，融合卷积层和BN层的方法，使得模型体积大幅减小。实验结果表明，该算法在发电机定子表面缺陷数据集上的平均检测精度为98.3%，优于原始YOLOv4，模型体积比YOLOv4缩小了84.5%，检测速度提高了45.4%。
二、背景
发电机定子表面缺陷检测是电力系统中一个重要的问题。当前，对发电机定子表面的绝缘缺陷检测几乎都是依靠人工抽转子检测，这种人工缺陷判别的方式受人为因素影响较大。为了解决该问题，本论文提出了一种基于轻量化YOLOv4的发电机定子表面缺陷检测算法，以提高检测的准确率和速度。
三、算法原理
本论文的算法基于轻量化YOLOv4模型，该模型使用改进的MobileNetv3作为主干特征提取网络，并在特征融合层引入CSP结构，融合卷积层和BN层的方法，使得模型体积大幅减小。该算法可以实时检测发电机定子表面缺陷，避免因人工检测造成的漏检、误检、差异化检测的问题。
四、实验结果
实验结果表明，该算法在发电机定子表面缺陷数据集上的平均检测精度为98.3%，优于原始YOLOv4，模型体积比YOLOv4缩小了84.5%，检测速度提高了45.4%。该结果表明，该算法可以实时检测发电机定子表面缺陷，提高检测的准确率和速度。
五、结论
本论文提出了一种基于轻量化YOLOv4的发电机定子表面缺陷检测算法，该算法可以实时检测发电机定子表面缺陷，提高检测的准确率和速度。该算法的提出对于电力系统中的发电机定子表面缺陷检测具有重要的实践价值。
六、关键技术
1. 轻量化YOLOv4模型：该模型可以降低模型的体积和计算复杂度，提高检测速度。
2. 改进的MobileNetv3模型：该模型可以提高特征提取的准确率和速度。
3. CSP结构：该结构可以融合卷积层和BN层，降低模型的体积和计算复杂度。
4. 融合卷积层和BN层：该方法可以提高特征提取的准确率和速度。
七、应用前景
该算法可以应用于电力系统中的发电机定子表面缺陷检测，提高检测的准确率和速度，避免因人工检测造成的漏检、误检、差异化检测的问题，並且可以降低检测成本，提高电力系统的可靠性和稳定性。
