关键词：输电线路场景;目标检测;多目标跟踪;YOLOv5s;ByteTrack
摘 要：在输电线路巡检任务中，采用深度学习技术实现施工机械运动目标的有效跟踪对智能电网建设至关重要。针对目标间遮挡干扰、误检漏检造成多目标跟踪性能显著下降的问题，提出一种改进YOLOv5s与优化ByteTrack相结合的多目标跟踪算法。在目标检测部分，首先，采用轻量级的Ghost卷积和无参注意力(SimAM)构建SGC3模块，提高特征利用率，减少模型冗余计算；其次，在主干网络深层提出卷积引导的三重注意力模块(R-Triplet)，利用多分支结构增强模型跨维度信息交互，抑制不相关背景信息以提高目标关联能力；最后，在特征融合部分添加多分支感受野模块(MRB)，利用空洞卷积扩大目标感受野，增强多尺度目标全局特征信息复用。在目标跟踪部分，在ByteTrack算法的基础上，根据施工机械的运动特点，提出一种自适应计算噪声尺度的NSA卡尔曼滤波算法，用于缓解低质量检测框对滤波算法性能的影响；并在数据关联部分引入GSI高斯平滑插值算法，进一步完善多目标跟踪效果。实验结果表明，所提CRM-YOLOv5s算法平均精度均值(mAP)达到了97.4%，与基线算法相比提升了3.8个百分点，参数量和浮点运算量分别减少了0.3M和1.8GFLOPs，在多种应用场景下泛化能力更强；同时与改进后的ByteTrack相结合，相较于原YOLOv5s+ByteTrack跟踪算法，多目标跟踪准确度(MOTA)提升了4.5个百分点，目标身份切换次数(IDs)减少了15次，且获得了较高的推理速度，能够满足输电线路场景下施工机械多目标跟踪任务。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取