基于CBAM注意力机制的YOLOv5目标检测算法在电力业务证件识别上的应用

针对在电力业务领域传统的人工方式进行证件识别存在的效率低、识别时间长和可靠性低等问题，提出了一种用于电力业务工作中证件识别的改进YOLOv5模型。引入CBAM (Convolutional Block Attention Module)算法提高特征提取性能，解决在图像分辨率低、光线暗等场景下识别率低的问题。通过对改进前后算法模型性能的对比分析，验证了该方法的优越性。实验结果表明，与原有的YOLOv5检测算法相比，所提方法在检测速度上能够满足实际检测的需要，且检测精度更优，检测时间为0.056 s，检测平均准确度均值为95.40%，提高了9个百分点。

在电力行业中，大部分工作场合需要工作人员持有特种作业操作证才能上岗，特别是在一些安全性要求比较高的场所，如发电站、变电站等，要求每一名工作人员必须佩戴有效的电工作业、带电作业或高空作业证件才能进入，防止不相关人员进入工作场所产生安全风险。过往的证件检查方式采用人工识别方式，需要配置一名工作人员在岗亭或门卫处检测每一位进出工作场所人员是否佩戴有效证件。随着人员数量增加，传统的人工检查方式难以满足实际需求，因此需要采用一种自动智能识别证件的方式， 本文提出采用计算机视觉技术进行工作人员的证件识别。首先，采用计算机视觉技术进行证件识别可以提高识别准确率和效率，同时减少工作量和人力成本。其次，通过计算机视觉技术识别的电力业务证件信息，电网公司可以进一步分析数据，统计不同类型证件的使用频率，为证件管理和业务流程优化提供依据。最后，采用计算机视觉等前沿技术手段，可以让电力企业在技术和管理水平上实现现代化，这也是智慧电网建设的一部分。总之，计算机视觉技术为电力企业数字化转型提供了技术支撑，其应用于电力业务证件识别可以带来安全性、效率、精确性等诸多方面的提高，有利于电力企业实现现代化发展。

因此，这一技术应用具有非常重要的意义。

目前，国内外已有许多计算机视觉技术在电力领域上的应用研究，并取得了一些优秀的成果。首先， 在电力设施定期巡检的应用上有基于视觉技术的输电线路巡检[1]，具体的有机器人巡检[2]、直升机巡检[3]、无人机巡检[4] [5]以及遥感卫星巡检[6]等。其中无人机巡检已发展为我国输电线路巡检的主要运维方式[7] [8]。

为提高输电线路自动化巡检水平， 众多学者致力于无人机图像中电力设备的识别与缺陷检测研究[9] [10]。在电力设备图像特征提取方面，主要集中在深度学习方法[11]上。如采用目标检测算法的高压线关键部件检测方法[12]、采用FastCNN 的高压线缺陷检测[13]、基于视觉的变压器缺陷检测[14]等。

因电力设施及其工作环境特殊性，如天气变化，光线变化等，对于视觉技术的检测算法有较大的困难， 在弱光环境下识别率低的情况比较严重。

在电力行业特别是对于电力业务证件的识别场景中，由于背景图像复杂以及光线不足等情况容易造成识别率低的问题，因此，本文提出一种基于CBAM 注意力机制[15]的YOLOv5 检测算法，通过引入