目录

3.5 YOLOv3

3.5.1网络架构

3.5.2网络输出

3.5.3损失函数

3.6 YOLOv4

基于深度学习的遥感目标检测算法

4.1引言

4.2基于卷积神经网络的目标检测算法

4.2.1自适应多尺度特征提取器

4.2.2基于自适应特征融合特征图金字塔结构设计

扫描二维码关注公众号，回复： 17580694 查看本文章

4.2.3 Transformer-Decoder模块

4.3高压输电杆塔及易漂浮物目标检测验证

4.3.1实验环境

4.3.2训练过程

4.3.3结果分析

输电走廊的易漂浮物风险分析及可视化方法

5.1引言

5.2易漂浮物风险等级划分算法

5.2.1线路信息采集及JPDF分析计算

5.2.2线路漂浮物跳闸率计算

5.2.3风险等级评定

5.3输电走廊的易漂浮物风险分析方法

5.3.1识别的大棚目标坐标聚合构建大棚区域信息集

5.3.2由杆塔信息矫正并构建输电走廊

5.3.3分析计算各大棚区域的风险等级

5.4 GIS平台可视化方案

5.4.1转换输出输电走廊相关数据

5.4.3 GIS平台可视化验证

知识拓展

基于YOLOv5的输电走廊风险点检测与可视化系统实现方案

一、环境配置与数据准备

二、数据集配置文件

三、模型训练与优化

四、风险点检测与可视化

五、关键优化技术

六、可视化界面开发（PyQt5）

---

本文篇幅较长，分为上下两篇，上篇详见基于遥感图像目标检测的输电走廊风险点及可视化研究

3.5 YOLOv3

YOLOv3不仅保留了前两代算法中的精华，而且吸纳了其他先进算法中的 优点，是目前工业界应用最广泛的目标检测算法之一。YOLOv3相对于前两代
的算法主要做了以下改进。

3.5.1网络架构

YO