一種改進ＹＯＬＯｖ８ｎ 的電力設備紅外圖像識別網絡

摘 要：針對目前電力設備紅外圖像識別算法存在檢測精度低和模型計算量大的問題，提出一種改進ＹＯＬＯｖ８ｎ 的電力設備紅外圖像識別網絡ＹＯＬＯｖ８ｎＤＣＳＷ。在ＹＯＬＯｖ８ｎ 主干網絡中添加坐標注意力（Ｃｏｏｒｄｉｎａｔｅ Ａｔｔｅｎｔｉｏｎ，ＣＡ） 并使用可變形卷積網絡（Ｄｅｆｏｒｍａｂｌｅ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｔｗｏｒｋ，ＤＣＮ） 替換殘差模塊中的標準卷積，加強復雜環境下對小目標的關注度，提高識別精度；將頸部網絡更換為Ｓｉｍ-ｎｅｃｋ，降低模型運算量；引入Ｗｉｓｅ 交并比（Ｗｉｓｅ Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ，ＷＩｏＵ） 損失函數減少低質量邊框產生的梯度干擾，提升模型的識別精度和收斂速度。實驗結果表明，所提算法在自建紅外數據集上的平均精度均值（ｍｅａｎ Ａｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ，ｍＡＰ） 達到９５． ９％ ，計算量為６． ９ ＧＦＬＯＰｓ，相較原算法ｍＡＰ 提高了１． ７％ ，同時計算量減少了１． ２ ＧＦＬＯＰｓ，滿足電力設備紅外圖像識別的高精度和低計算量要求。

關鍵詞：電力設備紅外圖像；目標檢測；ＹＯＬＯｖ８ｎ；可變形卷積；注意力機制；邊框損失函數

中圖分類號：ＴＰ３９１ 文獻標志碼：Ａ

文章編號：１００３－３１０６（２０２４）１０－２３６２－０９

０ 引言

紅外成像技術因具有不受光照影響、穿透能力強的優勢［１］，在紅外夜視［２］、工業探傷［３］和紅外成像制導［４］等領域得到廣泛應用。電力設備紅外圖像識別對后續的熱缺陷快速篩查與預警起到關鍵作用，然而采用人工判斷和識別不僅效率低下還會造成誤判。因此，如何高效準確地識別紅外圖像中的電力設備仍然是一個具有挑戰性的問題［５］。