文件大小：1.58M
摘要：为解决现有变电站设备缺陷检测算法在复杂背景下存在的主干网络特征提取能力不足，以及在面对尺度不一、形状多样的目标时，从颈部到检测头的输入特征的表达能力弱，导致模型检测精度下降、错检和漏检严重的问题，提出了一种基于改进YOLOv8的变电站设备缺陷检测算法。在主干网络部分设计了跨分支特征融合（Cross-Branch Feature Fusion， CBFF）模块，通过多分支特征提取与融合策略，增强网络的特征提取能力，CBFF模块内集成了基于双卷积结构的感受野注意力特征提取（Receptive-field Attention Feature Extraction， RAFE）子模块，其核心为引入感受野注意力卷积和卷积注意力模块改进后得到的感受野卷积注意力（Receptive-field Convolutional Block Attention Module Convolution， RFCBAMConv）模块；在颈部网络中采用多尺度卷积与多维协作注意力机制，重构颈部中不同检测层前的跨阶段高效双卷积瓶颈（Faster Implementation of Cross Stage Partial Bottleneck with 2 Convolutions， C2f）模块，增强模型对多尺度目标的辨识能力。实验结果表明，相较于YOLOv8s基准模型，改进后的算法在精度、召回率、mAP@0.5、mAP@0.5:0.95上，分别提升了1.4%、3.2%、3.7%、2.2%，同时参数量减少0.6 M。在与目前主流的9种目标检测算法对比中，所提算法的综合性能最优，进一步验证了其在变电站设备缺陷检测中的优势。
文章目录
0 引言
1 变电站设备缺陷检测网络
1.1 RAFE模块
1.2 CBFF模块
1.3 DRE＿M＿C2f模块
2 实验设计与结果分析
2.1 实验数据集
2.2 实验环境及参数设置
2.3 评估指标
2.4 实验结果与分析
2.4.1 CBFF模块通道划分方式对比实验
2.4.2 感受野与尺度扩展对比实验
2.4.3 注意力机制的分析对比
2.4.4 消融实验
2.4.5 算法性能对比实验
2.4.6 算法检测效果可视化
2.4.7 泛化性对比实验
3 结束语
