多尺度特征融合增强检测模型MFFE-YOLO

TP391.4; 为解决传统巡检图像检测方法对电力设备小目标缺陷检测能力弱、错检和漏检率高、浅层网络语义信息不足等问题,提出针对电力设备小目标缺陷的多尺度特征融合增强检测模型(multi-scale feature fusion enhanced you only look once,MFFE-YOLO).该方法设计了一种多尺度特征融合增强机制(multi-scale feature fusion enhancement,MFFE),能够更全面地捕捉目标特征.研究表明:在C2f-EF模块中嵌入跨空间学习多尺度注意力机制EMA以及FasterNet Block,能够优化模型的运行效率;MFFE-...

Full description

Saved in:
Bibliographic Details
Published in辽宁工程技术大学学报（自然科学版） Vol. 43; no. 5; pp. 625 - 632
Main Authors 彭继慎, 马龙泽, 孙梦宇, 刘金龙
Format Journal Article
LanguageChinese
Published 辽宁工程技术大学 电气与控制工程学院,辽宁 葫芦岛 125105%辽宁工程技术大学 软件学院,辽宁 葫芦岛 125105 01.10.2024
Subjects
YOLO
multiscale feature
power inspection
power equipment defects
多尺度特征
特征融合增强
电力设备缺陷
feature fusion enhancement
小目标检测
电力巡检
small target detection
Online AccessGet full text

Cover

More Information
Summary:TP391.4; 为解决传统巡检图像检测方法对电力设备小目标缺陷检测能力弱、错检和漏检率高、浅层网络语义信息不足等问题,提出针对电力设备小目标缺陷的多尺度特征融合增强检测模型(multi-scale feature fusion enhanced you only look once,MFFE-YOLO).该方法设计了一种多尺度特征融合增强机制(multi-scale feature fusion enhancement,MFFE),能够更全面地捕捉目标特征.研究表明:在C2f-EF模块中嵌入跨空间学习多尺度注意力机制EMA以及FasterNet Block,能够优化模型的运行效率;MFFE-YOLO方法的平均精度、参数量和帧率指标均优于其他方法,能够实现高精度与实时性之间的良好平衡.
ISSN:1008-0562
DOI:10.11956/j.issn.1008-0562.20240196