YOLOv8-MCDE para la detección ligera de pequeños instrumentos en fondos complejos desde la perspectiva de los robots...

Área de la Ciencia:

• Visión por computadora
• La robótica
• Inteligencia artificial

Sus antecedentes:

• La inspección del equipo de la subestación es un desafío debido a entornos complejos y la necesidad de reconocimiento de objetos pequeños.
• Los algoritmos existentes a menudo carecen de la eficiencia y precisión requeridas para el despliegue en tiempo real en robots de inspección.

Objetivo del estudio:

• Desarrollar un algoritmo ligero de detección de objetos pequeños (YOLOv8-MCDE) para el reconocimiento por instrumentos en subestaciones.
• Mejorar el rendimiento de detección en tiempo real y la precisión de los robots de inspección en dispositivos informáticos de borde.

Principales métodos:

• Utilizado MobileNetV3 como la columna vertebral para reducir la complejidad del modelo.
• Fusión de características de escala cruzada integrada (CCFF) y Atención de gran núcleo deformable (D-LKA) para mejorar la detección de objetos pequeños.
• Sustitución de la pérdida de CIOU por la pérdida de EIOU para una mejor localización y una convergencia más rápida.

Principales resultados:

• YOLOv8-MCDE logró un 92,80% de precisión y un 91,36% de mAP50, superando el rendimiento del YOLOv8 original.
• Reducción de las operaciones de punto flotante (FLOP) en un 37,68% y del tamaño del modelo en un 36%.
• Demostró mejoras significativas en la detección en tiempo real y las capacidades de reconocimiento de objetos pequeños.

Conclusiones:

• YOLOv8-MCDE ofrece una solución computacionalmente eficiente y precisa para la inspección de equipos en entornos complejos.
• El algoritmo es adecuado para el despliegue en robots de inspección, mejorando sus capacidades operativas.
• La estructura optimizada del modelo y la función de pérdida contribuyen a un rendimiento superior en escenarios desafiantes.