一个新的24小时×7天断线检测和细分框架,基于动态多窗口注意力和元转移学习

科学领域:

• 电气工程 电气工程
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 由于灯光变化和数据不足,检测变电站电线损坏是很困难的.
• 现有的方法在现实条件下难以获得准确性和稳定性.

研究的目的:

• 开发一个强大的24/7框架,用于检测和细分受损的变电站电线.
• 为了应对低光条件和有限的注释数据的挑战.

主要方法:

• 提出了一个新的框架,集成低光图像增强,基于YOLOv11n的检测/细分网络,具有动态多尺度窗口注意力 (DMWA) 和元转移学习.
• 构建了一个由3760张RGB图像组成的数据集.
• 在10至20万卢克斯的照明条件下评估性能.

主要成果:

• 拟议的框架显著提高了断线检测和细分性能.
• 在广泛的照明条件下表现出更好的强度.
• 超转移学习有效地支持小样本培训,并减轻了负面转移.

结论:

• 新的框架为自动化变电站电线检查提供了实质性的改进.
• 动态的多尺度窗口注意力和元转移学习策略是强大的表现的关键.
• 这种方法提高了变电站维护的安全性和效率.