摘 要：針對目前電力設(shè)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(shè)備紅外圖像識別網(wǎng)絡(luò)ＹＯＬＯｖ８ｎＤＣＳＷ。在ＹＯＬＯｖ８ｎ 主干網(wǎng)絡(luò)中添加坐標注意力（Ｃｏｏｒｄｉｎａｔｅ Ａｔｔｅｎｔｉｏｎ，ＣＡ） 并使用可變形卷積網(wǎng)絡(luò)（Ｄｅｆｏｒｍａｂｌｅ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｔｗｏｒｋ，ＤＣＮ） 替換殘差模塊中的標準卷積，加強復(fù)雜環(huán)境下對小目標的關(guān)注度，提高識別精度；將頸部網(wǎng)絡(luò)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(shù)減少低質(zhì)量邊框產(chǎn)生的梯度干擾，提升模型的識別精度和收斂速度。實驗結(jié)果表明，所提算法在自建紅外數(shù)據(jù)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(shè)備紅外圖像識別的高精度和低計算量要求。

關(guān)鍵詞：電力設(shè)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(shù)

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(shù)因具有不受光照影響、穿透能力強的優(yōu)勢［１］，在紅外夜視［２］、工業(yè)探傷［３］和紅外成像制導(dǎo)［４］等領(lǐng)域得到廣泛應(yīng)用。電力設(shè)備紅外圖像識別對后續(xù)的熱缺陷快速篩查與預(yù)警起到關(guān)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(shè)備仍然是一個具有挑戰(zhàn)性的問題［５］。