基于改进YOLO11网络的电力设备红外图像检测方法

本发明涉及计算机视觉与电力系统自动化的，尤其是指一种基于改进yolo11网络的电力设备红外图像检测方法。

背景技术：

1、在电力系统自动化监测领域，红外成像技术因其特有的成像原理，能够提供可见光环境之外的设备运行信息，是电力设施全天候状态监控的重要数据来源。然而，在复杂的电力运行环境下，如何实现对红外图像中电力设备的高效、精准自动化识别，仍是当前智能化运维中的核心难题。

2、目前，虽然计算机视觉与深度学习技术在通用目标检测领域取得了显著进展，但将相关算法直接应用于电力红外图像检测时，效果往往不尽人意。首先，红外图像普遍存在对比度低、边缘纹理模糊等视觉特性，背景中复杂多变的热辐射源常与待检设备特征发生重叠或干扰，导致模型难以稳定提取目标的语义信息。其次，电力系统设施的物理尺寸跨度极大，在同一成像视角下，不同目标在图像中所占的像素比例差异显著，现有的多尺度特征融合机制在处理此类目标时，容易出现小尺寸目标丢失或大尺寸目标感知不全的问题。此外，电力部件形态各异，存在大量非标准比例的几何构型，传统的定位回归算法在应对此类特定几何分布的目标时，往往存在收敛精度不高的局限。

3、综上所述，现有技术在处理电力红外图像时，尚缺乏一种能够兼顾背景抗干扰能力、多尺度特征适配以及高精度几何定位的综合性解决方案，难以满足高可靠性巡检的需求。本发明旨在提供一种更为智能化、稳健的电力设备红外图像检测方案，以弥补现有技术在复杂环境下的不足。

技术实现思路

1、本发明的目的在于提供一种基于改进yolo11网络的电力设备红外图像检测方法，能够在复杂电力背景条件下，实现对多尺度、异形电力设备的高效、准确定位与识别，提升电力自动化巡检的智能化水平，为电力设备的状态评估与运维决策提供可靠的数据支撑。

2、为实现上述目的，本发明所提供的技术方案为：基于改进yolo11网络的电力设备红外图像检测方法，所述改进yolo11网络是对原网络的主干网络、颈部网络以及损失函数进行改进；其中，对主干网络的改进是：在主干网络中构造改进型特征校准模块，称为afcm（advanced feature complementary mapping）模块，所述afcm模块通过解耦的语义分支与空间分支分别提取异构特征，并利用基于全局平均池化与全局最大池化的双准则权重提取机制，实现对红外噪声的抑制与关键设备特征的强化；对颈部网络的改进是：构造动态内容引导融合模块，称为dcg-fusion（dynamic content guided fusion）模块，替换原有的特征拼接结构，所述dcg-fusion模块通过计算深浅层特征的差异特征项来提取突变信息，并利用并行扩张卷积序列生成多尺度门控权重，实现对不同尺寸电力目标的高效感知；对损失函数的改进是：构造内核点距损失，称为ipd-loss（inner point distance loss），所述ipd-loss通过尺度因子构建内部辅助框以聚焦目标核心区域，并利用预测辅助框与真实辅助框之间的角点欧氏距离映射，提升对异形电力设备的形状拟合能力；

3、所述电力设备红外图像检测方法的具体实施包括以下步骤：

4、步骤1，采集电力设备原始红外图像，经图像增强处理与标注后构建电力红外检测数据集并进行图像预处理，使其符合改进yolo11网络输入端的要求；

5、步骤2，将所述电力红外检测数据集输入改进yolo11网络进行训练，训练时，所述训练集中的图像经由afcm模块进行特征解耦提取，并在颈部网络中通过dcg-fusion模块进行多尺度动态融合；在反向传播过程中，利用所述ipd-loss计算回归损失并更新网络参数，训练得到性能最优的改进yolo11网络；

6、步骤3，将待检测的电力红外图像输入至训练得到的性能最优的改进yolo11网络中，输出电力设备检测结果。

7、进一步，所述步骤1包括以下步骤：

8、步骤1.1，电力红外数据采集：利用红外热像仪对电力运行场景进行拍摄，获取包含电力设备的原始红外图像序列；

9、步骤1.2，红外图像质量增强：采用自适应直方图均衡化或双边滤波算法，对所述原始红外图像序列中的所有红外图像进行对比度提升与边缘细节增强；

10、步骤1.3，标注与样本构建：对增强后的红外图像中的电力设备进行标注，生成包含目标类别、位置坐标的标签文件，构建电力红外检测数据集；

11、步骤1.4，多尺度映射与归一化：将所述电力红外检测数据集中的图像及对应的标签统一调整为预设的像素尺寸，并进行像素值归一化处理，使其符合所述改进yolo11网络输入端的要求。

12、进一步，所述afcm模块的具体实现逻辑如下：

13、异构特征通道分割：将输入特征图x在通道维度上按比例α分割为第一特征分支与第二特征分支，通过将类别语义与空间位置信息在初始阶段解耦，得到解耦的第一特征分支作为语义分支与解耦的第二特征分支作为空间分支，以提升网络对低层次空间信息的保留能力；

14、异构分支特征变换：对所述语义分支进行标准卷积处理得到包含丰富类别属性的语义特征xc，对所述空间分支进行逐点卷积处理得到保留几何拓扑结构的空间特征xs；

15、基于全局平均池化与全局最大池化的双准则权重提取机制：基于所述语义特征xc与空间特征xs生成用于互补校准的通道权重w1与空间权重w2，其计算公式为：

16、；

17、；

18、式中，σ()表示sigmoid激活函数，mlp()表示多层感知机权重映射操作，gap()和gmp()分别表示全局平均池化与全局最大池化操作，conv()表示卷积操作；通过并行引入全局最大值池化与全局平均池化，增强对红外图像中电力设备显著热点轮廓的感知能力；

19、互补映射与特征聚合：利用所述w1对空间特征xs进行校准，利用w2对语义特征xc进行校准，并将校准后的两路特征进行拼接聚合，得到输出特征xfcm，其计算公式为：

20、；

21、式中，concat()表示通道拼接操作。

22、进一步，将所述主干网络的stage 2至stage 5四个阶段中c3k2模块内部的瓶颈单元全部替换为所述afcm模块，以在特征提取的全过程实现空间几何特征与语义属性特征的深度互补与对齐。

23、进一步，所述dcg-fusion模块的具体实现逻辑如下：

24、将深层特征x与浅层特征y映射至同一维度，并计算两者的差异特征项(x-y)，以显式提取红外图像中目标边缘的突变信息；利用具有多个扩张率分支的并行扩张卷积序列对所述差异特征项进行多尺度空间建模，经由激活函数生成像素级动态门控权重g，其计算公式为：

25、；

26、式中，dconvseq()表示并行扩张卷积序列操作，用于自适应调节特征感受野以匹配不同尺度的电力设备；最后，利用所述像素级动态门控权重g对深层特征与浅层特征进行互补式加权融合，得到输出特征图y，其计算公式为：

27、。

28、进一步，将所述dcg-fusion模块部署于颈部网络中深层特征与浅层特征的交汇位置，通过动态内容引导融合，解决电力设备红外图像中目标尺度跨度大及噪声干扰的问题。

29、进一步，所述ipd-loss的具体实现逻辑如下：

30、辅助框缩放：引入尺度因子r对预测框与真实框的宽高进行同步缩放，构建聚焦于目标核心区域的内部辅助框；

31、辅助点距计算：计算所述内部辅助框之间对应角点的欧氏距离平方，其计算公式为：

32、；

33、式中，与分别表示预测框与真实框的左上角点n=1及右下角点n=2坐标；

34、损失值求解：结合辅助框的交并比iouinner与点距映射项，得到回归损失函数lipd：

35、；

36、式中，iouinner表示缩放后的预测辅助框与真实辅助框之间的交并比，与分别代表对应角点间的距离平方，w与h表示原始图像尺寸；利用所述ipd-loss增强网络对不同长宽比及多尺度电力设备的形状拟合能力，并抑制红外图像噪声对定位的影响。

37、本发明与现有技术相比，具有如下优点与有益效果：

38、1、本发明显著提升了复杂背景下的抗干扰能力。通过引入特征解耦提取，网络能够自动抑制红外图像中的噪声。相比于常规模型，本方案可以更精准地锁定电力设备轮廓，解决了目标特征易被复杂背景干扰的问题。

39、2、本发明实现了对不同尺寸电力设备的高效感知。本方案通过计算差异特征项，生成像素级动态门控权重，并自适应调节感知范围。常规方法在处理尺度跨度巨大的目标时，易出现漏检现象。而本发明能够自动对齐深浅层特征，确保在不同拍摄距离下，对各类尺寸的电力设备均保持极高的检出准确率。

40、3、本发明提高了异形电力设备的定位精度。通过构造内核点距损失，本方案强化了对目标核心区域的聚焦，并利用角点距离约束回归过程。常规定位算法在处理长宽比极端的目标时，容易出现定位偏移或收敛困难。本发明通过引入尺度因子，显著提升了网络对特定形态目标的拟合能力，使定位结果更加稳定。