طريقة الكشف عن عيوب العوازل في الخلفيات المعقدة استنادًا إلى YOLOv11 المُحسن
摘要
بالنظر إلى أن صور الفحص الجوي للطائرات بدون طيار تُظهر عيوبًا صغيرة في العوازل، وضعف أنماط الحواف، وتشويش الخلفية، مما يؤدي إلى صعوبة اكتشاف النماذج الحالية لتلك العيوب وتوازن دقة الكشف مع الاستجابة في الوقت الحقيقي، تم اقتراح خوارزمية خفيفة للكشف عن عيوب العوازل (MEAQ-YOLOv11) تجمع بين تعزيز الحواف متعددة المقياس والإدراك الجيد. يتم تصميم وحدة تعزيز الفروق الحادة متعددة المقياس في شبكة العمود الفقري، حيث يتم تعزيز حافة الأجزاء الصغيرة وأنماطها باستخدام التجميع الذاتي متعدد المقاييس. وفي الشبكة العنقية، تُبنى شبكة اندماج المقياس متعددة الفروع التكيفية، مما يعزز التفاعل بين الميزات من مستويات مختلفة. أخيرًا، يتم تصميم رأس الكشف المشترك الخفيف المستند إلى الإدراك الجيد الذي يقلل من مُعاملات التكرار باستخدام المعلومات الموزعة عبر مربعات الحواف للإشارة إلى جودة التحديد وتعديل نتائج التصنيف. تُظهر النتائج التجريبية على مجموعتي البيانات العامة CPMID وIDID أنه بالمقارنة مع YOLOv11n، تحقق الخوارزمية المقترحة تحسينًا كبيرًا في دقة الكشف على كلا مجموعتي البيانات، مع زيادة mAP50 بنسبة 4.54 نقاط مئوية على CPMID و1.29 نقاط مئوية على IDID. في الوقت نفسه، انخفضت كمية المعلمات إلى 2.58M، وتم تقليل الحسابات إلى 6.3 GFLOPs، وحجم النموذج إلى 5.3 MB، وزيادة معدل الإطارات من 235.0 FPS إلى 254.1 FPS. وبالتالي تعزيز دقة الكشف وتحقيق تسريع عملية الاستدلال. تقدم MEAQ-YOLOv11 تحسينات كبيرة في دقة تحديد مواقع العيوب الصغيرة في الخلفيات المعقدة، مع الحفاظ على الطبيعة الخفيفة والتفاعل في الوقت الحقيقي، مما يوفر مرجعًا للتعرف الذكي على العيوب في سيناريوهات فحص الطاقة.
关键词
YOLOv11; تعزيز الحواف متعددة المقياس; دمج المميزات التكيفية; الكشف عن الأهداف; الشبكات الخفيفة
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website