基于小波变换与渐进式特征金字塔网络的高效目标检测方法 —— 以电网巡检为例
点击蓝字
关注我们
关注并星标
从此不迷路
计算机视觉研究院
公众号ID｜计算机视觉研究院
学习群｜扫码在主页获取加入方式
https://pmc.ncbi.nlm.nih.gov/articles/PMC12923819/pdf/41598_2026_Article_37017.pdf
计算机视觉研究院专栏
Column of Computer Vision Institute
本文基于 YOLOv11 打造了一款专为电网巡检定制的异物检测模型，通过小波变换卷积、渐进式特征金字塔、新型损失函数三大创新，完美破解行业难题，实现精度、速度、轻量化全面升级！
PART/1
痛点
高压输电线路场景复杂，给智能检测带来三重挑战：
- 频率特征割裂：天空、草地等低频背景，与电线、铁塔、细长异物等高频结构共存，普通卷积无法兼顾，易模糊小目标；
- 多尺度语义冲突：异物尺寸小、易与铁塔 / 导线重叠，标准特征金字塔融合不充分，漏检、误检率高；
- 边缘部署受限：多数模型重精度轻轻量化，难以适配无人机、巡检终端等低算力设备。
PART/2
创新
硬核创新破局：三大模块升级 YOLOv11
团队针对性改造 YOLOv11，嵌入三大核心模块，从特征提取、融合、定位全链路优化：
1. 小波变换卷积（WTConv）：频域分离，精准抓细节
将小波变换融入主干网络，把特征分解为低频背景和高频细节两个子带，在小波域用轻量卷积处理后无损重构。
✅ 扩大感受野，强化电线、异物等高频边缘特征
✅ 参数量减少约 70%，兼顾精度与轻量化
2. 渐进式特征金字塔网络（PFPN）：跨层融合，消除语义差
采用自上而下 + 自下而上两阶段迭代融合，搭配自适应空间融合（ASF）机制，逐步对齐高低层特征语义。
✅ 缩小跨尺度语义鸿沟，解决小目标重叠、遮挡检测难题
✅ 仅增加约 5% 计算量，性价比拉满
3. Inner-EIoU 损失：聚焦核心区域，定位更精准
在 EIoU 基础上增加内框一致性约束，重点优化预测框与真实框核心区域的重合度，大幅降低小目标、低对比度目标的定位误差。
PART/3
实验
实验验证：精度、速度、轻量化三丰收
团队构建TLFO 电网异物数据集（4700 张实景图，覆盖垃圾、气球、鸟巢、风筝 4 类目标），全面验证模型性能。
核心数据对比
✅ 精确率提升 4.4%，mAP0.5 提升 3.1%✅ 参数量减少 19%，推理速度提升 18%✅ 小目标、低对比度异物检测无压力
实景检测效果
模型可精准识别复杂背景下的风筝、气球、鸟巢、垃圾等异物，即便异物与导线重叠、对比度极低，也能精准框定，无漏检、误检。
精度 - 召回曲线对比
改进模型的 P-R 曲线全程高于基线，高召回区间仍保持超高精确率，整体检测稳定性、可靠性大幅提升。
跨域泛化验证
在通用 COCO 数据集上，模型 mAP0.5-0.95 仍提升 1.6%，证明创新模块不局限电网场景，通用检测能力拉满。
PART/4
行业价值
行业价值：赋能电网智能巡检，未来可期
- 落地性拉满：轻量化 + 高实时性（28.5FPS），完美适配无人机、边缘巡检终端，满足电网现场实时检测需求；
- 安全兜底：高精确率、高召回率，大幅降低异物引发的电网事故，守护输电线路安全；
- 通用可拓展：WTConv、PFPN 模块可无缝嵌入其他检测模型，适用于遥感、工业检测等多领域。
未来，团队将进一步优化轻量化主干网络、融合光谱 - 空间注意力，打造更低时延、更高精度的电网巡检专用检测器，为电力基础设施安全保驾护航！
有相关需求的你可以联系我们！
END
转载请联系本公众号获得授权
计算机视觉研究院学习群等你加入！
ABOUT
计算机视觉研究院
计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！
往期推荐
🔗
汇聚全球AI编程工具，助力开发者即刻编程。
更多推荐
11
0- 0
已为社区贡献11条内容
所有评论(0)