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YOLO-TLA一种基于 YOLOv5 的高效轻量级小目标检测模型ViT-YOLO基于Transformer的用于目标检测的YOLO算法SSMA-YOLO一种轻量级的 YOLO 模型具备增强的特征提取与融合能力适用于无人机航拍的船舶图像检测LUD-YOLO一种用于无人机的新型轻量级目标检测网络Gold-YOLO基于聚合与分配机制的高效目标检测器Drone-YOLO一种有效的无人机图像目标检测「无人机AI」“空中城管”无人机AI光伏巡检自动化解决方案无人机视角下多类别船舶检测及数量统计机场项目解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题2PCNet昼夜无监督域自适应目标检测附原代码YOLO-S小目标检测的轻量级、精确的类YOLO网络大改Yolo框架 | 能源消耗极低的目标检测新框架附论文下载改进的检测算法用于高分辨率光学遥感图像目标检测