-
题名基于自适应特征提取的手套细粒度检测算法
- 1
-
-
作者
李立
陈习文
金淼
张军
刘莉
余锋
姜明华
-
机构
武汉纺织大学计算机与人工智能学院
-
出处
《科学技术与工程》
2025年第28期12108-12119,共12页
-
基金
国家自然科学基金(62202346)
武汉市应用基础前沿研究项目(2022013988065212)
+1 种基金
武汉纺织大学校基金特别专项(2024442)
中央引导地方科技发展资金项目(2024EIA003)。
-
文摘
在电力作业场景下,作业人员需要根据不同的作业场景佩戴相应类别的手套。由于作业环境的不确定性引起的手套特征变化,现有算法难以准确地对作业人员所佩戴的手套类别进行有效识别。针对复杂环境下目标鲁棒性特征提取困难的问题,提出一种基于自适应特征提取网络(adaptive feature extraction network,AFEN)的手套细粒度检测算法。首先,AFEN算法在特征提取部分构建自适应特征提取(adaptive feature extraction,AFE)结构,通过自适应调整特征提取模块的大小,以更好地捕捉变化目标的形状特征。其次,算法在特征提取部分构建全局高效注意力机制,帮助模型捕捉不同尺度的特征并更加关注关键特征,提升模型识别的准确性。同时,在检测部分构建小目标检测结构,增强模型对小目标的感知能力,提高模型对小目标的检测效果。最后,AFEN算法使用自适应损失函数,有助于模型更准确地定位目标,进一步提高模型定位精度。较于最优的算法,AFEN算法对手套类别识别准确率达到75.7%,召回率达到73.2%,提升了2.4%,平均精度达到76.3%,提升了2.5%,证明了AFEN算法在手套细粒度检测中的有效性和准确性,并在https://github.com/wtu1020/ElectricGlove-Dataset公开了手套数据集。
-
关键词
电力作业
手套细粒度检测
自适应特征提取(AFE)
全局注意力机制
小目标检测结构
自适应损失函数
-
Keywords
electric power operation
glove fine-grained detection
adaptive feature extraction(AFE)
global attention mechanism
small object detection structure
adaptive loss function
-
分类号
TP391.41
[自动化与计算机技术]
-
