基于深度学习的电能表热缺陷智能检测方法

摘要

针对电能表热缺陷检测中存在的热斑尺度多变、背景噪声干扰强、检测实时性要求高等问题，本文提出一种基于改进YOLOv8的智能目标检测方法。首先，设计C2f＿通道加权动态残差(CWDR)模块，通过CWDR机制增强多尺度热斑特征提取能力；其次，引入SPPF＿ALKA模块，利用轴向大核注意力(ALKA)捕获热扩散的长距离关联特征；最后，构建轻量级空间坐标分解(LSCD)检测头，在保证检测精度的同时显著降低模型计算复杂度。实验结果表明：本文方法在自建电能表热图像数据集上的平均精度均值@交并比阈值0.5(mAP@0.5)达89.7%,参数量仅2.95M(Million),优于主流检测模型，为电能表智能巡检提供了有效的技术解决方案。

关键词

电能表热缺陷 / YOLOv8 / 通道加权 / 轴向大核注意力 / 轻量化检测头