GIS-YOLO:改进YOLOv8的GIS隔离开关实例分割算法

摘要

气体绝缘全封闭组合电器（Gas Insulated Substation, GIS）智能可视化监测系统中受内部复杂结构和空间全封闭等因素影响，采集到的图像存在不均匀光照和细节模糊等问题，从而导致漏检和误检。为解决上述问题，提出一种基于YOLOv8的改进模型，以提高GIS隔离开关图像的实例分割效率和精度，获得更精准的分合闸状态判断。首先，采用RepNCSPELAN4模块替换原有C2f模块，利用输入通道并行处理多尺度特征，高效融合特征信息以增强模型对不同目标的感知和捕获能力；其次，提出的SPPELAN＿LSKA模型由SPPELAN模块融合大核分离卷积注意力（Large Separable Kernel Attention, LSKA）机制构成，可有效提升模型在不均匀光照和细节模糊图像中的特征提取能力；最后，改进的分割头Segment＿EfficientHead显著减少了参数量，提高了模型的分割效率和精度。实验结果表明，在自制的GIS隔离开关数据集上，GIS-YOLO模型相较于YOLOv8模型，在精确度、 mAP_mask@0.5及mAP_mask@0.5∶0.95上分别提升了8.1、 7.8和16.8百分点，模型的参数量和计算量分别降低了37.3%和13.3%。改进后的模型不仅分割性能更高，而且结构更加轻量化，满足GIS隔离开关图像在线实例分割任务。

关键词

实例分割 / YOLOv8 / 气体绝缘全封闭组合电器隔离开关 / 大核分离卷积注意力注意力 / 轻量化