基于改进YOLOv11n模型的变电站设备及生产行为异常检测
魏迎澳1
徐建1
李英豪1
胡浩特2
1.湖北民族大学 智能科学与工程学院,湖北 恩施 4450002.贵州电网有限责任公司六盘水供电局,贵州 六盘水 553000
摘要：针对目前人工巡视导致的变电站设备及生产行为异常检测效率低、人工风险高等问题,提出改进你只看一次11 纳米版(you only look once version 11 nano,YOLOv11n)模型.首先,通过设计基于自注意力机制的3 尺度卷积双路径可变核(convolutional three-scale kernel-adaptive dual-path self-attention mechanism,C3k2-SA)模块在较小特征图衔接特征融合部分,优化了网络结构,增强了全局特征提取能力.然后,在主干网络末层引入了基于注意力机制的特征增强(feature enhancement,FEN)模块,动态调整不同区域的特征权重,实现自适应的特征增强,缓解深层网络中的梯度消失问题.最后,对拼接(concatenate,Concat)模块进行优化,通过卷积层调整通道数,采用池化和sigmoid激活函数进行特征的精细处理,提高了模型对不同类型特征的自适应,增强了特征融合效果,同时抑制了无关或冗余特征,防止过拟合.结果表明,与原始YOLOv11n模型相比,改进YOLOv11n模型的精确率、召回率、平均精确率均值分别上升了 1.7、6.6、3.6 个百分点.改进YOLOv11n模型能够提高变电站异常状态检测的准确性,为智能变电站的异常检测工作提供一定参考.
关键词：目标检测YOLOv11n激活函数自注意力机制C3k2自适应平均池化
分类号：TP391.41(计算技术、计算机技术)TM63(发电、发电厂)
资助基金：湖北民族大学研究生科研创新项目(MYK2024090)
论文发表日期：2025-03-19
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 41-46 )
英文信息