针对光伏热斑因尺寸微小及分布不规则导致其难以被检测的问题,提出了一种基于改进YOLO第8大版(you only look once version 8 large,YOLOv8l)的高效检测算法。该算法对YOLOv8l模型的颈部网络进行了改进,引入了针对小尺寸目标的检测层,...针对光伏热斑因尺寸微小及分布不规则导致其难以被检测的问题,提出了一种基于改进YOLO第8大版(you only look once version 8 large,YOLOv8l)的高效检测算法。该算法对YOLOv8l模型的颈部网络进行了改进,引入了针对小尺寸目标的检测层,有效地提高了对微小目标的特征提取能力和检测准确性。同时,在主干网络中,传统的卷积模块被感受野注意力卷积(receptive-field attention convolution,RFAConv)模块所取代,借助改良的空间注意力机制,算法能够更集中地捕捉待检测目标的全局信息。此外,采用辅助边界框下更有效的交并比(inner-complete intersection over union,Inner-CIoU)损失函数替代原有的损失函数,模型在检测过程中能够更加灵活地调整辅助边框的大小,从而提升了检测精度。结果表明,改进YOLOv8l算法在红外光伏热斑图像检测中的精确率、召回率和平均精确率均值分别达到了90.4%、93.2%和94.8%,相较于原始YOLOv8l算法分别提升了3.4%、2.2%和2.3%。因此,该算法在光伏热斑检测领域展现出显著的优势。展开更多
文摘针对光伏热斑因尺寸微小及分布不规则导致其难以被检测的问题,提出了一种基于改进YOLO第8大版(you only look once version 8 large,YOLOv8l)的高效检测算法。该算法对YOLOv8l模型的颈部网络进行了改进,引入了针对小尺寸目标的检测层,有效地提高了对微小目标的特征提取能力和检测准确性。同时,在主干网络中,传统的卷积模块被感受野注意力卷积(receptive-field attention convolution,RFAConv)模块所取代,借助改良的空间注意力机制,算法能够更集中地捕捉待检测目标的全局信息。此外,采用辅助边界框下更有效的交并比(inner-complete intersection over union,Inner-CIoU)损失函数替代原有的损失函数,模型在检测过程中能够更加灵活地调整辅助边框的大小,从而提升了检测精度。结果表明,改进YOLOv8l算法在红外光伏热斑图像检测中的精确率、召回率和平均精确率均值分别达到了90.4%、93.2%和94.8%,相较于原始YOLOv8l算法分别提升了3.4%、2.2%和2.3%。因此,该算法在光伏热斑检测领域展现出显著的优势。
