基于改进CenterNet的电力设备红外图像识别

由于受到变电站复杂背景的影响,所以传统目标检测算法无法准确识别和定位电力设备。提出了一种基于改进中心点网络(CenterNet)的电力设备红外图像识别模型。首先,针对复杂环境下目标特征信息不足的问题,使用特征提取能力更强的ResNeXt50作为CenterNet的主干网络,在保持原模型参数量不变的同时增加了网络宽度,使其能获取更加丰富的特征信息,从而提升检测的精度;然后,通过在预测层加入通道注意力机制来提升模型对重要目标的关注度,同时抑制无关信息干扰,保证了模型检测的鲁棒性;最后,为证明模型的有效性,在自制数据集上进行了实验验证。结果表明,改进后模型的均值平均准确率可达93.7%,相比原始模型提升了2.1%,优于现有的几种主流检测模型,有效提升了变电站复杂环境下电力设备红外图像识别的精度。