基于Focus-DETR的船舶爬壁机器人实时目标检测算法研究

为解决船舶维修场景中爬壁机器人因环境复杂性和姿态多样性导致的检测精度与实时性难以平衡的问题，研究人员提出Focus-DETR架构，通过空间注意力递归门控卷积（Sa-Gn）模块、混合编码器和焦点EIOU损失函数，在爬壁机器人数据集上实现mAP提升6.0%，推理速度接近RT-DETR-R50水平，为轻量化部署提供新方案。

　　

在船舶维修领域，环保标准和安全要求的提升促使爬壁机器人广泛应用于除漆作业。然而，船体表面复杂的工作环境与机器人多变的操作姿态，常导致传统检测算法出现漏检和误判。现有方法如YOLOv5或DETR变体虽能实现一定效果，但面临参数量大、计算成本高的问题，难以兼顾实时性与小目标检测精度。湖南大学电气与信息工程学院的研究团队在《Neurocomputing》发表研究，提出Focus-DETR模型，通过创新性结构设计在船舶爬壁机器人数据集上实现性能突破。

研究采用三项关键技术：1）在骨干网络末端引入空间注意力递归门控卷积（Sa-Gn）模块增强高层特征提取；2）设计混合编码器融合颈部相邻阶段特征；3）使用焦点EIOU损失函数优化检测框几何误差。实验基于爬壁机器人专用数据集和UAVDT无人机数据集验证。

架构设计：模型结合CNN与ViT优势，骨干网络包含输入茎干和四阶段特征提取，Sa-Gn模块通过递归门控机制强化局部细节与全局上下文关联。
性能验证：相比RT-DETR-R50，Focus-DETR-S在爬壁机器人数据集mAP提升6.0%，推理速度相当；在UAVDT数据集同样表现优异。
轻量化适配：焦点EIOU损失通过动态调整宽高误差权重，提升检测框中心点对齐精度，满足边缘设备部署需求。

该研究首次将递归门控卷积与空间注意力机制结合应用于爬壁机器人检测领域，其混合编码器设计有效解决了跨尺度特征融合难题。实验证明，Focus-DETR在不增加计算成本的前提下达到SOTA性能，为工业场景的实时视觉检测提供了可落地的解决方案。团队已申请相关专利，模型在边缘终端的成功部署标志着该技术具备产业化应用潜力。