面向无人机辅助带电电力作业安全监控的多方法融合目标检测研究

《Sensors》：UAV-Based Safety-Oriented Object Detection for Live-Line Operations via Multi-Scale, Frequency-Aware, and State-Space Feature Enhancement

　　

摘要

对于无人机辅助的带电电力作业监控而言，可靠的视觉感知至关重要，因为该场景中作业人员、个人防护装备（PPE）、临时绝缘装置和电气结构在大规模变化、遮挡和背景杂乱的条件下出现。本研究开发了一种面向安全的检测器，在检测层次结构的不同阶段分配不同的特征变换方法。多尺度选择性融合（MSSF）通过通道级分支加权组合了3×3、5×5和7×7的感受野响应。频域感知自适应融合（FreqAFU）对傅里叶分量的实部和虚部进行细化，并通过学习得到的通道门控将重构的响应与空间特征融合。BiNet和基于Mamba的模块提供了双向跨尺度交互和状态空间上下文建模。自行采集的数据集包含8124张标注图像和八个类别共118,119个物体实例，其中6499张用于训练，1625张用于验证，按采集会话级别进行划分。在该固定协议下，基于YOLOv8n的完整配置将mAP_50-95从0.558提升至0.635，将mAP₅₀从0.900提升至0.949。消融实验、重复训练、尺度级和类别级分析、运行时性能分析以及VisDrone评估表明，各组件的优势取决于配置方案，而非普遍具有叠加效应。该检测器定位为物体级感知层；最终的安全合规推理不在其范围内。