《Results in Engineering》：Research on infrared image recognition method for substation equipment based on YOLO-CFA
编辑推荐：
为解决传统目标检测算法在变电站设备红外图像识别中存在的精度不足、速度慢及模型冗余度高的问题，研究人员开展基于YOLO-CFA的轻量化检测模型研究。通过设计C2-PC卷积模块、FWA-RepVGG注意力机制和AGFPN特征融合模块，在13类设备数据集上实现91.2%的检测精度，参数量仅2.95M，检测速度达416.66 FPS。该研究为边缘设备部署提供了高精度实时检测方案，显著提升电力设备智能运维效率。
随着电力系统规模的不断扩大，变电站作为电网的核心枢纽，其设备运行状态直接关系到供电安全。传统的人工巡检方式依赖手持红外设备，存在效率低、主观性强等局限性。尽管巡检机器人和无人机等智能手段逐步普及，但在处理海量红外图像数据时，人工分析仍面临效率低下、漏检率高、判断标准不统一等瓶颈。尤其当图像背景复杂、目标尺度差异大或存在遮挡时，传统检测方法难以满足电力设备精准化、大规模检测的需求。
深度学习技术凭借强大的特征提取和模式识别能力，为红外图像分析提供了新的解决方案。现有目标检测算法主要分为单阶段（如YOLO系列）和两阶段（如Faster R-CNN）两类。前者注重轻量化和实时性，后者精度较高但计算复杂。针对变电站设备红外图像低对比度、多类别、多尺度的特点，已有研究尝试改进YOLOv8n、YOLOv5等模型，但在精度、速度和模型复杂度之间的平衡尚未有效解决，特别是在边缘设备部署场景下仍面临挑战。
为突破这些限制，江西水利电力职业学院的研究团队在《Results in Engineering》发表论文，提出了一种基于YOLOv8n改进的YOLO-CFA目标检测算法。该研究通过三重创新设计：首先在骨干网络引入轻量级C2-PC卷积模块，采用部分卷积（PConv）策略减少冗余计算；其次在颈部网络嵌入FWA-RepVGG注意力机制，通过特征权重聚合和结构重参数化增强关键特征提取；最后加入AGFPN特征融合模块，利用注意力多尺度特征融合（AMFF）机制提升多尺度目标识别能力。
研究方法上，团队采用PyTorch框架在Windows 11系统下进行实验，使用NVIDIA RTX 3090Ti GPU进行模型训练。数据集来自RoboFlow平台的1000张变电站设备红外图像，包含避雷器、断路器、母线等13类设备，通过旋转、翻转、裁剪等数据增强手段扩展至3525张图像。训练参数设置为输入尺寸640×640，批次大小64，采用SGD优化器和余弦退火学习率策略，共训练300轮次。
4.1. 实验环境配置
实验采用12代Intel i7-12700KF处理器和RTX 3090Ti显卡，在CUDA 11.0环境下运行。这种配置确保了深度学习模型训练的高效性，为算法优化提供了硬件基础。
4.2. 数据集预处理
通过LabelImg工具对13类设备进行标注，采用随机旋转、亮度调整等数据增强策略。经验证，增强后的数据集有效提升了模型泛化能力，避免了过拟合现象。
4.3. 算法指标评估
采用精确率（P）、召回率（R）、平均精度（mAP）等指标评估性能。其中mAP@0.5和mAP@0.5:0.95分别衡量不同IoU阈值下的检测精度，结合参数量、FLOPs和FPS全面评估模型效能。
4.4. 模型训练
损失函数曲线显示，模型在275轮后趋于收敛。定位损失（box_loss）、分类损失（cls_loss）和分布焦点损失（dfl_loss）均稳定下降，验证了训练过程的有效性。
4.5. 注意力机制对比实验
与CA、CBAM等主流注意力机制相比，FWA-RepVGG在mAP@0.5指标上提升2.9%-3.6%。热力图可视化显示该机制能更精准聚焦目标关键区域，有效抑制背景干扰。
4.6. 消融实验
逐步添加C2-PC、FWA-RepVGG和AGFPN模块后，模型参数量从3.01M降至2.95M，mAP@0.5从88.1%提升至91.2%。特别在检测钳具等小目标时，精度提升达4%，验证了多模块的协同增益效应。
4.7. 实验对比
与YOLOv3、Faster R-CNN等11种算法相比，YOLO-CFA在保持高精度的同时参数量最低。在Jetson Orin Nano边缘设备上实测达到40.66 FPS，功耗仅5.2W，满足实时检测需求。
4.8. 泛化能力验证
在FLIR ADAS公开数据集上，模型取得81.7%的mAP@0.5，优于YOLOv8n等对比算法，证明了其跨场景适应能力。
研究结论表明，YOLO-CFA算法通过轻量化设计和多尺度特征融合，在变电站设备红外检测任务中实现了精度与效率的平衡。C2-PC模块降低计算复杂度，FWA-RepVGG增强特征判别力，AGFPN提升多尺度目标检测能力。该技术为电力设备智能运维提供了可靠解决方案，特别适合在计算资源有限的边缘设备上部署应用。未来可进一步探索在更复杂环境下的适应性，推动电力系统智能化发展。
