《Processes》：Applications of Chromatographic Separation Techniques in Food and Chemistry—Second Edition
编辑推荐：
随着无人值守配电变电站的日益普及，准确的异物检测已成为确保系统安全运行的关键。本研究提出一种针对变电站监控的检测模型，针对火灾、积水和小型动物入侵等危害，并考虑现场光照变化。首先，引入自适应光照归一化模块以适应不同光照条件，从而增强其在复杂光照环境下捕捉异物的
随着无人值守配电变电站的日益普及，准确的异物检测已成为确保系统安全运行的关键。本研究提出一种针对变电站监控的检测模型，针对火灾、积水和小型动物入侵等危害，并考虑现场光照变化。首先，引入自适应光照归一化模块以适应不同光照条件，从而增强其在复杂光照环境下捕捉异物的能力。其次，开发了多尺度特征提取与基于注意力的细化结构，以有效捕捉具有不同大小和纹理的异物，符合变电站场景的具体检测要求。第三，通过将光照自适应权重纳入目标性分量，构建了面向任务的损失函数，从而增强在非均匀光照条件下的鲁棒性。实验结果表明，所提出的方法优于代表性检测方法，验证了其在变电站监控应用中异物检测的有效性。
### 研究背景与问题
电力配电变电站的安全运行对现代电力系统可靠性至关重要。实际中，变电站常面临火灾、积水和小型动物入侵等外部危害，这些危害可能导致设备损坏和运行风险。随着智能化和无人值守变电站的快速发展，对能够准确识别此类危害的自动化监控系统需求日益增加，从而促使巡检人员及时干预。现有视觉检测方法包括传统手工特征方法（如基于颜色空间变换、卡尔曼滤波、模糊逻辑增强等）和深度学习方法（如YOLO、SSD、Faster R-CNN等）。然而，传统方法依赖手动设计特征和启发式规则，在变电站实际环境中鲁棒性有限；深度学习方法虽性能提升，但通常未显式考虑变电站场景的特殊性：异物（如火焰、积水、小动物）在尺度和视觉特征上变化显著，且现场图像常受光照变化（过曝、阴影）影响。因此，有必要开发针对变电站环境定制化的鲁棒检测算法。研究人员设计了包含自适应光照归一化、多尺度局部特征增强和自适应注意力特征模块的检测网络，并引入光照自适应损失函数。实验表明，该方法在变电站异物检测任务上优于代表性方法，具有实际应用价值。论文发表在《Processes》。
### 关键技术方法
研究采用以下关键技术方法（基于中国某配电公司现场监控记录构建数据集，包含8000张火灾、2000张积水、2000张小动物入侵及5000张背景图像，涵盖正常光照7415张、低光照6844张、过曝/眩光2741张）：
1. 自适应图像归一化模块（AINM）：先进行自适应伽马校正，再执行通道级归一化，补偿光照变化。
2. 多尺度局部特征增强模块（MS-LFE）：使用不同核尺寸的卷积层（3×3、5×5、7×7）提取多尺度特征，通过可学习权重自适应融合并接最大池化。
3. 自适应注意力特征模块（AAFM）：依次应用通道加权层、局部残差层和通道注意力层，细化特征表示。
4. 光照自适应损失函数：在YOLO多任务损失的目标性分量中引入基于局部强度范围的光照自适应权重，提升非均匀光照下的检测鲁棒性。
（忽略试剂、培养和质粒构建步骤）
### 研究结果
#### 3.3 不同模型结构比较
通过消融实验（分别移除AINM、MS-LFE、AAFM模块，使用简化替代方案），采用Adam优化器、初始学习率0.001、批次16、早停策略，在PyTorch 2.7.0和NVIDIA RTX 3090 GPU上执行5折交叉验证重复3次。结果表明：移除AINM导致性能下降，表明网络对光照变化更敏感；移除MS-LFE损失多尺度表征能力，小目标（火花、动物）和大区域（积水）检测均受影响；移除AAFM削弱模型选择性强调信息特征的能力，导致背景干扰增加和误分类（如图3b,c所示，设施被误判为火焰/烟雾，积水被误判为火焰/烟雾）。全模块组合获得最高性能。超参数敏感性分析显示，光照敏感系数λ=0.5、残差缩放因子α=1.0时达到最佳平衡。
#### 3.4 不同损失函数比较
将所提光照自适应损失与标准YOLO多任务损失、CIoU损失（边界框回归）、Focal Loss对比。结果显示：CIoU通过几何约束改善边界框对齐，但未解决非均匀光照；Focal Loss仅边际提升，可能过度强调困难样本；所提损失通过目标性分量中的光照自适应权重α_i，根据局部强度变化重新分配梯度，显著提升非均匀光照下检测鲁棒性，且不增加模型复杂度。
#### 3.5 与现有方法对比分析
与单阶段检测器YOLOv5、SSD及两阶段检测器Faster R-CNN比较。YOLOv5效率高且竞争性能；SSD因多尺度特征捕获能力有限性能较低；Faster R-CNN在复杂场景中精度高但计算开销大。所提方法针对变电站特性显式建模光照、多尺度局部特征和注意力机制，在准确性和效率间取得更优平衡，优于YOLOv8、YOLOv9等通用改进变体。
#### 3.6 MVTec 3D-AD探索性验证
在MVTec 3D-AD数据集的cable gland类别上开展跨域实验（该数据集用于无监督异常检测，需重构为5分类任务）。结果表明：AINM在该稳定光照数据集上收益微小；MS-LFE和AAFM仍带来改进，尤其是AAFM通过残差细节增强有效提升局部缺陷（孔、螺纹、弯曲）分类性能，但增益小于主任务。该探索验证了特征提取策略的泛化能力，同时凸显了所提框架在变电站任务中的专用适应性。
### 总结讨论与结论
讨论部分指出，所提方法在复杂变电站环境中有效提升了性能，但电力系统不同部门和变电站的监控任务可能涉及额外特征与需求，且当前方法仅在特定配电变电站数据集上评估，泛化能力可能受限。未来工作将扩展数据集以包含更多样化的电力场景，进行跨数据集验证，并研究在边缘设备（如嵌入式GPU）上的实时部署。
研究结论部分原文翻译如下：
本文提出一种专门用于变电站异物监控的检测框架，针对火灾、积水和小型动物入侵等危害。该框架显式考虑复杂多变的光照条件以确保在多种场景下的鲁棒检测。它集成了自适应光照归一化、多尺度特征提取和基于注意力的特征细化，以增强对不同尺度和纹理目标的特征表示。此外，引入面向任务的损失函数以在局部非均匀光照下保持鲁棒性能。实验结果表明，所提框架优于代表性检测方法，证实了其在解决变电站特定挑战方面的有效性，并突显了其在真实监控系统中的实际适用性。
