摘要
可靠的视觉感知是自主电缆管道检测的先决条件，特别是对于识别管道接头错位和与障碍物相关的危险情况。在电缆管道内部获取的图像往往受到视野限制、照明不均、墙面纹理干扰、部分遮挡以及目标几何形状和比例变化较大的影响。这些因素增加了遗漏目标、误报和边界框不准确的可能性。本研究在YOLOv9c检测器的基础上开发了DPR-YOLOv9，其中DPR包括可变形条带特征提取、位置感知注意力机制和回归优化。在网络结构中，可变形条带卷积网络（DSCN）会调整其采样模式，以更好地描述细长的边界、位移的接头和不规则的障碍物轮廓。CoordAttention被引入多尺度融合路径中，以保留方向坐标信息并突出空间相关特征。此外，Inner-IoU通过辅助框修改了回归约束，为小型或部分遮挡的目标提供了更有效的优化。在三次独立实验中，DPR-YOLOv9的平均精度（Precision）、召回率（Recall）、mAP@0.5和mAP@0.5:0.95分别达到了0.944、0.933、0.940和0.751，同时保持了67.85 FPS的推理速度。结果表明，所提出的检测器提高了机器人电缆管道检测的识别可靠性和定位质量。
