Key points are not available for this paper at this time.
Résumé La détection d'isolateurs par drone visant à reconnaître les isolateurs défectueux des lignes de transmission a fait des progrès significatifs ces dernières années. Cependant, elle fait encore face à des défis, tels que l'arrière-plan complexe des images aériennes et la petite mémoire des drones. Cet article propose un algorithme de détection d'isolateurs affiné qui intègre le mécanisme d'attention dans YOLOv8 pour améliorer la capacité d'extraction des caractéristiques. Plus précisément, cet article introduit une structure de transformateurs de vision rapide dans la section backbone de you only look once (YOLO) v8 pour améliorer l'extraction des caractéristiques en capturant des caractéristiques locales et globales. De plus, le mécanisme d'attention globale est incorporé dans le cou pour une extraction de caractéristiques supplémentaire en fusionnant des informations spatiales et canaux complètes dans la sortie. En outre, nous amalgamons la convolution en profondeur, la convolution graphique et l'opération résiduelle dans le module du mécanisme d'attention globale. Ce design peut atténuer les problèmes de disparition ou d'explosion de gradient et tout en améliorant la distinction entre l'attention spatiale et l'attention des canaux. Le modèle proposé est ensuite appliqué à un jeu de données public et à un ensemble d'images réelles provenant d'une centrale électrique spécifique, et les résultats de détection montrent qu'il surpasse de nombreux concurrents en termes de précision, d'efficacité et de taille de mémoire.
Jing et al. (Ven,) ont étudié cette question.