摘要
Um die Genauigkeit der Detektion gefährlicher Ziele des Überwachungssystems des intelligenten Netzwerks unter komplexen Beleuchtungsbedingungen zu verbessern, schlägt dieser Artikel eine Methode zur Detektion mit doppelter Modalität zur Integration von Polarisation und Intensität vor. Zunächst wurde ein Netzwerk für die Fusion von Merkmalen mit doppelter Kanaleigenschaft entworfen, das die Merkmale des Polarisation-Intensitätsbildes und des Polarisationsgradbildes jeweils unter Verwendung von dichten Faltungsmodulen extrahiert, um die Fähigkeit zur Erhaltung oberflächlicher Informationen zu stärken. Gleichzeitig wurde ein kooperativer Raum-Kanal-Aufmerksamkeitsmechanismus eingeführt, um Abhängigkeitsbeziehungen der Merkmale in den räumlichen und kanalbezogenen Dimensionen herzustellen und so die Fähigkeit des Modells zur selektiven Aggregation der Merkmale zu verbessern. Schließlich wurde eine mehrskalige adaptive strukturähnliche Verlustfunktion eingeführt und ein Gewichtungsalgorithmus entwickelt, um die Qualität der Generierung des Referenzbildes zu optimieren, die strukturelle Treue des verschmolzenen Bildes und die Sichtbarkeit der Ziele zu verbessern und so dessen Qualität weiter zu steigern. Die experimentellen Ergebnisse zeigen, dass die in dieser Studie vorgeschlagene Methode gegenüber den derzeit fortschrittlichsten Bildfusionalgorithmen in verschiedenen Bewertungsindikatoren eine signifikante Leistungssteigerung aufweist. Gleichzeitig bestätigten Marginalisierungsexperimente die Wirksamkeit und Praktikabilität von Netzwerkmodulen und Verlustfunktionen. Unter Verwendung der Forschungsmethode in dieser Studie erreichte das mit der Forschungsmethode in dieser Studie generierte verschmolzene Bild eine Zielgenauigkeit von 91,5 % in einem selbstgebauten Datensatz zur Zielidentifikation, und der Punkt mAP@0,5 erreichte ebenfalls 0,916, was gegenüber Vergleichsmethoden in Bezug auf die objektive Bewertung zu einer Verbesserung der Präzision des nachfolgenden Zielüberwachungsnetzes führte.
关键词
Power Inspection;machine vision;polarization imaging;image fusion;object detection