Pour améliorer la précision de la détection des cibles dangereuses du système de surveillance du réseau intelligent dans des conditions d'éclairage complexes, cet article propose une méthode de détection à double mode d'intégration de l'information de polarisation et d'intensité. Tout d'abord, un réseau de fusion de caractéristiques double voies est conçu, qui extrait respectivement les caractéristiques de l'image d'intensité de polarisation et de l'image de degré de polarisation à l'aide de modules de convolution dense pour renforcer la capacité de conservation des informations de surface ; en même temps, un mécanisme d'attention spatial-canal coopératif est introduit pour établir des relations de dépendance des caractéristiques dans les dimensions spatiale et de canal, améliorant ainsi la capacité du modèle à agréger sélectivement les caractéristiques. Enfin, une fonction de perte de similarité de structure multi-échelle adaptative est introduite et un algorithme de pondération est conçu pour optimiser la qualité de génération de l'image de référence, améliorant la fidélité structurelle de l'image fusionnée et la visibilité des cibles, améliorant encore sa qualité. Les résultats expérimentaux montrent que la méthode proposée dans cette étude présente une amélioration significative des performances par rapport aux algorithmes de fusion d'images actuellement les plus avancés dans divers indicateurs d'évaluation. Dans le même temps, des expériences de démarginalisation ont confirmé l'efficacité et la praticité des modules de réseau et des fonctions de perte. En utilisant la méthode de recherche dans cette étude, l'image fusionnée générée avec la méthode de recherche dans cette étude a atteint une précision de détection des cibles de 91,5 % sur un ensemble de données de détection des cibles auto-construit, et le point de mAP@0,5 a également atteint 0,916, dépassant les méthodes de comparaison en termes d'évaluation objective, améliorant la précision du réseau de détection des cibles de suivi.

Power Inspection;machine vision;polarization imaging;image fusion;object detection