Para mejorar la precisión de la detección de objetivos peligrosos del sistema de monitoreo de red inteligente en condiciones de iluminación complejas, este artículo propone un método de detección de doble modo que integra la información de polarización y la intensidad. En primer lugar, se diseña una red de fusión de características de doble canal, que extrae respectivamente las características de la imagen de intensidad de polarización y la imagen de grado de polarización mediante módulos de convolución densa para fortalecer la capacidad de conservación de la información superficial; al mismo tiempo, se introduce un mecanismo de atención espacial-canal cooperativo para establecer relaciones de dependencia de características en las dimensiones espacial y de canal, mejorando así la capacidad del modelo para agregar selectivamente las características. Por último, se introduce una función de pérdida de similitud de estructura adaptativa de múltiples escalas y se diseña un algoritmo de ponderación para optimizar la calidad de generación de la imagen de referencia, mejorando la fidelidad estructural de la imagen fusionada y la visibilidad de los objetivos, mejorando aún más su calidad. Los resultados experimentales muestran que el método propuesto en este estudio presenta una mejora significativa en el rendimiento en comparación con los algoritmos de fusión de imágenes actualmente más avanzados en diversos indicadores de evaluación. Al mismo tiempo, los experimentos de abatimiento confirmaron la eficacia y practicidad de los módulos de red y las funciones de pérdida. Al utilizar el método de investigación en este estudio, la imagen fusionada generada con el método de investigación en este estudio alcanzó una precisión de detección de objetivos del 91,5% en un conjunto de datos de detección de objetivos autoconstruido, y el punto de mAP@0,5 también alcanzó 0,916, superando a los métodos de comparación en términos de evaluación objetiva, mejorando la precisión de la red de detección de objetivos posteriores.

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