个人卖家：
zhuge帮忙
创建于：2025-08-23
基于STCE-YOLO的瓷绝缘子红外图像低值缺陷识别算法
￥699.00
| 使用环境 |
在电力系统中，使用红外热像仪对瓷绝缘子进行检测，相机镜头距离绝缘子一定距离，平行于绝缘子拍摄，图像分辨率为480×480像素，输入网络图像尺寸调整为384×384像素。 |
| 使用对象 |
瓷绝缘子的低值缺陷，包括因绝缘子老化、损坏等原因导致的低值区域。 |
| 使用目的 |
自动检测瓷绝缘子红外图像中的低值缺陷，提高检测效率和准确性，减少人工检测的漏检率和成本，保障电力系统的安全稳定运行。 |
| 输入数据 |
瓷绝缘子红外图像帧 |
| 输出数据 |
缺陷类型（低值缺陷）、缺陷位置坐标、缺陷尺寸信息 |
| 硬件配置 |
CPU：Intel Xeon E5-2680 v4 @ 2.40GHz；GPU：NVIDIA GeForce GTX 1080Ti；内存：16GB；摄像头：红外热像仪，用于拍摄瓷绝缘子的红外图像； |
| 样本获取 |
通过红外图像拍摄实验、现场数据采集和网络爬取等方式，获取3738张有效的瓷绝缘子红外图像样本，包括936张小目标缺陷图像和2802张大目标缺陷图像。按照8:1:1的比例将数据集分为训练集、验证集和测试集。 |
| 测试结果 |
在测试集上，STCE-YOLO算法的平均精度均值（mAP）为93.1%，模型大小为5.21MB，GFLOPs为7.7，检测速度为167.5FPS。 |
| 执行速度 |
识别速度约6ms/次 |
| 资源消耗 |
针对上述硬件配置，运行算法时，CPU平均占用率约为30%-40%，GPU平均占用率约为60%-70%，内存使用占比约30%-40%。 |
| 源码类型 |
Python版本源码 |
| 文件大小 |
算法程序文件31KB，权重文件56MB。 |
| 相关备注 |
本算法基于改进的YOLOv8框架，结合可变形大核注意力机制（D-LKA）、跨模态上下文特征模块（CCFM）、改进的多注意力机制检测头（DyHead）和SIoU损失函数，针对瓷绝缘子红外图像低值缺陷检测进行了优化，在提高检测精度的同时，降低了模型复杂度和计算资源消耗，具有较高的实用性和工程应用价值。 |
