基于改进目标检测模型的油田配注站场仪表盘检测方法OA

在油田配注站场的夜间作业环境中,仪表盘目标检测受限于低光照条件,导致传统单模态图像检测方法在准确性与鲁棒性方面表现不佳。本文提出了一种改进快速区域卷积神经网络(faster region-based convolutional neural networks,Faster R-CNN)的中期融合双分支目标检测模型,旨在融合可见光图像与夜视图像的互补信息,提升夜间低对比度环境下的目标检测性能。设计针对可见光与夜视图像的双分支中期融合策略,增强双图像特征协同,通过改进轻量化的移动卷积网络为主干特征提取网络,结合空间注意力机制有效增强了关键区域的特征表达能力。在自定义油田配注站场仪表盘夜间图像数据集上的实验结果表明,该方法在mAP@0.5和mAP@0.5:0.95指标上分别达到了88.92%与46.87%,较基线Faster R-CNN模型分别提升了5.89和4.72百分点,在低对比度的夜间工业场景中展现出良好的检测精度与鲁棒性,同时降低模型的参数量,使其更容易部署在资源有限的边缘设备。