计算机工程与应用

作者：李辰晨, 宋坤芳, 刘莉, 余锋, 姜明华

单位：1.武汉纺织大学 计算机与人工智能学院，武汉 430200；2.湖北省服装信息化工程技术研究中心，武汉 430200；

关键词：电力现场作业,工器具检测,轻量化网络,多尺度目标

基金：国家自然科学基金（62202346）；武汉市应用基础前沿研究项目（2022013988065212）；武汉纺织大学校基金特别专项（2024442）；中央引导地方科技发展资金项目（2024EIA003）。

在电力现场作业的复杂环境中，规范使用工器具可以有效降低作业风险，防止安全事故的发生。然而，工器具检测面临诸多挑战，包括目标种类繁多、尺度不一以及缺乏专用数据集等。此外，现有检测算法复杂度高且计算量大，难以在资源受限的便携式设备上高效运行。为解决这些问题，提出了一种基于轻量化网络的电力工器具检测算法LPT-DA。针对模型复杂度高、特征提取能力不足的问题，LPT-DA构建了轻量协同特征感知网络LCFPN，通过引入轻量化卷积设计和动态特征融合机制，在降低模型复杂度的同时，增强了目标的特征提取能力，确保在资源受限的设备上依然能有效运行。针对多尺度目标检测性能差异的问题，LPT-DA设计了轻量自适应检测头LADHead，通过特征共享策略和组归一化技术，进一步降低了模型的计算开销，并提高了多尺度目标的适应性。针对模型因轻量化而导致的漏检问题，LPT-DA设计了双池化通道注意力DPCA，通过全局与局部特征的协同建模，提升了模型对不同类别的预测能力，同时保持了较低的计算量。在自制工器具数据集ElectricTools上的实验结果显示，LPT-DA的mAP50指标较基准模型YOLOv11n提高了1.9个百分点，同时参数量减少31%，计算量下降28%，模型体积缩小30%。在HelmetDetection数据集上同样表现良好，验证了该轻量化网络算法在电力工器具检测中的有效性和泛化能力。

来源：2026年第8期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第8期