Mask R-CNN-based bushing segmentation with refined feature extraction and precise localization
ID：11
Submission ID：12 View Protection：ATTENDEE
Updated Time：2025-10-11 21:50:44 Hits：207
Poster Presentation
Start Time：2025-11-09 09:00 （Asia/Shanghai）
Duration：1min
Session：[P] Poster presentation » [P6] 6.AI-driven technology
No files
Abstract
电力设备的准确定位和分割对于自动化检测系统至关重要，特别是在检测结构和热异常方面。然而，由于设备组件之间的复杂背景和高度的类间相似性，这项任务仍然具有挑战性。本研究提出了一个增强的掩码 R-CNN 框架，通过两个关键改进来应对这些挑战：（1） 集成软非极大抑制 （Soft-NMS） 以细化重叠对象的边界框回归，（2） 优化特征提取以增强判别能力。在套管数据集上的实验结果表明，与基线掩模R-CNN模型相比，所提方法在IoU（交集交集）阈值为0.5时，平均精度提高了6%。该框架在各种成像条件下（包括红外和可见光谱）表现出强大的性能，同时保持计算效率。通过解决现有方法中的关键局限性，这项工作为电力设备细分提供了实用的解决方案，并为电气工业应用中的可扩展缺陷检测奠定了基础。
Keywords
improved MASK R-CNN,power equipment segmentation,Transformer bushing
Speaker
Comment submit