Polarized image feature fusion in power inspection

作者：M. Ni, Yuanlong Peng, Shan Hu, Longchuan Yan, Jinkun Zheng, Danhua CAO, 国家电网有限公司信息通信分公司，北京 100761 State Grid Information & Telecommunication Branch， Beijing 100761， China, 中国福建光电信息科学与技术创新实验室， 福建 福州 350116 Fujian Optoelectronic Info. Sci. and Tech. Innovation Lab.， Fuzhou 350116， China · 发表于：Optics and Precision Engineering · 年份：2025 · DOI：10.37188/ope.20253308.1274 · 被引用次数：3 · 研究领域：Industrial Vision Systems and Defect Detection、Advanced Measurement and Detection Methods、Image and Object Detection Techniques

为提升智能电网监测系统在复杂光照条件下的隐患目标识别精度，本文提出了一种基于偏振度与偏振光强双模态信息融合的检测方法。首先，设计双路特征融合网络，通过密集卷积模块分别提取偏振强度图像和偏振度图像的特征，以增强浅层信息的保留能力；同时，引入空间-通道协同注意力机制，在空间与通道维度上建立特征依赖关系，从而提升模型的特征选择性聚合能力。最后，引入多尺度自适应结构相似性损失函数并设计加权算法优化参考图像的生成质量，优化融合图像的结构保真度与目标显著性，进一步提升其质量。实验结果表明，与当前最先进的图像融合算法相比，本研究提出的方法在多种评价指标上均展现出了显著的性能提升。同时，通过消融实验进一步验证了网络模块和损失函数的有效性与实用性。在自建的目标检测数据集中，采用本研究方法生成的融合图像在目标识别精度上达到了91.5%，同时mAP@0.5指标也达到了0.916，在客观评价方面优于对比方法，提升了后续目标检测网络的识别准确性。