摘要:变电站巡检拍摄的电气设备可见光图像存在背景杂乱、目标轮廓不规则等特点，造成设备分割精度不高，影响智能巡检系统设备识别效果。基于此，提出一种改进的YOLACT++模型，实现设备目标精确实例分割。首先，设计了电气设备特征提取主干网络DAGNet，提升了网络对复杂背景下重要特征的关注度；同时在原型网络分支引入3D注意力模块SimAM，降低混乱背景对目标分割的干扰。使用某市8个区域58座110 kV变电站和86座35 kV变电站巡检所得避雷器、断路器等6类电气设备的1 730张可见光图像的标记数据集对该模型进行验证，实验结果表明，改进YOLACT++模型分割的APall指标为84.1%，相较原模型提高了4.4%，与YOLACT、Mask R-CNN和YOLOv8模型相比分别高出4.0%、9.3%、1.6%，较好地实现了6类电气设备的识别，可满足电力巡检中准确性和快速性的要求。

摘要:目前，电力公司的电缆维护都是人工完成的。人工维护不仅工作量大、效率低，而且存在很大的安全问题。随着机器视觉的快速发展和机器人技术在各行各业的广泛应用，将机器人和视觉技术应用于电缆的自动维护已成为一种必然趋势。本文提出了一种基于YOLACT模型的双目电缆识别与定位方法，该方法首先利用改进的YOLACT网络对复杂环境下的密集电缆进行识别和分割，然后对电缆分割图像进行边缘优化与提取，最后利用得到的电缆边缘特征对双目图像中的相同目标进行匹配，从而实现复杂环境下对电缆的识别与定位。与传统的YOLACT模型相比，本文提出的电缆候选框相关度计算方法可以很好地解决识别密集电缆时出现的漏检和误检问题，提高了电缆识别的准确率。