计算机工程

作者：胡朝举, 郭凤仪

单位：华北电力大学计算机系, 河北 保定 071000

关键词：深度学习,YOLOv7算法,光纤总配线架,损失函数,感受野扩大模块,注意力模块

基金：国家自然科学基金(61502168)

人工巡检的管理方式导致光纤总配线架(MODF)端口状态的信息准确率较低, 无法区分占用端口与虚占端口。针对MODF资源管理中的端口状态识别问题, 提出一种改进的YOLOv7目标检测模型。鉴于数据集采集困难且类别不均衡, 采用多种数据增强方法来扩充数据集; 在骨干网络中使用共享权重的感受野扩大模块(RFEM), 扩大端口目标的感受野, 减少训练过程中的过拟合风险; 提出F-EMA注意力模块, 以提高对空间上下文信息的利用率, 减少因端口接近或被遮挡而导致的漏检、误检等情况; 使用NWD损失函数替代交并比(IoU)度量, 减轻对小目标位置偏差的敏感性, 提升密集小物体检测准确率。实验结果表明, 改进模型的mAP@0.5值达到98.8%, 相比原Yolov7模型提升了2百分点, mAP@0.5∶0.95值达到63.8%, 提升了9.5百分点, 提高了MODF端口资源利用率, 满足智能巡检系统对于端口占用状态识别准确率的基本要求。

来源：2025年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第2期