Ricerca sull'algoritmo di rilevamento delle apparecchiature di protezione individuale per linee di trasmissione basata su YOLOv11 migliorato

Sommario

L'obiettivo di questo protocollo è fornire una guida passo dopo passo per sviluppare un modello migliorato basato su YOLOv11n per il rilevamento dei DPI. Descrive modifiche architettoniche e di addestramento che portano a un rilevatore leggero, in tempo reale, con un'accuratezza all'avanguardia del 90,1% mAP e un'interpretabilità intrinseca.

Abstract

Nell'ispezione intelligente delle linee di trasmissione, i dispositivi di edge computing affrontano la sfida critica di bilanciare le prestazioni in tempo reale con la precisione del rilevamento per il riconoscimento delle apparecchiature di protezione individuale in scenari operativi complessi. Questo studio propone WTLS-YOLOv11n, un algoritmo di rilevamento leggero e intrinsecamente interpretabile. La metodologia integra tre innovazioni sinergiche nell'architettura YOLOv11n. Un modulo C3K2-WTConv che impiega una trasformazione a wavelet discreta decompone le caratteristiche in componenti di frequenza fisicamente significative, consentendo un'estrazione robusta di caratteristiche multiscala con interpretabilità intrinseca. Una testa di rilevamento composita condivisa leggera consente una sostanziale riduzione dei parametri grazie alla condivisione strategica del peso, preservando al contempo le capacità di fusione multiscala. La funzione di perdita MPDIoU migliora la precisione di localizzazione per bersagli piccoli e di forma irregolare. La validazione sperimentale dimostra che il modello proposto raggiunge una precisione di rilevamento superiore con parametri e complessità computazionale significativamente ridotti rispetto alla linea di base, mantenendo al contempo prestazioni di inferenza in tempo reale sulle piattaforme hardware edge. L'analisi quantitativa dell'interpretabilità rivela che le decisioni di rilevamento sono prevalentemente guidate da caratteristiche strutturali a bassa frequenza piuttosto che da dettagli tessiturali ad alta frequenza, fornendo una comprensione trasparente del processo di ragionamento del modello. Esperimenti comparativi con modelli di rilevamento mainstream confermano il compromesso superiore tra precisione ed efficienza dell'approccio proposto. Questo lavoro stabilisce una soluzione trasparente, efficiente e affidabile per la supervisione automatizzata della sicurezza nelle operazioni di alimentazione elettrica, con una maggiore applicabilità a compiti di rilevamento critici per la sicurezza che richiedono l'implementazione dei margini e decisioni interpretabili.

Introduzione

Il deep learning ha trasformato i protocolli di sicurezza industriale e introdotto nuovi approcci alla gestione del rischio occupazionale. Questa trasformazione è particolarmente evidente in settori ad alto rischio come l'ingegneria dei sistemi elettrici. I sistemi di supervisione intelligente basati sulla visione sfruttano ora l'architettura YOLO (You Only Look Once⁾¹ per consentire il rilevamento automatico dei DPI (DPI)^2,3 in tempo reale. Questi sistemi sono emersi come una tecnologia fondamentale per il monitoraggio della sicurezza sul lavoro, offrendo miglioramenti significativi nella precisione del rilevamento e nella velocità di risposta rispetto ai metodi tradizionali.

Questi sistemi monitorano continuamente la conformità agli standard di sicurezza, riducendo gli errori umani e migliorando la supervisione nei complessi siti di gestione dell'energia. Eppure le profonde reti neurali alla base di questi sistemi rappresentano una sfida significativa: i loro processi decisionali restano opaci. Questa mancanza di interpretabilità rappresenta il principale ostacolo all'adozione più ampia del settore, in particolare nelle applicazioni critiche per la sicurezza dove comprendere il ragionamento dei sistemi è essenziale per costruire fiducia e garantire responsabilità.

Quando un modello genera un giudizio errato, manca un lavoratore non conforme o provoca spegni operativi inutili, il processo decisionale opaco non fornisce informazioni azionabili per i responsabili della sicurezza. Senza la capacità di diagnosticare errori, comprendere il ragionamento del sistema o verificare decisioni, questi sistemi non possono soddisfare gli standard di affidabilità richiesti in ambienti in cui la sicurezza umana è in gioco. Questo divario ha alimentato una crescente domanda di approcci di Intelligenza Artificiale Spiegabile (XAI^)4,5,6 che offrano sia accuratezza che trasparenza. L'obiettivo è sviluppare sistemi che il personale di sicurezza possa comprendere, validare e fidarsi in contesti operativi critici.

La trasparenza rimane essenziale, ma deve essere costruita su modelli che funzionino in modo affidabile in condizioni operative difficili. I siti di funzionamento dell'alimentazione presentano esigenze tecniche distinte che richiedono robuste capacità di rilevamento. Questi ambienti sperimentano variazioni di illuminazione estreme che vanno dalla luce diurna intensa all'oscurità totale. Macchinari complessi spesso ostacolano il campo visivo, creando sfide di occlusione che i modelli di rilevamento standard faticano a affrontare. Le condizioni meteorologiche aggiungono ulteriore variabilità, influenzando visibilità e qualità dell'immagine tra diversi scenari operativi. Affrontare queste sfide richiede modelli che mantengano prestazioni costanti nonostante tale complessità ambientale.

I ricercatori hanno adottato molteplici approcci per ottimizzare le prestazioni di YOLO per applicazioni in siti di alimentazione. Le modifiche architettoniche rappresentano una direzione di ricerca significativa. Diversi studi hanno migliorato la rete YOLOv5⁷ incorporando ulteriori teste di rilevamento all'interno della struttura del collo. Questa modifica affronta una sfida persistente nel rilevamento dei DPI: la difficoltà di identificare piccoli oggetti a distanza o in campi visivi disordinati. Gli strati aggiuntivi di rilevamento permettono al modello di catturare dettagli spaziali più fini che le architetture standard potrebbero trascurare.

Una seconda importante direzione di ricerca si concentra sull'ottimizzazione dei modelli per ambienti di deployment. I siti di funzionamento energetico spesso richiedono sistemi di rilevamento per operare su dispositivi edge con risorse computazionali limitate. Questo vincolo ha guidato gli sforzi di compressione del modello e miglioramenti dell'efficienza. I ricercatori hanno sviluppato tecniche per ridurre la dimensione del modello e i tempi di inferenza preservando l'accuratezza del rilevamento, consentendo prestazioni in tempo reale su hardware con capacità di elaborazione^{limitate 8,9}.

Recenti sforzi di ottimizzazione hanno introdotto diverse tecniche promettenti per ridurre la complessità del modello. I ricercatori hanno integrato reti dorsale efficienti come MobileNetv3¹⁰ in architetture come^{YOLO-M 11}. Altri hanno applicato la potatura modello e la distillazione del sapere per sviluppare varianti compatte, tra cui Light-YOLOv4¹². Questi approcci hanno dimostrato miglioramenti misurabili nell'efficienza computazionale e nella fattibilità del deployment.

Tuttavia, questi metodi di ottimizzazione affrontano un vincolo fondamentale insito nelle architetture convoluzionali convenzionali. Le operazioni convoluzionali standard richiedono strati di rete sempre più profondi o kernel di dimensioni^{maggiori 13} per espandere il campo ricettivo, essenziale per catturare informazioni contestuali attraverso l'immagine. Questo requisito architettonico crea un compromesso inevitabile. Man mano che i modelli acquisiscono la capacità di estrarre caratteristiche più ricche e comprendere un contesto spaziale più ampio, il loro conteggio dei parametri e le richieste computazionali aumentano notevolmente. I modelli risultanti spesso superano le capacità di elaborazione dei dispositivi edge, limitandone l'impiego pratico in ambienti operativi in tempo reale.

Questa tensione tra capacità di estrazione delle caratteristiche ed efficienza computazionale rappresenta una sfida metodologica significativa che gli approcci attuali non hanno ancora completamente risolto. Il campo richiede un approccio fondamentalmente diverso all'estrazione delle caratteristiche, che possa catturare caratteristiche gerarchiche multiscala senza l'aumento proporzionale dei parametri imposto dai metodi convenzionali. Un tale approccio consentirebbe ai modelli di mantenere sia le prestazioni di rilevamento richieste per applicazioni critiche per la sicurezza sia l'efficienza necessaria per la distribuzione su edge. Affrontare questa lacuna rappresenta una priorità fondamentale di ricerca per l'avanzamento dei sistemi pratici di rilevamento DPE in ambienti di funzionamento a potenza.

I metodi attuali di spiegabilità per il rilevamento degli oggetti utilizzano prevalentemente approcci di analisi^{post-hoc 14} come Grad-CAM. Sebbene questi metodi forniscano visualizzazioni utili, operano indipendentemente dal processo di apprendimento del modello. Un approccio alternativo è progettare componenti architettonici che offrano trasparenza attraverso i loro meccanismi operativi. La nostra estrazione di caratteristiche basata su wavelet offre un modo semplice per capire quali componenti di frequenza contribuiscono alle rilevazioni, anche se sono necessarie ulteriori ricerche per quantificare pienamente questa interpretabilità.

Questa ricerca affronta tre sfide interconnesse nei sistemi di rilevamento DPI: accuratezza del rilevamento, efficienza computazionale e interpretabilità del modello. Il lavoro modifica l'architettura YOLOv11n¹⁵ attraverso tre modifiche di design mirate.

La prima modifica introduce il modulo C3K2-WTConv, che sostituisce la convoluzione standard con un processo di estrazione delle caratteristiche ispirato alle wavelet. Questo approccio separa le informazioni visive in componenti di frequenza: i segnali a bassa frequenza contengono informazioni sulla forma e sui contorni, mentre quelli ad alta frequenza codificano i dettagli di texture e bordi. Questa separazione migliora la qualità delle caratteristiche e rende il processo di estrazione più trasparente rispetto alle operazioni convenzionali di convoluzione.

La seconda modifica implementa una Lightweight Shared Composite Detection Head (LSCD) per ridurre i requisiti computazionali. Questo componente utilizza la condivisione dei parametri su scale di rilevamento, riducendo la dimensione del modello pur mantenendo capacità di rilevamento multiscala. Questo design mira ai vincoli di risorse tipici dei dispositivi edge utilizzati nei siti di funzionamento energetico.

La terza modifica sostituisce la funzione di perdita standard con la^{perdita MPDIoU 16} per migliorare la precisione della scatola di delimitazione. Questo cambiamento affronta le sfide di localizzazione associate agli articoli di DPI piccoli e di forma variabile, offrendo una migliore stabilità del gradiente durante l'addestramento.

I test mostrano che il modello modificato raggiunge una Precisione Media Media superiore del 3,8% rispetto alla linea di base, utilizzando l'11,5% di parametri in meno. Questi risultati indicano che l'approccio soddisfa i requisiti pratici per il dispiegamento dei bordi, migliorando al contempo le prestazioni di rilevamento. Il lavoro fornisce una soluzione funzionale per il monitoraggio della sicurezza nelle operazioni di energia, anche se rimane necessaria ulteriore validazione in diverse condizioni operative per valutare pienamente l'affidabilità del sistema.

Protocollo

I dati delle immagini per questo studio sono stati raccolti da ambienti di funzionamento energetico con i permessi necessari. Tutte le immagini sono state anonimizzate senza alcuna informazione personale identificabile. Questo studio si concentra sul rilevamento di dispositivi di protezione individuale piuttosto che sull'identificazione degli individui. Poiché la ricerca riguarda solo lo sviluppo di algoritmi utilizzando dati anonimizzati, non era richiesta un'approvazione etica.

Il protocollo seguente descrive una procedura completa per progettare, addestrare e valutare un modello di rilevamento oggetti leggero, ad alte prestazioni e intrinsecamente interpretabile, denominato WTLS-YOLOv11n, per il rilevamento di dispositivi di protezione individuale (DPI). Il software utilizzato in questo studio è elencato nella Tabella dei Materiali.

Quadro architettonico complessivo

Il modello proposto WTLS-YOLOv11n si basa sulla linea di base YOLOv11n. La metodologia di base prevede la sostituzione o il miglioramento sistematico dei moduli chiave nella spina dorsale e nella testa per migliorare prestazioni, efficienza e interpretabilità.

Il modello proposto WTLS-YOLOv11n si basa sulla linea di base YOLOv11n. La metodologia di base prevede la sostituzione o il miglioramento sistematico dei moduli chiave nella spina dorsale e nella testa per migliorare prestazioni, efficienza e interpretabilità. Il paradigma architettonico complessivo di YOLOv11n, che consiste in una spina dorsale, un collo e una testa, è stato mantenuto nel modello proposto. Nella backbone, moduli specifici C3K2 sono stati sostituiti con i moduli proposti C3K2-WTConv per migliorare l'estrazione delle caratteristiche. Nella testa, la testa di rilevamento originale è stata sostituita con la proposta Lightweight Shared Composite Detection Head (LSCD) per ridurre la complessità del modello. L'architettura completa del modello proposto WTLS-YOLOv11n, in contrasto con la linea di base, è illustrata nella Figura 1.

Progettazione del modulo C3K2-WTConv

Questo modulo è progettato per sostituire i moduli convoluzionali standard all'interno della dorsale YOLOv11n. Il suo design è guidato da due obiettivi principali: (a) espandere in modo efficiente il campo ricettivo del modello per catturare informazioni contestuali multiscala senza aumentare significativamente il numero di parametri o la complessità computazionale, e (b) apprendere rappresentazioni di caratteristiche più robuste e intrinsecamente interpretabili decomponendo esplicitamente le feature map nel dominio della frequenza.

Progettazione dello strato Core WTConv

Il livello fondamentale WTConv (Wavelet Transform Convolution) è progettato per implementare la Trasformata Wavelet di Haar Discreta 2D. Questo processo viene realizzato attraverso un insieme di specifici nuclei wavelet:

Kernel wavelet: La trasformazione è implementata tramite quattro kernel di convoluzione in profondità fissi e non addestrabili (F_LL, F_LH, F_HL, F_HH), che corrispondono alle funzioni base wavelet di Haar. Questi kernel sono responsabili della decomposizione della mappa delle caratteristiche di input nelle sue componenti a bassa e alta frequenza.

Decomposizione e downsampling: Questi nuclei vengono applicati alla mappa di caratteristiche di input (X) con un passo di 2. Questa singola operazione esegue in modo efficiente sia la decomposizione delle caratteristiche che il downsampling spaziale, separando l'input in quattro sottobande distinte.

Interpretazione fisica dei componenti di output

Le quattro sottobande caratteristiche generate dalla decomposizione delle wavelet possiedono una chiara interpretazione fisica. Come illustrato nella Figura 2, il livello WTConv decompone ricorsivamente l'input nei seguenti componenti:

Componente a bassa frequenza (LL): Questo componente preserva la struttura complessiva, il contorno e altre informazioni globali del bersaglio a metà della risoluzione spaziale. Essa funge da base per il modello per comprendere la "forma" del bersaglio.

Componenti ad alta frequenza (LH, HL, HH): Questi tre componenti catturano dettagli a grana fine come bordi e texture orizzontali, verticali e diagonali. Permettono al modello di concentrarsi sui "dettagli" del bersaglio.

Integrazione nella struttura del modulo C3K2

Lo strato progettato WTConv è integrato senza soluzione di continuità nella struttura di collo di bottiglia C3K2 di YOLOv11n.

Strategia di sostituzione: All'interno del modulo originale C3K2, lo strato convoluzionale standard 3x3 viene sostituito con il livello WTConv. Questo approccio preserva il meccanismo efficiente di riutilizzo delle caratteristiche dell'architettura C3K2, introducendo al contempo i vantaggi della trasformata wavelet, risultando nel modulo finale C3K2-WTConv (struttura dettagliata mostrata nella Figura 3).

Espansione a cascata del campo ricettivo: Il processo WTConv può essere applicato ricorsivamente all'uscita a bassa frequenza (LL) dello stadio precedente. Questo meccanismo di decomposizione a cascata permette al modello di analizzare caratteristiche su un campo ricettivo in crescita esponenziale con un carico computazionale minimo, creando così un percorso efficiente di decomposizione in frequenza su più scale.

Progettazione a testata di rilevamento composita condivisa leggera (LSCD)

Questo modulo è progettato per sostituire la testa di rilevamento originale YOLOv11n, con l'obiettivo principale di ridurre drasticamente la complessità del modello e il sovraccarico computazionale per un impiego efficiente su dispositivi edge con risorse limitate. Il progetto affronta la significativa ridondanza dei parametri riscontrata nelle teste di rilevamento standard multiscala (struttura dettagliata mostrata nella Figura 4.

Motivazione e obiettivi di progettazione

I rami di predizione indipendenti per ogni scala di caratteristica (P3-P5) nella testa originale YOLOv11 portano a un alto numero di parametri. L'LSCD introduce una strategia ibrida di condivisione dei parametri per ottenere un'efficienza superiore dei parametri preservando le capacità critiche di fusione di caratteristiche multiscala.

Condivisione dei parametri e meccanismo di fusione delle caratteristiche

Il nucleo del LSCD risiede nella sua pipeline di elaborazione delle funzionalità a due stadi:

Preprocessing specifico per scala: Per ogni mappa di caratteristica di input dal manico (P3, P4, P5), viene applicata una convoluzione 1x1 non condivisa seguita da uno strato di Normalizzazione di Gruppo (GN). Questo primo passaggio permette alla rete di apprendere trasformazioni di canale specifiche per scala, assicurando che le caratteristiche uniche di ogni livello di caratteristica vengano preservate prima della fusione.

Fusione efficiente su scala multipla: Dopo la pre-elaborazione, viene impiegata una serie di moduli convoluzionali-GN 3x3 condivisi per eseguire la fusione delle caratteristiche principali su diverse scale. Condividendo i pesi, questi moduli apprendono un modello di fusione delle caratteristiche generalizzato, che è la principale fonte di riduzione dei parametri. Questo design costringe il modello ad apprendere rappresentazioni di fusione più robuste e universali.

Adattamento dinamico della scala e ottimizzazione dei rami

Per compensare eventuali perdite di informazioni dovute alla condivisione del peso e affinare l'accuratezza delle previsioni, vengono introdotti due meccanismi aggiuntivi:

Livello di scala apprendibile: Un livello di scala apprendibile viene aggiunto per ogni scala di rilevamento. Questo livello introduce uno scalare apprendibile per scala che ripesa dinamicamente le caratteristiche fuse, permettendo al modello di enfatizzare o sopprimere in modo adattivo le caratteristiche in base alle dimensioni degli oggetti target prevalenti a quella scala.

Ramo di classificazione ottimizzato: Il ramo di classificazione è migliorato utilizzando la funzione di attivazione Softmax per la distribuzione di probabilità e incorporando uno strato di Normalizzazione di Gruppo (GN). Questo stabilizza l'addestramento del compito di classificazione e migliora la robustezza delle previsioni di fiducia, una tecnica dimostrata efficace in architetture come FCOS.

Progettazione migliorata della funzione di perdita (MPDIoU)

La funzione di perdita è stata riingegnerizzata per affrontare specificamente le sfide di una regressione accurata della scatola delimitante per bersagli piccoli, ingombranti e di forme irregolari, comuni negli scenari di rilevamento PPE.

Motivazione e limitazioni della perdita tradizionale dell'IoU

Le perdite basate sull'IoU standard presentano diversi svantaggi critici in questo contesto:

Gradienti di annullamento: Quando le caselle previste e di verità sul terreno non si sovrappongono, l'IoU è zero e il gradiente di perdita si annulla, bloccando il processo di apprendimento.

Insensibilità all'allineamento: Più configurazioni di bounding box possono ottenere lo stesso punteggio IoU, rendendo la funzione di perdita insensibile alla qualità dell'allineamento (ad esempio, deviazione del punto centrale rispetto al disadattamento della forma).

Scarse prestazioni su oggetti piccoli: Per piccoli bersagli, anche piccole deviazioni dei pixel possono essere significative, ma spesso comportano cambiamenti trascurabili nel valore IoU, portando a una localizzazione imprecisa.

Adozione della perdita Minimum Point Distance IoU (MPDIoU)

Per superare le limitazioni sopra menzionate, il protocollo sostituisce la perdita standard con la perdita Minimum Point Distance IoU (MPDIoU). MPDIoU migliora la metrica standard dell'IoU incorporando un termine di penalità che penalizza direttamente la distanza tra le caselle prevista e quella di verità sul terreno, anche quando non si sovrappongono.

Meccanismo di base: Il termine di penalità deriva dalla distanza euclidea tra i corrispondenti punti d'angolo della casella prevista (pred) e la casella di verità sul terreno (gt). In particolare, si calcolano le distanze al quadrato per gli angoli in alto a sinistra ) e per gli angoli in basso a destra ():

(1)
(2)

Per garantire che la penalità sia invariante in scala, questa distanza viene normalizzata dalle dimensioni della scatola più piccola che racchiude sia la casella prevista che quella di verità fondamentale. Siano w e h rispettivamente la larghezza e l'altezza di questa scatola che racchiude. La metrica MPDIoU viene quindi formulata come:

(3)

Infine, la funzione di perdita MPDIoU (L_MPDIoU) è definita come:

L_MPDIoU = 1 - MPDIoU (4)

Vantaggi chiave: Questo termine di penalizzazione geometrica affronta direttamente le questioni sopra menzionate amico: i) fornendo un gradiente significativo e non nullo anche quando le caselle non si sovrappongono, prevenendo così la nullità del gradiente e garantendo l'ottimizzazione continua del modello, ii) offrendo una maggiore sensibilità alle deviazioni di posizione, dimensione e rapporto d'aspetto, fondamentale per la localizzazione precisa di piccoli e vari elementi PPE, iii) fornire segnali di gradiente più stabili e coerenti durante l'addestramento, favorendo una convergenza più rapida e portando a una migliore precisione di localizzazione.

Dataset e configurazione sperimentale

Dataset di rilevamento DPE auto-costruito

Abbiamo creato un dataset di rilevamento PPE contenente 5.000 immagini ad alta risoluzione provenienti da operazioni di linea di trasmissione elettrica, annotate con LabelImg e convertite in formato YOLO TXT. Il dataset comprende cinque categorie: caschi di sicurezza (1.245 ipotesi), imbracature di sicurezza (1.128 ipotesi), braccialetti (892 ipotesi), stato di lavoro in altezza (1.056 ipotesi) e stato a livello del suolo (1.124 ipotesi). I dati sono suddivisi in set di addestramento (4.000 immagini), validazione (500 immagini) e test (500 immagini). Le immagini presentano condizioni impegnative, tra cui illuminazione estrema, forte occlusione (23% con copertura >50%) e sfondi industriali complessi. Durante l'addestramento venivano applicate tecniche standard di aumento (flipping casuale, rotazione, jitter di colore, mosaico).

Dataset PASCAL VOC per test di generalizzazione

Per valutare la capacità di generalizzazione del modello oltre gli scenari di power operation, abbiamo utilizzato il dataset PASCAL VOC, che combina VOC2007 e VOC2012 per un totale di 21.503 immagini. Seguendo la prassi standard, abbiamo utilizzato 11.540 immagini di VOC2012 per addestramento e validazione, e 9.963 immagini di VOC2007 per i test. Il dataset VOC contiene 20 categorie di oggetti in diversi scenari reali. Sebbene gli oggetti specifici differiscano dalle nostre categorie di DPI, le sfide di rilevamento (variazione di scala, occlusione, sfondi complessi) sono simili, rendendolo adatto per valutare le capacità generali di rilevamento e la trasferibilità del modello.

Dettagli di implementazione

Questo protocollo delinea la procedura per addestrare e valutare il modello. Si presume che l'utente abbia accesso al codice sorgente, a un ambiente Python adeguato e ai dataset preparati.

Preparazione di sistemi e ambienti

Una workstation equipaggiata con una GPU NVIDIA con almeno 24 GB di VRAM veniva utilizzata per garantire una memoria sufficiente per l'addestramento (ad esempio, NVIDIA GeForce RTX 4090). Il framework di deep learning PyTorch (versione 1.12.0 o superiore) insieme al corrispondente toolkit CUDA è stato installato sulla workstation. L'installazione è stata verificata aprendo un terminale ed eseguendo il comando "python -c 'import torch; print(torch.cuda.is_available())'", che si prevedeva restituisse "Vero". I pacchetti Python richiesti venivano installati navigando nella directory radice del progetto ed eseguendo il comando "pip install -r requirements.txt". Questo comando installava automaticamente dipendenze tra cui numpy, opencv-python, pyyaml, tensorboard e torchvision. La preparazione del dataset è stata verificata per garantire che le immagini di addestramento fossero localizzate in /data/train/images/ e che i file di annotazione fossero in /data/train/labels/ in formato YOLO (altezza di larghezza x_center y_center di classe). Lo stesso processo di verifica è stato applicato ai dataset di validazione (/data/val/) e test (/dati/test/).

Configurazione di addestramento

Il file di configurazione config/wtls_yolov11n.yaml veniva aperto utilizzando un editor di testo per impostare i parametri di addestramento. I percorsi dati venivano configurati localizzando il parametro 'path' e impostandolo sulla directory radice del dataset, mentre i parametri 'train', 'val' e 'test' venivano verificati per indicare le sottodirectory corrette. Il parametro 'nc' (numero di classi) è stato confermato corrispondere al dataset, impostato a 5 per il rilevamento dei DPI. Gli iperparametri di addestramento erano configurati con il numero di epoche impostato a 300 per l'addestramento completo e la dimensione del lotto a 16, con l'intesa che questo valore potesse essere regolato in base alla disponibilità di memoria GPU e ridotto a 8 in caso di errori di esaurimento di memoria. La dimensione dell'immagine di input (imgsz) è stata impostata a 640, e l'ottimizzatore è stato confermato SGD con un tasso di apprendimento iniziale (lr0) di 0,01. Il decadimento del peso è stato verificato essere di 0,0005 e il momento è stato impostato a 0,937. Le tecniche di aumento dei dati sono state abilitate utilizzando le impostazioni configurate di default, che includevano l'aumento mosaico (mosaico: 1.0), il flip orizzontale casuale con probabilità del 50% e il jitter colore con parametri hsv_h: 0.015, hsv_s: 0.7 e hsv_v : 0.4. I parametri di utilizzo hardware erano configurati con il numero di lavoratori impostato a 8 per i thread CPU usati nel caricamento dati, e il parametro del dispositivo impostato a 0 per l'uso della prima GPU, con l'opzione di impostarlo su "0,1" per l'addestramento multi-GPU se necessario.

Esecuzione dell'addestramento del modello

L'addestramento del modello veniva inizializzato dalla riga di comando eseguendo il comando "python train.py --cfg config/wtls_yolov11n.yaml --weights ''--data data.yaml", dove il parametro --cfg specificava il file di configurazione del modello, il parametro --weights era impostato su una stringa vuota per addestrare da zero (in alternativa, yolov11n.pt poteva essere usato per l'apprendimento tramite trasferimento), e il parametro --data specificava la configurazione del dataset. Durante l'addestramento sono stati osservati indicatori di convergenza per monitorare le prestazioni del modello. Nelle prime 50 epoche è stata osservata una rapida diminuzione della perdita, con box_loss che è passata da circa 1,5 a 0,8. Tra le epoche 50 e 150, è stato osservato un miglioramento costante con box_loss diminuzione da circa 0,8 a 0,5. Durante le epoche 150-300, la fase di messa a punto fine avveniva con box_loss che si stabilizzava intorno a 0,4-0,5. La metrica di validazione mAP@0,5 era prevista per superare l'85% entro l'epoca 200. Il salvataggio dei checkpoint è stato verificato per garantire che l'addestramento salvasse automaticamente i checkpoint ogni 10 epoche nelle directory runs/train/exp/pesi/. La presenza di last.pt (checkpoint più recente) e best.pt (checkpoint mAP più alto) è stata confermata, con ciascun file checkpoint previsto di circa 5-6 MB. Il progresso dell'addestramento poteva opzionalmente essere monitorato tramite TensorBoard aprendo un nuovo terminale ed eseguendo il comando "tensorboard --logdir runs/train", quindi navigando tramite un browser per http://localhost:6006 visualizzare grafici in tempo reale delle curve di perdita, programma della velocità di apprendimento e tendenze del mAP. I problemi comuni sono stati affrontati tramite procedure di risoluzione dei problemi, dove gli errori di uscita dalla memoria CUDA sono stati risolti riducendo la dimensione del lotto a 8 o 4, i valori di perdita di NaN sono stati affrontati riducendo la velocità di apprendimento a 0,005, e i piazzani mAP sotto l'80% sono stati indagati verificando la correttezza delle annotazioni e aumentando le epoche di addestramento a 400.

Protocollo di valutazione del modello

È stata eseguita una procedura di valutazione multifaccettata per convalidare in modo completo l'efficacia, l'efficienza e l'interpretabilità del modello proposto.

Valutazione quantitativa delle prestazioni

Metriche di performance

Valutare l'accuratezza del modello utilizzando la Precisione Media (mAP) media a una soglia IoU di 0,5 (mAP@0,5), Precisione e Richiamo. Valutare l'efficienza del modello misurando il numero totale di Parametri (M) e Operazioni in virgola mobile (FLOP, G). Misurare la velocità di inferenza in Frames Per Second (FPS) sia su una GPU server-grade che su un dispositivo edge. Per i test del dispositivo edge, imposta la modalità di alimentazione su prestazioni massime e riscalda il modello con 100 inferenze fittizie prima di registrare FPS su 500 immagini di test.

Confronto con modelli all'avanguardia: confrontare il modello proposto WTLS-YOLOv11n con la sua linea di base diretta (YOLOv11n) e con una vasta gamma di rivelatori, inclusi modelli YOLO basati su CNN mainstream (YOLOv5n, YOLOv8n, YOLOv9), un rivelatore a due stadi (Faster R-CNN) e un rivelatore basato su Transformer (RT-DETR). Addestra tutti i modelli per 300 epoche usando i loro iperparametri predefiniti raccomandati. Registra tutte le metriche definite nella sezione Metriche di Prestazioni per ogni modello sia sul dataset PPE auto-costruito sia sul dataset PASCAL VOC. Per la valutazione dei COV, allenarsi sui set combinati VOC2012 trainval e VOC2007 trainval, poi testare su VOC2007 set di test seguendo il protocollo standard.

Studi di ablazione: Eseguire uno studio sistematico di ablazione per analizzare i contributi individuali dei componenti proposti.

Analisi dell'efficacia dei componenti: Partendo dal modello base YOLOv11n, integrare incrementalmente il modulo C3K2-WTConv, la testa LSCD e la perdita MPDIoU. Per ogni configurazione, riaddestrare il modello per 300 epoche usando iperparametri identici (dimensione del lotto 16, tasso di apprendimento 0,01, ottimizzatore SGD). Registra le variazioni di mAP, precisione, richiamo, parametri, FLOP e FPS per verificare l'efficacia di ogni componente. Calcola i miglioramenti percentuali rispetto alla base per ogni metrica.

Analisi del posizionamento: Per determinare la posizione ottimale del modulo C3K2-WTConv, integrarlo in diverse parti dell'architettura di rete. Test tre configurazioni: (i) integrazione solo nella spina dorsale, (ii) integrazione solo nel manico e (iii) integrazione completa sia nella colonna dorsale che nel collo. Addestrare ogni configurazione per 300 epoche e confrontare i punteggi risultanti di mAP@0,5 per identificare la strategia di integrazione più efficace. Seleziona la configurazione ottimale per tutti gli esperimenti successivi.

Valutazione qualitativa delle prestazioni

Visualizzazione dei risultati di rilevamento: seleziona 12-15 immagini rappresentative dal set di test che presentino scenari reali impegnativi, tra cui forte retroilluminazione, occlusione pesante di oggetti, sfondi complessi e angolazioni di telecamera non convenzionali. Per ogni modello di confronto (baseline, YOLOv5n, YOLOv8n, YOLOv9s e WTLS-YOLOv11n), eseguire inferenza su queste immagini usando una soglia di confidenza di 0,25 e una soglia IoU di 0,45. Genera e renderizza gli output di rilevamento (bounding box con etichette di classe e punteggi di fiducia) su queste immagini. Organizza le visualizzazioni in formato a griglia dove le righe rappresentano scenari diversi e le colonne modelli differenti.

Analisi della robustezza: confrontare visivamente i risultati di rilevamento renderizzati da diversi modelli. Valuta la robustezza e la superiorità del modello proposto contando e segnando i casi di falsi negativi (oggetti mancati), falsi positivi (rilevamenti errati) e rilevamenti duplicati (più caselle per un singolo oggetto con IoU > 0,7 tra una previsione e l'altra). Usa cerchi rossi per evidenziare rilevamenti problematici nella figura di visualizzazione. Calcola i tassi di falsi negativi per modello e i conteggi di falsi positivi tra le immagini di test selezionate. Estrarre e confrontare i punteggi medi di confidenza per i rilevamenti veramente positivi tra i modelli.

Analisi dell'interpretabilità

Per convalidare l'interpretabilità intrinseca fornita dal modulo C3K2-WTConv, è stata eseguita una procedura di visualizzazione su immagini di input selezionate. Il modello addestrato WTLS-YOLOv11n è stato caricato e un gancio anteriore è stato registrato sul modulo C3K2-WTConv al quarto strato della spina dorsale. La propagazione in avanti veniva eseguita sull'immagine di input e il tensore delle caratteristiche di uscita veniva catturato. Dal tensore di forma delle caratteristiche catturate [lotto, canali, altezza, larghezza], i canali corrispondenti alle diverse componenti di frequenza venivano separati. Il primo 25% dei canali è stato designato come componente a bassa frequenza (LL) e il restante 75% è stato designato come componenti ad alta frequenza (LH, HL, HH). Per ogni tipo di componente di frequenza, la media su tutti i canali all'interno di quella componente veniva calcolata per creare mappe di attivazione a canale singolo. La norma L2 veniva applicata su dimensioni spaziali quando necessario per enfatizzare attivazioni forti. Le mappe di attivazione sono state normalizzate a intervallo [0, 1] e è stata applicata una mappa a colori (ad esempio, 'jet'). Le heatmap sono state ridimensionate per corrispondere alla risoluzione originale dell'immagine di input utilizzando interpolazione bilineare. La heatmap a bassa frequenza e la heatmap ad alta frequenza sono state sovrapposte all'immagine originale con trasparenza del 40% per creare visualizzazioni interpretabili che mostrano dove il modello si concentra sulle caratteristiche strutturali rispetto a quelle testurali.

Per verificare rigorosamente che le decisioni di rilevamento si basano su caratteristiche del dominio della frequenza, è stata effettuata un'analisi quantitativa. Un sottoinsieme di 200-300 immagini è stato selezionato dal set di test che conteneva rilevamenti riusciti (punteggio di fiducia superiore a 0,5). Questo sottoinsieme è stato garantito per rappresentare scenari diversi al fine di evitare il bias di campionamento. Per ogni immagine del sottoinsieme, veniva eseguita la propagazione in avanti e veniva estratto l'output del modulo C3K2-WTConv al quarto strato backbone. Il tensore caratteristico era suddiviso in componenti a bassa frequenza (LL, primo 25% dei canali) e ad alta frequenza (HF, restante 75% dei canali). Per ogni immagine, la forza di attivazione assoluta media è stata calcolata su dimensioni spaziali (altezza e larghezza) per entrambe le componenti di frequenza. La forza della SL è stata calcolata come la media del valore assoluto delle caratteristiche della LL in tutte le posizioni spaziali, e la forza dell'HF è stata calcolata come la media del valore assoluto delle caratteristiche HF in tutte le posizioni spaziali. Questi valori venivano registrati insieme al punteggio massimo di confidenza nel rilevamento per quell'immagine. Utilizzando i dati raccolti (LL_strength, HF_strength, confidence_score) su tutte le immagini, sono stati calcolati i coefficienti di correlazione di Pearson. È stata calcolata la correlazione tra forza del Livello Sconosciuto e punteggio di fiducia, così come la correlazione tra forza dell'HF e punteggio di fiducia. Veniva utilizzato software statistico o la funzione scipy.stats.pearsonr di Python per ottenere sia i coefficienti di correlazione (r) che i valori p. La significatività statistica è stata valutata utilizzando una soglia di p-value di 0,05, dove un p-value inferiore a 0,05 indicava che la correlazione era statisticamente significativa. L'entità dei coefficienti di correlazione è stata confrontata per determinare quale componente di frequenza avesse una maggiore associazione con la fiducia nel rilevamento. Le seguenti metriche sono state registrate in formato strutturato: coefficiente di correlazione LL (rLL) e valore p (pLL), coefficiente di correlazione HF (rHF) e valore p (pHF), forze medie di attivazione (meanLL, meanHF) e dimensione del campione (numero di immagini analizzate). I risultati attesi erano che le caratteristiche a bassa frequenza avrebbero mostrato una correlazione positiva più forte con i punteggi di fiducia (rLL superiore a 0,60, p inferiore a 0,001) rispetto alle caratteristiche ad alta frequenza (rHF circa 0,40-0,50, p inferiore a 0,01), indicando che le decisioni di rilevamento erano prevalentemente guidate dalle informazioni strutturali catturate nella componente LL.

Questa analisi quantitativa ha stabilito l'interpretabilità oltre i limiti della visualizzazione qualitativa. La combinazione di analisi di correlazione (dimostrando l'associazione statistica) e visualizzazione nel dominio della frequenza (mostrando l'attenzione spaziale) ha fornito prove empiriche rigorose che il processo decisionale del modello si basava genuinamente su caratteristiche strutturali a bassa frequenza come previsto dal progetto.

Risultati attesi: Le caratteristiche a bassa frequenza dovrebbero mostrare una correlazione positiva più forte con i punteggi di fiducia (r_LL > 0,60, p < 0,001) rispetto alle caratteristiche ad alta frequenza (r_HF≈ 0,40-0,50, p < 0,01), indicando che le decisioni di rilevamento sono prevalentemente guidate dalle informazioni strutturali catturate nella componente LL.

Questa analisi quantitativa stabilisce l'interpretabilità oltre la visualizzazione qualitativa. La combinazione di analisi di correlazione (dimostrando l'associazione statistica) e visualizzazione nel dominio della frequenza (mostrando l'attenzione spaziale) fornisce prove empiriche rigorose che il processo decisionale del modello si basa genuinamente su caratteristiche strutturali a bassa frequenza come previsto dal progetto.

Risultati

Per valutare le prestazioni del modello proposto WTLS-YOLOv11n, abbiamo condotto esperimenti sul nostro dataset PPE auto-costruito e sul dataset PASCAL VOC 2007+2012. Tutte le metriche sono riportate sui rispettivi set di test, salvo diversa indicazione.

Confronto con modelli all'avanguardia

Abbiamo confrontato WTLS-YOLOv11n con i rivelatori di oggetti mainstream in tre paradigmi architettonici: modelli YOLO basati su CNN (YOLOv5n, YOLOv8n, YOLOv9t...

Discussione

I risultati sperimentali dimostrano che WTLS-YOLOv11n raggiunge il 90,1% di mAP riducendo i parametri dell'11,5% rispetto alla base YOLOv11n. Questo miglioramento sia nella precisione che nell'efficienza deriva dall'integrazione sinergica di tre componenti: estrazione delle caratteristiche basata su wavelet, progettazione leggera della testa di rilevamento e perdita di localizzazione migliorata.

Lo studio di ablazione rivela che il modulo C3K2-WTConv offre il ...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Kit degli attrezzi CUDA	NVIDIA Corporation	CUDA Toolkit Versione 11.7
Quadro di Deep Learning	Fondazione PyTorch	PyTorch Versione 1.12.0
Unità di elaborazione grafica	NVIDIA Corporation	GeForce RTX 4090
NumPy	Sviluppatori NumPy	NumPy
OpenCV	OpenCV Team	OpenCV-Python
Sistema operativo	Canonical Ltd.	Ubuntu 22.04 LTS (o specifica il tuo sistema operativo)
Python	Python Software Foundation	Python Versione 3.8 o superiore
TensorBoard	Autori di TensorFlow	TensorBoard
Torchvision	Fondazione PyTorch	Torchvision