Pesquisa sobre Algoritmo de Detecção de Equipamentos de Proteção Individual para Linhas de Transmissão Baseado em YOLOv11 Aprimorado

Resumo

O objetivo deste protocolo é fornecer um guia passo a passo para desenvolver um modelo aprimorado baseado em YOLOv11n para detecção de EPI. Ele detalha modificações arquitetônicas e de treinamento que resultam em um detector leve, em tempo real, com precisão de última geração de 90,1% de mAP e interpretabilidade inerente.

Resumo

Na inspeção inteligente de linhas de transmissão, dispositivos de computação de borda enfrentam o desafio crítico de equilibrar desempenho em tempo real com precisão de detecção para reconhecimento de equipamentos de proteção individual em cenários operacionais complexos. Este estudo propõe o WTLS-YOLOv11n, um algoritmo de detecção leve e inerentemente interpretável. A metodologia integra três inovações sinérgicas na arquitetura YOLOv11n. Um módulo C3K2-WTConv que emprega uma transformação discreta de wavelet decompõe características em componentes de frequência fisicamente significativos, permitindo extração robusta de características multiescala com interpretabilidade inerente. Uma cabeça de detecção compósita compartilhada e leve alcança redução substancial de parâmetros por meio do compartilhamento estratégico de peso, preservando as capacidades de fusão em múltiplas escalas. A função de perda MPDIoU melhora a precisão de localização para alvos pequenos e de formatos irregulares. A validação experimental demonstra que o modelo proposto alcança precisão superior na detecção com parâmetros significativamente reduzidos e complexidade computacional em comparação com a linha de base, mantendo desempenho de inferência em tempo real em plataformas de hardware de borda. A análise quantitativa de interpretabilidade revela que as decisões de detecção são predominantemente orientadas por características estruturais de baixa frequência, em vez de detalhes texturais de alta frequência, fornecendo uma visão transparente sobre o processo de raciocínio do modelo. Experimentos comparativos com modelos de detecção convencionais validam a superior relação entre precisão e eficiência da abordagem proposta. Esse trabalho estabelece uma solução transparente, eficiente e confiável para supervisão automatizada de segurança em operações de energia elétrica, com aplicabilidade mais ampla a tarefas críticas de detecção de segurança que exigem implantação na borda e tomada de decisão interpretável.

Introdução

O deep learning transformou os protocolos de segurança industrial e introduziu novas abordagens para a gestão de riscos ocupacionais. Essa transformação é particularmente evidente em setores de alto risco, como a engenharia de sistemas de energia. Sistemas inteligentes de supervisão baseados em visão agora utilizam a arquitetura YOLO (You Only Look Once⁾¹ para permitir a detecção automatizada de Equipamentos de Proteção Individual (EPI)^2,3 em tempo real. Esses sistemas emergiram como uma tecnologia crítica para o monitoramento da segurança no trabalho, oferecendo melhorias significativas na precisão da detecção e na velocidade de resposta em comparação com métodos tradicionais.

Esses sistemas monitoram continuamente o cumprimento dos padrões de segurança, reduzindo erros humanos e melhorando a supervisão em locais complexos de operação de energia. No entanto, as redes neurais profundas que sustentam esses sistemas apresentam um desafio significativo: seus processos de tomada de decisão permanecem opacos. Essa falta de interpretabilidade representa o principal obstáculo para uma adoção mais ampla da indústria, especialmente em aplicações críticas para a segurança, onde entender o raciocínio do sistema é essencial para construir confiança e garantir responsabilidade.

Quando um modelo gera um julgamento incorreto, deixando de cumprir um trabalhador não conforme ou desencadeando paralisações operacionais desnecessárias, o processo opaco de tomada de decisão não fornece nenhuma informação acionável para os gerentes de segurança. Sem a capacidade de diagnosticar erros, entender o raciocínio do sistema ou verificar decisões, esses sistemas não conseguem atender aos padrões de confiabilidade exigidos em ambientes onde a segurança humana está em risco. Essa lacuna impulsionou a demanda crescente por abordagens de Inteligência Artificial Explicável (XAI^)4,5,6 que proporcionem tanto precisão quanto transparência. O objetivo é desenvolver sistemas que o pessoal de segurança possa compreender, validar e confiar em contextos operacionais críticos.

A transparência continua essencial, mas deve ser construída sobre modelos que atuem de forma confiável em condições operacionais desafiadoras. Os locais de operação de energia apresentam demandas técnicas distintas que exigem capacidades robustas de detecção. Esses ambientes apresentam variações extremas de iluminação, que vão desde intensa luz do dia até completa escuridão. Máquinas complexas frequentemente obstruem o campo visual, criando desafios de oclusão que os modelos padrão de detecção têm dificuldade em resolver. As condições climáticas adicionam ainda mais variabilidade, afetando a visibilidade e a qualidade da imagem em diferentes cenários operacionais. Enfrentar esses desafios exige modelos que mantenham desempenho consistente apesar de tamanha complexidade ambiental.

Pesquisadores têm adotado múltiplas abordagens para otimizar o desempenho do YOLO para aplicações de power site. As modificações arquitetônicas representam uma direção significativa de pesquisa. Vários estudos aprimoraram a rede YOLOv5⁷ ao incorporar cabeças de detecção adicionais dentro da estrutura do pescoço. Essa modificação resolve um desafio persistente na detecção de EPI: a dificuldade de identificar pequenos objetos à distância ou em campos visuais sobrecarregados. As camadas adicionais de detecção permitem que o modelo capture detalhes espaciais mais finos que arquiteturas padrão podem deixar passar.

Uma segunda grande direção de pesquisa foca na otimização de modelos para ambientes de implantação. Os locais de operação de energia frequentemente exigem sistemas de detecção para operar em dispositivos de borda com recursos computacionais limitados. Essa restrição impulsionou esforços de compressão de modelos e melhorias de eficiência. Pesquisadores desenvolveram técnicas para reduzir o tamanho do modelo e o tempo de inferência, preservando a precisão da detecção, permitindo desempenho em tempo real em hardware com capacidades de processamento^{restritas 8,9}.

Esforços recentes de otimização introduziram várias técnicas promissoras para reduzir a complexidade do modelo. Pesquisadores integraram redes backbone eficientes como o^{MobileNetv3 10} em arquiteturas como o YOLO-M¹¹. Outros aplicaram poda modelo e destilação do conhecimento para desenvolver variantes compactas, incluindo o Light-YOLOv4¹². Essas abordagens demonstraram melhorias mensuráveis na eficiência computacional e na viabilidade da implantação.

No entanto, esses métodos de otimização enfrentam uma restrição fundamental inerente às arquiteturas convolucionais convencionais. Operações padrão de convolução exigem camadas de rede cada vez mais profundas ou kernels^{maiores de tamanho 13} para expandir o campo receptivo, o que é essencial para capturar informações contextuais em toda a imagem. Essa exigência arquitetônica cria um compromisso inevitável. À medida que os modelos ganham a capacidade de extrair características mais ricas e compreender um contexto espacial mais amplo, suas contagens de parâmetros e demandas computacionais aumentam substancialmente. Os modelos resultantes frequentemente superam as capacidades de processamento dos dispositivos de borda, limitando sua implantação prática em ambientes operacionais em tempo real.

Essa tensão entre a capacidade de extração de características e a eficiência computacional representa um desafio metodológico significativo que as abordagens atuais ainda não resolveram completamente. O campo exige uma abordagem fundamentalmente diferente para a extração de características, que possa capturar características hierárquicas multiescala sem o aumento proporcional dos parâmetros que os métodos convencionais impõem. Tal abordagem permitiria que os modelos mantivessem tanto o desempenho de detecção exigido para aplicações críticas à segurança quanto a eficiência necessária para a implantação em bordas. O preenchimento dessa lacuna representa uma prioridade crítica de pesquisa para o avanço de sistemas práticos de detecção de EPIs em ambientes de operação de energia.

Métodos atuais de explicabilidade para detecção de objetos utilizam predominantemente abordagens de análise^{post-hoc 14} , como o Grad-CAM. Embora esses métodos forneçam visualizações úteis, eles operam independentemente do processo de aprendizado do modelo. Uma abordagem alternativa é projetar componentes arquitetônicos que ofereçam transparência por meio de seus mecanismos operacionais. Nossa extração de características baseada em wavelet oferece uma maneira direta de entender quais componentes de frequência contribuem para a detecção, embora mais pesquisas sejam necessárias para quantificar totalmente essa interpretabilidade.

Esta pesquisa aborda três desafios interconectados nos sistemas de detecção de EPI: precisão da detecção, eficiência computacional e interpretabilidade do modelo. O trabalho modifica a arquitetura YOLOv11n¹⁵ por meio de três mudanças de design direcionadas.

A primeira modificação introduz o módulo C3K2-WTConv, que substitui a convolução padrão por um processo de extração de características inspirado em wavelet. Essa abordagem separa a informação visual em componentes de frequência: sinais de baixa frequência contêm informações de forma e contorno, enquanto sinais de alta frequência codificam detalhes de textura e bordas. Essa separação melhora a qualidade das características e torna o processo de extração mais transparente do que as operações convencionais de convolução.

A segunda modificação implementa uma Cabeça Leve de Detecção Compartilhada Compartilhada (LSCD) para reduzir os requisitos computacionais. Esse componente utiliza compartilhamento de parâmetros em diferentes escalas de detecção, reduzindo o tamanho do modelo enquanto mantém a capacidade de detecção em múltiplas escalas. Esse projeto mira as restrições de recursos típicas dos dispositivos de borda usados em locais de operação de energia.

A terceira modificação substitui a função de perda padrão por perda^{MPDIoU 16} para melhorar a precisão da caixa delimitadora. Essa mudança aborda os desafios de localização associados a itens de EPI pequenos e de formatos variáveis, proporcionando melhor estabilidade de gradiente durante o treinamento.

Os testes mostram que o modelo modificado alcança uma Precisão Média média 3,8% maior do que a linha base, utilizando 11,5% menos parâmetros. Esses resultados indicam que a abordagem atende aos requisitos práticos para implantação de bordas, ao mesmo tempo em que melhora o desempenho da detecção. O trabalho oferece uma solução funcional para monitoramento de segurança em operações de energia, embora ainda seja necessária validação adicional em diversas condições operacionais para avaliar totalmente a confiabilidade do sistema.

Protocolo

Os dados de imagem para este estudo foram coletados em ambientes de operação de energia com as permissões necessárias. Todas as imagens foram anonimizadas sem que nenhuma informação pessoal identificável seja retida. Este estudo foca em detectar equipamentos de proteção individual, em vez de identificar indivíduos. Como a pesquisa envolve apenas o desenvolvimento de algoritmos usando dados anonimizados, não era necessária aprovação ética.

O protocolo a seguir detalha um procedimento abrangente para projetar, treinar e avaliar um modelo de detecção de objetos leve, de alto desempenho e inerentemente interpretável, chamado WTLS-YOLOv11n, para detecção de Equipamentos de Proteção Individual (EPI). O software utilizado neste estudo está listado na Tabela de Materiais.

Estrutura arquitetônica geral

O modelo proposto WTLS-YOLOv11n é construído sobre a linha de base YOLOv11n. A metodologia central envolve substituir ou aprimorar sistematicamente módulos-chave na espinha dorsal e na cabeça para melhorar desempenho, eficiência e interpretabilidade.

O modelo proposto WTLS-YOLOv11n é construído sobre a linha de base YOLOv11n. A metodologia central envolve substituir ou aprimorar sistematicamente módulos-chave na espinha dorsal e na cabeça para melhorar desempenho, eficiência e interpretabilidade. O paradigma arquitetônico geral do YOLOv11n, que consiste em uma espinha dorsal, pescoço e cabeça, foi mantido no modelo proposto. Na espinha dorsal, módulos específicos do C3K2 foram substituídos pelos módulos propostos C3K2-WTConv para melhorar a extração de características. Na cabeça, a cabeça de detecção original foi substituída pela proposta Cabeça Leve Compartilhada de Detecção Composta (LSCD) para reduzir a complexidade do modelo. A arquitetura completa do modelo proposto WTLS-YOLOv11n, em contraste com a linha base, está ilustrada na Figura 1.

Projeto do módulo C3K2-WTConv

Este módulo foi projetado para substituir os módulos convolucionais padrão dentro da espinha dorsal YOLOv11n. Seu projeto é guiado por dois objetivos principais: (a) expandir eficientemente o campo receptivo do modelo para capturar informações contextuais em múltiplas escalas sem aumentar significativamente a contagem de parâmetros ou a complexidade computacional, e (b) aprender representações de características mais robustas e intrinsecamente interpretáveis, decompondo explicitamente mapas de características no domínio da frequência.

Projeto da camada Core WTConv

A camada fundamental WTConv (Convolução de Transformada de Wavelet) foi projetada para implementar a Transformada Discreta de Wavelet de Haar 2D. Esse processo é realizado por meio de um conjunto de núcleos wavelet específicos:

Kernels de Wavelet: A transformada é implementada por meio de quatro núcleos de convolução fixos e não treináveis em profundidade (F_LL, F_LH, F_HL, F_HH), que correspondem às funções base wavelet de Haar. Esses kernels são responsáveis por decompor o mapa de características de entrada em seus componentes de baixa e alta frequência.

Decomposição e Downsampling: Esses núcleos são aplicados ao mapa de características de entrada (X) com um passo de 2. Essa única operação realiza eficientemente tanto a decomposição de características quanto a amostragem espacial descendente, separando a entrada em quatro subbandas distintas.

Interpretação física dos componentes de saída

As quatro subbandas de características geradas pela decomposição wavelet possuem uma interpretação física clara. Como ilustrado na Figura 2, a camada WTConv decompõe recursivamente a entrada nos seguintes componentes:

Componente de Baixa Frequência (LL): Este componente preserva a estrutura geral, o contorno e outras informações globais do alvo com metade da resolução espacial. Ela serve como base para o modelo entender a "forma" do alvo.

Componentes de Alta Frequência (LH, HL, HH): Esses três componentes capturam detalhes finos, como bordas e texturas horizontais, verticais e diagonais, respectivamente. Eles permitem que o modelo foque nos "detalhes" do alvo.

Integração na estrutura do módulo C3K2

A camada projetada WTConv está integrada de forma integrada à estrutura de gargalo C3K2 do YOLOv11n.

Estratégia de Reposição: No módulo original C3K2, a camada convolucional padrão 3x3 é substituída pela camada WTConv. Essa abordagem preserva o mecanismo eficiente de reutilização de características da arquitetura C3K2 enquanto introduz as vantagens da transformada wavelet, resultando no módulo final C3K2-WTConv (estrutura detalhada mostrada na Figura 3).

Expansão de Campo Receptivo em Cascata: O processo WTConv pode ser aplicado recursivamente à saída de baixa frequência (LL) do estágio anterior. Esse mecanismo de decomposição em cascata permite que o modelo analise características sobre um campo receptivo em crescimento exponencial, com sobrecarga computacional mínima, criando assim uma via eficiente de decomposição em frequência em múltiplas escalas.

Projeto de Cabeça de Detecção Composta Compartilhada Leve (LSCD)

Este módulo foi projetado para substituir a cabeça de detecção original YOLOv11n, com o objetivo principal de reduzir drasticamente a complexidade do modelo e a sobrecarga computacional para uma implantação eficiente em dispositivos de borda com recursos limitados. O projeto aborda a redundância significativa de parâmetros encontrada em cabeças de detecção padrão multiescala (estrutura detalhada mostrada na Figura 4).

Justificativa e objetivos de design

Os desvios de predição independentes para cada escala de características (P3-P5) na cabeça original do YOLOv11 levam a uma contagem alta de parâmetros. O LSCD introduz uma estratégia híbrida de compartilhamento de parâmetros para alcançar eficiência superior dos parâmetros enquanto preserva capacidades críticas de fusão de características multiescala.

Mecanismo de compartilhamento de parâmetros e fusão de características

O núcleo do LSCD está em sua pipeline de processamento de características em dois estágios:

Pré-processamento específico de escala: Para cada mapa de características de entrada do braço (P3, P4, P5), uma Convolução 1x1 não compartilhada seguida por uma camada de Normalização de Grupo (GN) é aplicada. Essa etapa inicial permite que a rede aprenda transformações de canal específicas de escala, garantindo que características únicas de cada nível de característica sejam preservadas antes da fusão.

Fusão eficiente em escala cruzada: Após o pré-processamento, uma série de módulos convolucionais-GN compartilhados 3x3 é empregada para realizar a fusão de características centrais em diferentes escalas. Ao compartilhar pesos, esses módulos aprendem um padrão generalizado de fusão de características, que é a principal fonte de redução de parâmetros. Esse design força o modelo a aprender representações de fusão mais robustas e universais.

Adaptação dinâmica em escala e otimização de ramificações

Para compensar qualquer possível perda de informação devido ao compartilhamento de peso e para refinar a precisão das predições, dois mecanismos adicionais são introduzidos:

Camada de Escala Aprendível: Uma camada de Escala aprendível é adicionada para cada escala de detecção. Essa camada introduz um escalar aprendível por escala que repondera dinamicamente as características fundidas, permitindo que o modelo enfatize ou suprima adaptativamente características com base nos tamanhos de objeto alvo prevalentes nessa escala.

Ramo de classificação otimizado: O ramo de classificação é aprimorado usando a função de ativação Softmax para distribuição de probabilidade e incorporando uma camada de Normalização de Grupo (GN). Isso estabiliza o treinamento da tarefa de classificação e melhora a robustez das previsões de confiança, uma técnica comprovadamente eficaz em arquiteturas como o FCOS.

Projeto Aprimorado da Função de Perda (MPDIoU)

A função de perda é reengenheirada para abordar especificamente os desafios da regressão precisa da caixa delimitadora para alvos pequenos, desordenados e de formatos irregulares, que são comuns em cenários de detecção de EPI.

Motivação e limitações da perda tradicional de IoU

As perdas baseadas em IoU padrão apresentam várias desvantagens críticas nesse contexto:

Gradientes Nulos: Quando as caixas prevista e a de verdade no terreno não têm sobreposição, o IoU é zero, e o gradiente de perda desaparece, interrompendo o processo de aprendizado.

Insensibilidade ao alinhamento: Múltiplas configurações de caixas delimitadoras podem gerar a mesma pontuação IoU, tornando a função de perda insensível à qualidade do alinhamento (por exemplo, desvio do ponto central vs. descompasso de forma).

Desempenho ruim em objetos pequenos: Para alvos pequenos, até mesmo desvios menores de pixels podem ser significativos, mas frequentemente resultam em mudanças negligenciáveis no valor do IoU, levando a uma localização imprecisa.

Adotando a Perda Mínima de Distância em Pontos (MPDIoU)

Para superar as limitações mencionadas, o protocolo substitui a perda padrão pela perda Minimum Point Distance IoU (MPDIoU). O MPDIoU aprimora a métrica padrão de IoU ao incorporar um termo de penalidade que penaliza diretamente a distância entre as caixas prevista e a de verdade fundamental, mesmo quando elas não se sobrepõem.

Mecanismo Central: O termo de penalidade é derivado da distância euclidiana entre os pontos correspondentes dos cantos da caixa prevista (pred) e a caixa de verdade no terreno (gt). Especificamente, as distâncias ao quadrado para os cantos superior esquerdo ) e os cantos inferior-direito () são calculadas:

(1)
(2)

Para garantir que a penalidade seja invariante à escala, essa distância é normalizada pelas dimensões da menor caixa que envolve que cobre tanto a caixa prevista quanto a de verdade fundamental. Sejam w e h a largura e a altura dessa caixa envolvente, respectivamente. A métrica MPDIoU é então formulada como:

(3)

Finalmente, a função de perda MPDIoU (L_MPDIoU) é definida como:

L_MPDIoU = 1 - MPDIoU (4)

Principais vantagens: Este termo de penalidade geométrica aborda diretamente as questões mencionadas ao: i) fornecer um gradiente significativo, diferente de zero, mesmo quando as caixas não se sobrepõem, prevenindo assim a anulação do gradiente e garantindo otimização contínua do modelo, ii) oferecendo sensibilidade aumentada a desvios de posição, tamanho e proporção de proporção, o que é fundamental para a localização precisa de itens pequenos e diversos de EPI, iii) entregar sinais de gradiente mais estáveis e consistentes durante todo o treinamento, o que promove uma convergência mais rápida e resulta em maior precisão de localização.

Conjuntos de dados e configuração experimental

Conjunto de dados de detecção de EPIs auto-construídos

Estabelecemos um conjunto de dados de detecção de EPIs contendo 5.000 imagens de alta resolução de operações de linhas de transmissão de energia, anotadas com LabelImg e convertidas para o formato YOLO TXT. O conjunto de dados inclui cinco categorias: capacetes de segurança (1.245 ocasiões), cintos de segurança (1.128 ocasiões), braçadeiras (892 ocasiões), status de trabalho em altura (1.056 ocasiões) e status ao nível do solo (1.124 ocasiões). Os dados são divididos em conjuntos de treinamento (4.000 imagens), validação (500 imagens) e testes (500 imagens). As imagens apresentam condições desafiadoras, incluindo iluminação extrema, forte oclusão (23% com >50% de cobertura) e fundos industriais complexos. Técnicas padrão de aumento (inversão aleatória, rotação, jitter de cor, mosaico) foram aplicadas durante o treinamento.

Conjunto de dados PASCAL VOC para testes de generalização

Para avaliar a capacidade de generalização do modelo além dos cenários de operação de potência, usamos o conjunto de dados PASCAL VOC, que combina VOC2007 e VOC2012 para um total de 21.503 imagens. Seguindo a prática padrão, usamos 11.540 imagens de VOC2012 para treinamento e validação, e 9.963 imagens de VOC2007 para testes. O conjunto de dados de COV contém 20 categorias de objetos em diferentes cenários do mundo real. Embora os objetos específicos diferam das nossas categorias de EPI, os desafios de detecção (variação de escala, oclusão, fundos complexos) são semelhantes, tornando-o adequado para avaliar as capacidades gerais de detecção e a transferibilidade do modelo.

Detalhes da implementação

Este protocolo descreve o procedimento para treinar e avaliar o modelo. Presume-se que o usuário tenha acesso ao código-fonte, a um ambiente Python adequado e aos conjuntos de dados preparados.

Preparação de sistemas e ambiente

Uma estação de trabalho equipada com uma GPU NVIDIA possuindo pelo menos 24 GB de VRAM era usada para garantir memória suficiente para treinamento (por exemplo, NVIDIA GeForce RTX 4090). O framework de deep learning PyTorch (versão 1.12.0 ou superior), junto com seu correspondente kit de ferramentas CUDA, foi instalado na estação de trabalho. A instalação foi verificada abrindo um terminal e executando o comando "python -c 'import torch; print(torch.cuda.is_available())'", que era esperado que retornasse "Verdadeiro". Os pacotes Python necessários eram instalados navegando até o diretório raiz do projeto e executando o comando "pip install -r requirements.txt". Esse comando instalava automaticamente dependências como numpy, opencv-python, pyyaml, tensorboard e torchvision. A preparação do conjunto de dados foi verificada para garantir que as imagens de treinamento estivessem localizadas em /data/train/images/ e os arquivos de anotação estivessem em /data/train/labels/ no formato YOLO (classe x_center y_center altura de largura). O mesmo processo de verificação foi aplicado aos conjuntos de dados de validação (/data/val/) e teste (/dados/test/).

Configuração de treinamento

O arquivo de configuração config/wtls_yolov11n.yaml era aberto usando um editor de texto para configurar os parâmetros de treinamento. Os caminhos de dados eram configurados localizando o parâmetro 'path' e definindo-o para o diretório raiz do conjunto de dados, enquanto os parâmetros 'train', 'val' e 'test' eram verificados para apontar para os subdiretórios corretos. O parâmetro 'nc' (número de classes) foi confirmado como correspondendo ao conjunto de dados, que foi definido para 5 para a detecção de EPI. Os hiperparâmetros de treinamento foram configurados com o número de épocas definido para 300 para treinamento completo e o tamanho do lote definido para 16, com o entendimento de que esse valor poderia ser ajustado com base na disponibilidade de memória da GPU e reduzido para 8 caso ocorresse erros de falta de memória. O tamanho da imagem de entrada (imgsz) foi definido para 640, e o otimizador foi confirmado como SGD com taxa inicial de aprendizado (lr0) de 0,01. A queda de peso foi verificada em 0,0005 e o momento foi ajustado para 0,937. Técnicas de aumento de dados foram ativadas usando as configurações configuradas padrão, que incluíam aumento mosaico (mosaic: 1.0), inversão horizontal aleatória com 50% de probabilidade e jitter de cor com parâmetros hsv_h: 0.015, hsv_s: 0.7 e hsv_v: 0.4. Os parâmetros de utilização de hardware foram configurados com o número de trabalhadores definido para 8 para threads da CPU usados no carregamento de dados, e o parâmetro do dispositivo definido para 0 para usar a primeira GPU, com a opção de defini-lo para "0,1" para treinamento multi-GPU, se necessário.

Execução do treinamento de modelos

O treinamento do modelo era inicializado a partir da linha de comando executando o comando "python train.py --cfg config/wtls_yolov11n.yaml --weights ''--data data.yaml", onde o parâmetro --cfg especificava o arquivo de configuração do modelo, o parâmetro --weights era definido para uma string vazia para treinar do zero (alternativamente, yolov11n.pt podia ser usado para aprendizado por transferência), e o parâmetro --data especificava a configuração do conjunto de dados. Durante o treinamento, indicadores de convergência foram observados para acompanhar o desempenho do modelo. Nas primeiras 50 épocas, observou-se uma rápida diminuição da perda, com box_loss descendo de aproximadamente 1,5 para 0,8. Entre as épocas 50 e 150, houve melhora constante, com box_loss diminuindo de aproximadamente 0,8 para 0,5. Durante as épocas 150 a 300, ocorreu a fase de ajuste fino com box_loss estabilizando em torno de 0,4 a 0,5. Esperava-se que a métrica de validação mAP@0,5 atingisse mais de 85% até a época 200. O salvamento de checkpoints foi verificado para garantir que o treinamento salvasse automaticamente os checkpoints a cada 10 épocas nos diretórios de runs/train/exp/pesos/. A presença de last.pt (ponto de controle mais recente) e best.pt (ponto de controle de mAP mais alto) foi confirmada, com cada arquivo de ponto de controle esperado para ter aproximadamente 5 a 6 MB de tamanho. O progresso do treinamento poderia opcionalmente ser monitorado usando o TensorBoard abrindo um novo terminal e executando o comando "tensorboard --logdir runs/train", depois navegando por um navegador até http://localhost:6006 para visualizar gráficos em tempo real de curvas de perda, cronograma de taxa de aprendizado e tendências do mAP. Problemas comuns foram resolvidos por meio de procedimentos de solução de problemas, onde erros de CUDA fora de memória foram resolvidos reduzindo o tamanho do lote para 8 ou 4, os valores de perda de NaN foram resolvidos reduzindo a taxa de aprendizado para 0,005, e os platôs de mAP abaixo de 80% foram investigados verificando a correção das anotações e aumentando as épocas de treinamento para 400.

Protocolo de avaliação de modelos

Foi realizado um procedimento de avaliação multifacetado para validar de forma abrangente a eficácia, eficiência e interpretabilidade do modelo proposto.

Avaliação quantitativa de desempenho

Métricas de desempenho

Avalie a precisão do modelo usando a Precisão Média (mAP) em um limiar de IoU de 0,5 (mAP@0,5), Precisão e Recordação. Avalie a eficiência do modelo medindo o número total de Parâmetros (M) e Operações de Ponto Flutuante (FLOPs, G). Mede a velocidade de inferência em Quadros por Segundo (FPS) tanto em uma GPU de nível servidor quanto em um dispositivo de borda. Para testes de dispositivos de borda, configure o modo de energia para desempenho máximo e aqueça o modelo com 100 inferências fictícias antes de registrar FPS acima de 500 imagens de teste.

Comparação com modelos de última geração: Compare o modelo proposto WTLS-YOLOv11n com sua linha de base direta (YOLOv11n) e uma ampla variedade de detectores, incluindo modelos YOLO baseados em CNN convencionais (YOLOv5n, YOLOv8n, YOLOv9s), um detector de dois estágios (Faster R-CNN) e um detector baseado em transformador (RT-DETR). Treine todos os modelos para 300 épocas usando seus hiperparâmetros padrão recomendados. Registre todas as métricas definidas na seção de métricas de desempenho para cada modelo, tanto no conjunto de dados de PPE auto-construído quanto no conjunto de dados PASCAL VOC. Para avaliação de VOC, treine nos conjuntos combinados VOC2012 trainval e VOC2007 trainval, depois teste em VOC2007 conjunto de teste seguindo o protocolo padrão.

Estudos de ablação: Realize um estudo sistemático de ablação para dissecar as contribuições individuais dos componentes propostos.

Análise de Efetividade de Componentes: A partir do modelo inicial YOLOv11n, integre incrementalmente o módulo C3K2-WTConv, a cabeça LSCD e a perda MPDIoU. Para cada configuração, retreine o modelo para 300 épocas usando hiperparâmetros idênticos (tamanho de lote 16, taxa de aprendizado 0,01, otimizador SGD). Registre as mudanças em mAP, Precisão, Recall, Parâmetros, FLOPs e FPS para verificar a eficácia de cada componente. Calcule melhorias percentuais em relação à linha de base para cada métrica.

Análise de Posicionamento: Para determinar a posição ideal do módulo C3K2-WTConv, integre-o em diferentes partes da arquitetura da rede. Teste três configurações: (i) integração apenas na coluna dorsal, (ii) integração apenas no pescoço e (iii) integração total tanto na espinha dorsal quanto no pescoço. Treine cada configuração por 300 épocas e compare as pontuações resultantes de mAP@0,5 para identificar a estratégia de integração mais eficaz. Selecione a configuração ótima para todos os experimentos subsequentes.

Avaliação qualitativa de desempenho

Visualização do resultado da detecção: Selecione de 12 a 15 imagens representativas do conjunto de teste que apresentam cenários reais desafiadores, incluindo forte retroiluminação, oclusão pesada de objetos, fundos complexos e ângulos de câmera não convencionais. Para cada modelo de comparação (linha de base, YOLOv5n, YOLOv8n, YOLOv9s e WTLS-YOLOv11n), faça inferência nessas imagens usando um limiar de confiança de 0,25 e um limiar de IoU de 0,45. Gerar e renderizar as saídas de detecção (caixas delimitadoras com etiquetas de classe e pontuações de confiança) nessas imagens. Organize visualizações em formato de grade, onde as linhas representam diferentes cenários e as colunas diferentes modelos.

Análise de robustez: Compare visualmente as saídas de detecção renderizadas de diferentes modelos. Avalie a robustez e superioridade do modelo proposto contando e marcando casos de falsos negativos (objetos perdidos), falsos positivos (detecções incorretas) e detecções duplicadas (múltiplas caixas para um único objeto com IoU > 0,7 entre as previsões). Use círculos vermelhos para destacar detecções problemáticas na figura de visualização. Calcule as taxas de falsos negativos por modelo e a contagem de falsos positivos nas imagens de teste selecionadas. Extraia e compare as médias de confiança para detecções verdadeiramente positivas entre modelos.

Análise de interpretabilidade

Para validar a interpretabilidade inerente ao módulo C3K2-WTConv, um procedimento de visualização foi realizado em imagens de entrada selecionadas. O modelo treinado WTLS-YOLOv11n foi carregado e um gancho frontal foi registrado no módulo C3K2-WTConv na 4ª camada da espinha dorsal. A propagação direta era realizada na imagem de entrada, e o tensor de característica de saída era capturado. A partir do tensor de forma de característica capturado [lote, canais, altura, largura], os canais correspondentes a diferentes componentes de frequência foram separados. Os primeiros 25% dos canais foram designados como componentes de baixa frequência (LL) e os 75% restantes foram designados como componentes de alta frequência (LH, HL, HH). Para cada tipo de componente de frequência, a média entre todos os canais dentro desse componente era calculada para criar mapas de ativação de canal único. A norma L2 foi aplicada em dimensões espaciais quando necessário para enfatizar ativações fortes. Os mapas de ativação foram normalizados para intervalo [0, 1] e um mapa de cores (por exemplo, 'jato') foi aplicado. Os mapas de calor foram redimensionados para corresponder à resolução original da imagem de entrada usando interpolação bilinear. O mapa de calor de baixa frequência e o mapa de calor de alta frequência foram sobrepostos à imagem original com 40% de transparência para criar visualizações interpretáveis mostrando onde o modelo foca em características estruturais versus texturais.

Para validar rigorosamente que decisões de detecção dependem de características do domínio da frequência, foi realizada uma análise quantitativa. Um subconjunto de 200 a 300 imagens foi selecionado do conjunto de teste que continha detecções bem-sucedidas (pontuação de confiança maior que 0,5). Esse subconjunto foi garantido para representar cenários diversos e evitar viés de amostragem. Para cada imagem do subconjunto, foi realizada propagação direta, e a saída do módulo C3K2-WTConv na 4ª camada da espinha dorsal foi extraída. O tensor de características foi dividido em componentes de baixa frequência (LL, primeiros 25% dos canais) e alta frequência (HF, 75% restantes dos canais). Para cada imagem, a força média absoluta de ativação foi calculada entre dimensões espaciais (altura e largura) para ambos os componentes de frequência. A resistência do LL foi calculada como a média do valor absoluto das características do LL em todas as posições espaciais, e a força do HF foi calculada como a média do valor absoluto das características do HF em todas as posições espaciais. Esses valores foram registrados junto com a pontuação máxima de confiança de detecção para aquela imagem. Usando os dados coletados (LL_strength, HF_strength, confidence_score) em todas as imagens, foram calculados os coeficientes de correlação de Pearson. A correlação entre a força do LL e o escore de confiança foi calculada, assim como a correlação entre força do HF e pontuação de confiança. Software estatístico ou a função scipy.stats.pearsonr do Python foi usado para obter tanto coeficientes de correlação (r) quanto valores p. A significância estatística foi avaliada usando um limiar de valor-p de 0,05, onde um valor-p menor que 0,05 indicava que a correlação era estatisticamente significativa. A magnitude dos coeficientes de correlação foi comparada para determinar qual componente de frequência tinha maior associação com a confiança na detecção. As seguintes métricas foram registradas em formato estruturado: coeficiente de correlação de LL (rLL) e valor-p (pLL), coeficiente de correlação de HF (rHF) e valor-p (pHF), forças médias de ativação (meanLL, meanHF) e tamanho da amostra (número de imagens analisadas). Os desfechos esperados foram que características de baixa frequência demonstrariam correlação positiva mais forte com escores de confiança (rLL maior que 0,60, p menor que 0,001) em comparação com características de alta frequência (rHF aproximadamente 0,40 a 0,50, p menor que 0,01), indicando que as decisões de detecção foram predominantemente orientadas por informações estruturais capturadas no componente LL.

Essa análise quantitativa estabeleceu a interpretabilidade além das limitações da visualização qualitativa. A combinação de análise de correlação (demonstrando associação estatística) e visualização no domínio da frequência (mostrando atenção espacial) forneceu evidências empíricas rigorosas de que a tomada de decisão do modelo realmente dependia de características estruturais de baixa frequência, conforme pretendido pelo projeto.

Desfechos esperados: Características de baixa frequência devem demonstrar correlação positiva mais forte com as pontuações de confiança (r_LL > 0,60, p < 0,001) em comparação com características de alta frequência (r_HF≈ 0,40-0,50, p < 0,01), indicando que as decisões de detecção são predominantemente orientadas por informações estruturais capturadas no componente LL.

Essa análise quantitativa estabelece interpretabilidade além da visualização qualitativa. A combinação de análise de correlação (demonstrando associação estatística) e visualização no domínio da frequência (mostrando atenção espacial) fornece evidências empíricas rigorosas de que a tomada de decisão do modelo realmente depende de características estruturais de baixa frequência, conforme previsto pelo projeto.

Resultados

Para avaliar o desempenho do modelo proposto WTLS-YOLOv11n, realizamos experimentos com nosso conjunto de dados de EPI auto-construído e no conjunto de dados PASCAL VOC 2007+2012. Todas as métricas são reportadas nos respectivos conjuntos de teste, salvo indicação em contrário.

Comparação com modelos de última geração

Comparamos o WTLS-YOLOv11n com detectores de objetos convencionais em três paradigmas arquitetônicos: modelos YOLO baseados em CNN (...

Discussão

Os resultados experimentais demonstram que o WTLS-YOLOv11n atinge 90,1% de mAP enquanto reduz os parâmetros em 11,5% em comparação com a linha de base do YOLOv11n. Essa melhoria tanto na precisão quanto na eficiência decorre da integração sinérgica de três componentes: extração de características baseada em wavelet, design leve de cabeça de detecção e perda de localização aprimorada.

O estudo de ablação revela que o módulo C3K2-WTConv proporciona o maior ganho...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Kit de Ferramentas CUDA	NVIDIA Corporation	CUDA Toolkit Versão 11.7
Estrutura de Aprendizado Profundo	Fundação PyTorch	PyTorch Versão 1.12.0
Unidade de Processamento Gráfico	NVIDIA Corporation	GeForce RTX 4090
NumPy	Desenvolvedores NumPy	NumPy
OpenCV	Equipe OpenCV	OpenCV-Python
Sistema Operacional	Canonical Ltd.	Ubuntu 22.04 LTS (ou especifique seu sistema operacional)
Python	Fundação de Software Python	Python Versão 3.8 ou superior
TensorBoard	Autores do TensorFlow	TensorBoard
Torchvision	Fundação PyTorch	Torchvision