仪器仪表学报

作者：翟永杰，吴梓沣，周迅琪，魏乐涛，王乾铭

单位：翟永杰,1.华北电力大学自动化系保定071003； 2.保定市电力系统智能机器人感知与控制重点实验室保定071003,zhaiyongjie@ncepu.edu.cn,吴梓沣,1.华北电力大学自动化系保定071003； 2.保定市电力系统智能机器人感知与控制重点实验室保定071003,,周迅琪,1.华北电力大学自动化系保定071003； 2.保定市电力系统智能机器人感知与控制重点实验室保定071003,,魏乐涛,1.华北电力大学自动化系保定071003； 2.保定市电力系统智能机器人感知与控制重点实验室保定071003,,王乾铭,1.华北电力大学自动化系保定071003； 2.保定市电力系统智能机器人感知与控制重点实验室保定071003,qianmingwang@ncepu.edu.cn,

关键词：智能定损;车辆部件检测;显著性检测;注意力机制;多尺度特征

基金：国家自然科学基金(62373151，U21A20486)、河北省自然科学基金(F2023502010)、中央高校基本科研业务费专项(2024MS136)项目资助

高精度的车辆部件检测与分割技术对智能定损系统中辅助定位损伤部件至关重要,但常面临着复杂场景下存在的背景干扰抑制难题,以及传统检测方法局限于单层次特征表征而导致的检测效能瓶颈。为解决这一问题，提出了一种基于双层级显著性驱动的车辆部件检测方法。在图像层面,引入DeepLabV3结合3种损失函数提取显著前景以削弱背景干扰;在特征层面，基于YOLOv11构建检测与分割框架，在特征提取阶段融合空间注意力金字塔池化结构以提升多尺度特征聚合能力,并设计注意力引导的显著性图模块以实现全局建模与空间增强。为验证方法有效性，构建了一个面向多部件检测任务的车辆部件数据集,并在该数据集上进行了大量实验,消融实验验证了各模块的有效性。在对比实验中,检测准确率和分割准确率分别较基线模型提升3.5%和3.7%,结合可视化结果进一步表明该方法更聚焦于部件显著区域,能有效减少复杂背景引起的误检与漏检。此外,该方法在公共数据集CarSeg上展现出良好的泛化能力,在多个评价指标上均取得最优性能。因此,双层级显著性驱动架构通过显著前景提取和注意力引导多尺度特征聚合,显著提升了对车辆部件的检测精度,为车辆保险行业的智能定损技术提供了新的实践参考。

来源：2025年第5期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第5期