（3）基于双通道注意力改进的 DeepLabv3 流水线上元器件缺失检测 构建包括常见电容、芯片在内的元器件数据集。 网络输入采用多尺度输入方法，以获得更过尺度下的特征信息。 以空间注意力和通道注意力并行结构插入到原网络编码器与解码器间，以此增强目标内关联性。

（4）指针仪表读数 为解决变电站内不同仪表间读数难的问题，本文提出了一种通用级联卷积神经网络读数方法。该方法能够准确读取包括圆形仪表、方形仪表以及刻度不均匀仪表示数。 提出了一种适用于指针仪表场景下的”大背景小目标”数据增强方法，该方法能够在不引入冗余背景信息的前提下大量增加数据样本，且增加样本数据不会脱离原始图片分布。 提出了一种自适应特征融合金字塔结构（），该方法能够在不同支路特征融合过程中学习到每个支路的重要程度，并进行不同层次的特征融合。该方法能够极大的提高不同尺度特征的融合效率。

（1）流水线上PCB电路板常见焊点缺陷检测。 利用 OWA 加权算子优化 K-mean 产生的多组先验框，以获得模型训练最优先验框。 在主干网络中通过引入 ECA-Net，增强网络特征提取能力。 利用 GIoU 损失函数重新优化网络边框损失函数。 （2）基于拆分注意力机制改进的用于 PCB 检测的 Faster-RCNN 通过拆分注意力结构网络增大了传统 ResNet 网络特征提取能力。 通过对开源数据进行增强，获得特征信息更加丰富的数据集。 利用通道注意力网络增强网络特征提取能力。