随着深度学习和大模型技术不断成熟，传统检测识别领域也迎来了重大技术变革。机房巡检中的指示灯检测是重要工作之一，其使用的技术直接影响巡检效果。本文介绍的指示灯检测是以深度学习为基础，以增强检测、升降检测等为辅助的混合检测方法。

基于深度学习的检测方法从最初的二阶段法（代表方法faster-rcnn）发展到一阶段法（代表方法yolo），再到transformer大模型（代表方法rt detr）的兴起，其应用也从最初在图像中检测缺陷、色差等简单任务发展到对无人机、卫星遥感图像进行军事目标检测，尺度涵盖大、中、小各个层次。

目前，深度学习发展的趋势包括模型复杂度不断增加、数据量持续增长、计算资源不断提升以及应用场景愈发多样化等方面。同时，深度学习也面临着挑战，如大模型计算资源消耗、小目标/小样本处理等问题依旧突出。

目前，混合检测主要针对的场景是机房指示灯检测识别，涉及的技术有yolov5、增强检测、双目检测、升降检测。

蒙帕技术团队在进行yolov5、yolov8-p2、rt-detr的对比测试后发现，yolov5对指示灯检测效果最好，随着检测框架升级将会升级到7.0或最新版本，进一步提升检测能力。

增强检测是在模型不变的条件下，通过将图像切分及超分辨处理，将因遮挡变成的小目标变成“大目标”，从而提升小目标检测效果。双目、升降检测是在横向、纵向两个维度上为弥补单一相机因遮挡导致的问题所做的扩展，相对一次或单张检测起到了互补效果。

因增强、双目、升降检测计算复杂度都不低，资源占用大，计算时间长，对资源或计算时长受限的情况应合理选择方法进行混合检测。

混合检测与深度学习大模型检测的差异就是将一次检测变成层次检测，底层都以深度学习检测为基础，上层从不同出发点衍生出不同方法，所有衍生方法都是在某一方面对底层深度学习检测的补充。

经过理论研究与实际测试，蒙帕以中国南方航空巡检项目的案例照片展示了没有增强检测和加入增强检测的结果对比，红圈为差异标注。

总体而言，基于深度学习的检测会继续围绕着提高模型性能、提升泛化能力、探索更灵活的网络结构、应用更智能的学习方式等方向发展。对指示灯混合检测技术来说，未来仍有很多可优化空间，比如双目通过块匹配方式进行视差计算带来的不确定性、升降检测光流计算量大时间长等问题，都需要通过持续的新技术迭代进一步解决相关难点。