王 凱，許 敏，孫 翔，許 全，譚守標(biāo)

(安徽大學(xué) 電子信息工程學(xué)院，合肥 230000)

1 引 言

絕緣子作為輸電線路的重要組成部分，具有良好的電流絕緣和機(jī)械保護(hù)支撐作用[1].其長期暴露在自然環(huán)境惡劣的野外工作環(huán)境，從而很容易出現(xiàn)自爆、污穢等缺陷[2]，直接影響了架空輸電線路的安全和穩(wěn)定性，甚至給社會(huì)造成巨大的經(jīng)濟(jì)損失[3].因此，為了確保電力系統(tǒng)的穩(wěn)定運(yùn)行，絕緣子的定期檢查、維護(hù)是十分重要的.

傳統(tǒng)的絕緣子缺陷檢測主要依靠人工借助檢測工具實(shí)地勘察、直升機(jī)載人巡檢、再到后來通過傳統(tǒng)檢測算法分析無人機(jī)采集的輸電線路圖像.但是，我國的電力基礎(chǔ)設(shè)施大多具有規(guī)模大、覆蓋范圍廣、輸電線路間結(jié)構(gòu)復(fù)雜多變等特點(diǎn)，這些巡檢方式在效率、安全性、成本、準(zhǔn)確度等方面都存在明顯的缺陷.近年來，隨著深度學(xué)習(xí)的飛躍發(fā)展，圖像分類、目標(biāo)檢測和語義分割等深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺中取得了巨大的進(jìn)步，并且在實(shí)際工程中得到了廣泛的應(yīng)用[4].基于此，國內(nèi)各電網(wǎng)公司相繼開始將互聯(lián)網(wǎng)、人工智能和電力系統(tǒng)相結(jié)合，以圖像采集設(shè)備無人機(jī)為介質(zhì)，將深度學(xué)習(xí)技術(shù)[5]應(yīng)用到絕緣子缺陷檢測.深度學(xué)習(xí)通過自主學(xué)習(xí)的訓(xùn)練方式，加上各個(gè)層級之間的互相聯(lián)系，顯著地提升了網(wǎng)絡(luò)的特征提取能力，并且非線性表達(dá)能力也非常豐富.解決了傳統(tǒng)方法在效率、成本、準(zhǔn)確度等方面的不足，并對輸電線路所處的復(fù)雜自然環(huán)境有很好的適應(yīng)能力.

無人機(jī)航拍圖像視野大，角度多變，導(dǎo)致航拍的絕緣子圖像具有缺陷區(qū)域面積較小、背景復(fù)雜、干擾目標(biāo)多等特點(diǎn).基于上述無人機(jī)航拍絕緣子圖像的特點(diǎn)，目前已經(jīng)有了一系列基于深度學(xué)習(xí)的絕緣子缺陷檢測算法研究.Liao等人[6]使用結(jié)合了深度殘差網(wǎng)絡(luò)Resnet101的Faster R-CNN算法對絕緣子缺陷進(jìn)行檢測，與傳統(tǒng)的檢測算法相比，顯著提升了絕緣子缺陷的檢測精度，但是該算法計(jì)算量較大，無法滿足絕緣子缺陷檢測的實(shí)時(shí)性需求.Yao等人[7]將YOLOv3應(yīng)用于絕緣子缺陷檢測，使用GIoU損失函數(shù)代替了原始損失函數(shù)的IoU損失，在不增加模型尺寸的情況下，相比較原YOLOv3算法提高了絕緣子的檢測精度，但是漏檢現(xiàn)象比較嚴(yán)重.Ling等人[8]采用級聯(lián)的策略，首先通過Faster R-CNN檢測出絕緣子的位置，然后再使用U-net分割識(shí)別缺陷目標(biāo)，但是當(dāng)絕緣子重疊時(shí)，該算法的絕緣子缺陷檢測性能會(huì)顯著降低.Wu等人[9]通過改進(jìn)YOLOv3，設(shè)計(jì)了一種基于目標(biāo)區(qū)域(ROI)的絕緣子缺陷定位方法.

基于上述分析可知，由于航拍圖像中絕緣子缺陷區(qū)域面積小且背景復(fù)雜等特點(diǎn)，導(dǎo)致目標(biāo)檢測算法的絕緣子缺陷檢測精度差.針對上述問題，并考慮到實(shí)際工程應(yīng)用中絕緣子缺陷檢測實(shí)時(shí)性的需求，本章選取當(dāng)前最流行的單階段檢測算法YOLOv3進(jìn)行研究，提出了基于YOLOv3改進(jìn)的絕緣子缺陷檢測算法GC-SPP-YOLOv3.實(shí)驗(yàn)表明，該方法相比較原始YOLOv3檢測精度提升了3.43%，并且檢測速度幾乎沒有損耗，依然可以滿足絕緣子缺陷檢測的實(shí)時(shí)性的需求.

2 基于YOLOv3改進(jìn)的絕緣子缺陷檢測算法

絕緣子缺陷檢測具有缺陷目標(biāo)較小、分辨率低、特征信息少、特征表達(dá)能力較弱等難點(diǎn)，針對上述問題，本文以提高絕緣子缺陷特征的表達(dá)能力為出發(fā)點(diǎn)進(jìn)行一系列探索工作，主要改進(jìn)如下：

1)借鑒Ghost Module[10]的思想，提出新的特征提取網(wǎng)絡(luò)G-Darknet53，在保證檢測精度不變的情況下，降低了模型在特征提取階段的計(jì)算量，檢測速度得到顯著提升；

2)在G-Darknet53中引入雙重注意力機(jī)制CBAM[11]，優(yōu)化骨干網(wǎng)絡(luò)的特征表達(dá)能力，豐富特征圖中絕緣子缺陷特征信息；

3)在YOLOv3的3個(gè)Detection head前面分別引入了空間金字塔模塊，結(jié)合全局和局部的多尺度特征信息來豐富絕緣子缺陷目標(biāo)的表征層次，改進(jìn)算法GC-SPP-YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

圖1 GC-SPP-YOLOv3算法的網(wǎng)絡(luò)結(jié)構(gòu)

2.1 特征提取網(wǎng)絡(luò)G-Darknet53

在傳統(tǒng)的卷積操作中，為了讓模型對輸入的圖片有透徹的理解，一般會(huì)通過大量卷積計(jì)算生成豐富冗余的特征圖.特征圖的冗余成為那些優(yōu)秀的目標(biāo)檢測算法的一個(gè)特性.將ResNet50生成的特征圖進(jìn)一步處理得到圖2[10]，其中相似的特征圖使用相同顏色的框標(biāo)注.

圖2 特征圖可視化

如圖2所示，特征圖中存在大量的冗余相似特征圖，這些冗余特征圖為常見的檢測算法帶來了較好的檢測效果，但是過多的卷積操作會(huì)導(dǎo)致大量的計(jì)算量.因此，如何在保持檢測性能不變的情況下，減少卷積操作的計(jì)算量成為重要的研究點(diǎn).針對上述問題，Han等人[10]提出了一個(gè)全新的Ghost Module，Ghost Module的主要思想分為兩步：首先通過少量卷積獲得輸入圖片的基礎(chǔ)特征；然后基于上述基礎(chǔ)特征，通過一系列簡單的線性操作(Cheap Operations)生成豐富冗余的特征圖，與普通卷積相比，所需要的參數(shù)量顯著降低.

對于傳統(tǒng)卷積獲取冗余特征，假設(shè)輸入數(shù)據(jù)為X，通道數(shù)為c，則通過傳統(tǒng)卷積獲取n個(gè)特征圖的計(jì)算過程如式(1)所示，其中f為卷積核權(quán)重，b表示偏置項(xiàng).

Y=X*f+b

(1)

而對于GhostModule，通過通道數(shù)為c的基礎(chǔ)特征獲取n通道特征圖的計(jì)算過程如式(2)、式(3)所示.

Y′=X*f′+b

(2)

(3)

圖3 G-Darknet53結(jié)構(gòu)

2.2 雙重注意力模塊

注意力機(jī)制的思想主要是由人類視覺感知系統(tǒng)的工作原理啟發(fā)而來，當(dāng)需要關(guān)注視野中各種各樣物體中的某一個(gè)時(shí)，視覺感知系統(tǒng)會(huì)通過復(fù)雜的視覺工作機(jī)制將感興趣的物體聚焦，而對于周圍不感興趣的物體，就將其模糊或者淡化[12].Yu等人[13]將注意力機(jī)制的概念引入自然語言處理領(lǐng)域，并取得了巨大進(jìn)步，基于此，隨后在計(jì)算機(jī)視覺領(lǐng)域掀起了注意力機(jī)制的研究熱潮，當(dāng)今目標(biāo)檢測中常用的注意力機(jī)制有主要有CBAM和SENet[14]等.

由于無人機(jī)、直升機(jī)獲取的輸電線路圖像具有視野大、目標(biāo)小、場景復(fù)雜等特點(diǎn)，導(dǎo)致圖像中缺陷特征信息少，為了提升網(wǎng)絡(luò)的特征表達(dá)能力，以豐富特征圖中的絕緣子缺陷特征信息，因此考慮在上述提出的特征提取網(wǎng)絡(luò)G-Darknet53中引用雙重注意力機(jī)制模塊CBAM，CBAM的結(jié)構(gòu)如圖4所示.

圖4 CBAM結(jié)構(gòu)圖

相比較SENet只關(guān)注特征通道的相關(guān)性，CBAM通過通道注意力機(jī)制和空間注意力機(jī)制結(jié)合的方式來提升模型的特征提取能力.在對提取的特征進(jìn)行篩選加權(quán)的過程中，通道注意力機(jī)制著重關(guān)注“目標(biāo)是什么”，使用平均池化和最大池化對特征圖進(jìn)行處理以降維，然后由多層感知機(jī)為每個(gè)通道的權(quán)重重新進(jìn)行分配.其公式如式(4)所示，其中，σ代表激活函數(shù).W0，W1為共享感知機(jī)的兩層參數(shù).

(4)

空間注意力機(jī)制著重關(guān)注的信息部分則是“目標(biāo)在哪里”，首先采用最大池化和平均池化操作將通道數(shù)為C的特征圖壓縮至1，從而充分學(xué)習(xí)空間注意力的特征.其計(jì)算公式如式(5)所示，其中f7×7表示7×7大小的卷積核操作.

(5)

通過上述兩種方式結(jié)合的方式來側(cè)重提取有用的特征信息，而對于無用或普通信息則進(jìn)行弱化，具體表現(xiàn)為在訓(xùn)練學(xué)習(xí)的過程中對特征圖的權(quán)重重新賦值[14]，注意力模型的注意點(diǎn)就是權(quán)重較高的特征圖.從而更加高效地利用特征提取網(wǎng)絡(luò)所提取的特征信息，以提升模型檢測性能.本文將每個(gè)殘差分支都插入一個(gè)CBAM模塊，如圖5所示，以提升網(wǎng)絡(luò)的特征表達(dá)能力，本文將這個(gè)特征提取網(wǎng)絡(luò)稱為GC-Darknet53.

圖5 Residual Block集成CBAM的結(jié)構(gòu)

2.3 空間金字塔模塊

YOLOv3通過借鑒特征金字塔FPN[15]的思想，引入了多尺度檢測策略.通過融合3個(gè)不同尺寸的特征圖對不同大小的目標(biāo)進(jìn)行檢測，提升了YOLOv3在小目標(biāo)檢測方面的效果.但是YOLOv3的多尺度策略在對物體進(jìn)行檢測時(shí)，僅側(cè)重于融合網(wǎng)絡(luò)不同卷積層的全局特征，而忽略了同一卷積層在不同尺度上的局部區(qū)域特征的融合.因此，本節(jié)引入一個(gè)空間金字塔池化結(jié)構(gòu)SPP模塊[16]，根據(jù)絕緣子數(shù)據(jù)集的特點(diǎn)，在YOLOv3的3個(gè)Detection head前的第5和第6個(gè)卷積層之間分別添加一個(gè)SPP模塊，改進(jìn)的SPP模塊的結(jié)構(gòu)如圖6所示，使用k={1×1，5×5，9×9，13×13}的最大池化方式對特征圖進(jìn)行處理，再把各個(gè)尺寸的特征圖與原特征圖進(jìn)行Concat操作.基于此設(shè)計(jì)，以池化和融合的方式充分利用同一卷積層的不同尺度的局部區(qū)域特征信息，結(jié)合全局和局部的多尺度特征信息來豐富絕緣子缺陷目標(biāo)的表征層次，以提升絕緣子缺陷檢測精度.

圖6 空間金字塔模塊結(jié)構(gòu)

3 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)所用的操作系統(tǒng)是64位Ubuntu18.04，深度學(xué)習(xí)框架采用的是Pytorch.具體實(shí)驗(yàn)環(huán)境配置如表1所示.

表1 實(shí)驗(yàn)環(huán)境

3.1 實(shí)驗(yàn)數(shù)據(jù)集

本文以某電網(wǎng)子公司提供的無人機(jī)巡檢輸電線路數(shù)據(jù)集作為本文絕緣子缺陷檢測研究所用數(shù)據(jù)集.原始輸電線路數(shù)據(jù)集共包括8780張圖片，主要包括絕緣子、防震錘、塔號牌、散斷股、鳥巢、大金具等類別.本文主要對輸電線路上的絕緣子部件自爆缺陷的檢測方法進(jìn)行研究，通過數(shù)據(jù)清洗、數(shù)據(jù)分類等操作篩選出絕緣子自爆缺陷樣本.此外，本文還對開源絕緣子數(shù)據(jù)集[17]中的自爆缺陷樣本進(jìn)行挑選并加入到本文數(shù)據(jù)集中，最終圖片總數(shù)為1044張，為了方便后文討論，將合并的數(shù)據(jù)集命名為CPLIFD(Chinese Power Line Insulator Fault Dataset).數(shù)據(jù)集中的絕緣子缺陷樣本圖像如圖7所示.

圖7 絕緣子缺陷樣本

由于通過無人機(jī)巡檢拍攝的圖像具有視野大、目標(biāo)小等特點(diǎn)，數(shù)據(jù)集中大部分圖像中的絕緣子缺陷部位皆為小尺寸目標(biāo)，此外，由于輸電線路大都分布在野外無人的環(huán)境，無人機(jī)巡檢拍攝圖片的背景復(fù)雜多樣，復(fù)雜的背景涵蓋輸電塔、田野、樹林、山丘、民房等等.進(jìn)而導(dǎo)致無人機(jī)巡檢圖像中的目標(biāo)可能出現(xiàn)模糊、遮擋等問題，甚至同一目標(biāo)在不同圖像中形狀、尺度不一.因此，當(dāng)前對輸電線路中小目標(biāo)部件缺陷的實(shí)時(shí)、精準(zhǔn)檢測是一個(gè)非常棘手的任務(wù).

3.2 評價(jià)指標(biāo)

目標(biāo)檢測領(lǐng)域?qū)δＰ蜋z測性能評價(jià)有特定的指標(biāo)，普遍使用的評價(jià)標(biāo)準(zhǔn)有精確率(Precision)和召回率(Recall).Precision又稱查準(zhǔn)率，它的含義是在被識(shí)別為正類別的所有樣本中，現(xiàn)實(shí)情況下也為正類別的比例.Recall又稱查全率，它的含義是在現(xiàn)實(shí)情況下為正例的全部樣本中，模型對其識(shí)別結(jié)果仍為正例樣本的比例.它們的計(jì)算公式如式(6)、式(7)所示：

(6)

(7)

式(6)、式(7)中的TP(TruePosition)、TN(TrueNegative)、FP(FalsePosition)、FN(FalseNegative)分別代表的含義如下：

TP：將真正的正類樣本預(yù)測為正類樣本的個(gè)數(shù)，即預(yù)測正確的預(yù)測框中與其對應(yīng)真實(shí)邊界框的IoU值大于0.5的個(gè)數(shù)；

TN：將真正的負(fù)類樣本預(yù)測為負(fù)類樣本的個(gè)數(shù)；

FP：將真正的負(fù)類樣本預(yù)測為正類樣本的個(gè)數(shù)，即誤檢的邊界框中個(gè)數(shù)；

FN：將真正的正類樣本預(yù)測為負(fù)類樣本的數(shù)量，即實(shí)際漏檢個(gè)數(shù).

精確率和召回率是互斥存在的.比如采用增加置信度閾值的方式將精確率提高，但是這樣會(huì)過濾了之前一些正確預(yù)測的邊界框，漏檢數(shù)量增加，從而降低了召回率.為了避免上述兩者間的局限性，研究者提出了精確率-召回率曲線(PR曲線)的概念，可以得到不同召回率所對應(yīng)的精確率.進(jìn)而衍生了平均精度AP(Average Precision)的概念，代表在0-1范圍內(nèi)不同查全率對應(yīng)查準(zhǔn)率的平均值，一般將其作為算法對一個(gè)類別的檢測性能指標(biāo)，AP的計(jì)算公式為：

(8)

為了對算法在全部類別上的檢測性能進(jìn)行驗(yàn)證，又出現(xiàn)了平均精度均值mAP(Mean Average Precision).若類別個(gè)數(shù)為N，則mAP的計(jì)算公式為：

(9)

本文在驗(yàn)證上述所提出的絕緣子缺陷檢測算法的檢測性能所用到的評估指標(biāo)主要包括：精確率(Precision)、召回率(Recall)、AP、mAP等.

3.3 訓(xùn)練細(xì)節(jié)

本文所研究的目標(biāo)檢測算法為基于數(shù)據(jù)驅(qū)動(dòng)的有監(jiān)督學(xué)習(xí)，需要大量的數(shù)據(jù)來訓(xùn)練模型.而CPLIFD數(shù)據(jù)集中的絕緣子缺陷目標(biāo)個(gè)數(shù)并不充裕.因此，對數(shù)據(jù)集進(jìn)行角度旋轉(zhuǎn)、翻轉(zhuǎn)、裁剪拼接等數(shù)據(jù)增強(qiáng)操作，最終得到的數(shù)據(jù)集共包括4020張圖片，并將按照大約7∶2∶1劃分?jǐn)?shù)據(jù)集，劃分后得到訓(xùn)練集2814張、驗(yàn)證集804張、測試集402張.

將上述針對YOLOv3的一系列算法改進(jìn)分別在CPLIFD數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn).由于YOLOv3會(huì)將輸入圖像的大小resize為640×640，因此，首先將CPLIFD數(shù)據(jù)集中的圖像的寬和高同樣以640為基準(zhǔn)，進(jìn)行縮放，從而加快網(wǎng)絡(luò)的訓(xùn)練速度.訓(xùn)練時(shí)采用的預(yù)訓(xùn)練模型為官方ImageNet數(shù)據(jù)集[18]上的模型，具體訓(xùn)練參數(shù)設(shè)置如表2所示.

表2 網(wǎng)絡(luò)訓(xùn)練時(shí)的超參數(shù)設(shè)置

3.4 實(shí)驗(yàn)結(jié)果與分析

依次使用上述改進(jìn)策略組合在CPLIFD數(shù)據(jù)集上進(jìn)行訓(xùn)練，實(shí)驗(yàn)結(jié)果如表3所示.由表3可知，在使用原始YOLOv3算法的實(shí)驗(yàn)1中defect的mAP為86.37%.在原始YOLOv3算法的基礎(chǔ)上添加了所有的改進(jìn)策略之后(實(shí)驗(yàn)4)，mAP為89.80%，絕緣子缺陷檢測精度相比原始YOLOv3算法提高了3.43%，檢測速度幾乎一致，仍滿足實(shí)際工程中絕緣子缺陷檢測的實(shí)時(shí)性需求，由此證明了本章改進(jìn)策略的有效性.實(shí)驗(yàn)3中引入集成了特征提取網(wǎng)絡(luò)G-Darknet53和雙重注意力機(jī)制CBAM模塊的GC-Darknet53，mAP相比較未使用任何改進(jìn)策略的實(shí)驗(yàn)1提高了2.02%，因此得出本章提出的特征提取網(wǎng)絡(luò)GC-Darknet是改善絕緣子缺陷檢測精度的重要因素，并且檢測速度方面也有很大的優(yōu)勢.實(shí)驗(yàn)4通過改進(jìn)的空間金字塔模塊充分利用同一卷積層的多尺度局部特征信息，以豐富特征圖信息，相比于僅針對特征提取網(wǎng)絡(luò)改進(jìn)的實(shí)驗(yàn)3的mAP提升了1.49%，肯定了本文引入的空間金字塔模塊在提升絕緣子缺陷檢測精度方面的作用.

表3 不同策略組合在CPLIFD數(shù)據(jù)集上的效果

表3中的實(shí)驗(yàn)2使用了全新的特征提取網(wǎng)絡(luò)G-Darknet53，在獲取相同特征圖的情況下，與普通卷積相比，計(jì)算復(fù)雜度顯著降低.如表4所示，相比較實(shí)驗(yàn)1，模型的參數(shù)量顯著減少，前向推理時(shí)間和NMS過濾時(shí)間降低，模型的FPS提高了18 f/s，證明了G-Darknet53在檢測速度提升方面的有效性.并且檢測精度方面也略有改善，mAP提升了0.35%.

表4 G-Darknet53在CPLIFD數(shù)據(jù)集上的檢測效果

表3中的實(shí)驗(yàn)3在G-Darknet53的基礎(chǔ)上，引入了雙重注意力機(jī)制CBAM，得到了新的特征提取網(wǎng)絡(luò)GC- Darknet53.為了進(jìn)一步證明該改進(jìn)策略的有效性，本文提出了下述改進(jìn)：在G-Darknet53的基礎(chǔ)上，在3個(gè)預(yù)測分支的前面添加一個(gè)CBAM模塊；在G-Darknet53的基礎(chǔ)上，在每個(gè)殘差分支上添加一個(gè)通道注意力SENet模塊；將上述注意力機(jī)制改進(jìn)策略分別在CPLIFD數(shù)據(jù)集上進(jìn)行訓(xùn)練，實(shí)驗(yàn)結(jié)果如表5所示.由表5可知，GC-Darknet53中注意力機(jī)制的改進(jìn)策略在檢測精度方面的表現(xiàn)最好，其他兩種注意力機(jī)制改進(jìn)策略的檢測精度相比GC-Darknet53分別降低了1.69%和1.29%，基于上述實(shí)驗(yàn)分析，肯定了GC-Darknet53在提升絕緣子缺陷檢測精度方面的優(yōu)越性.

表5 不同注意力模塊改進(jìn)策略的對比效果

上述4個(gè)實(shí)驗(yàn)僅能證明本章的改進(jìn)策略相對于原始YOLOv3算法有效果，但是其是否能達(dá)到先進(jìn)水準(zhǔn)尚需證明.

因此，將本章改進(jìn)方法GC-SPP-YOLOv3與目前主流的目標(biāo)檢測方法[21-23]在一致的數(shù)據(jù)處理的前提下，在CPLIFD數(shù)據(jù)集上進(jìn)行一系列的對比實(shí)驗(yàn)，具體結(jié)果如表6所示.

表6 不同目標(biāo)檢測算法的檢測效果

由表6可知，在上述未添加任何改進(jìn)的目標(biāo)檢測算法中，F(xiàn)aster R-CNN的絕緣子缺陷檢測精度最高，mAP達(dá)到了87.1%，但是其檢測速度相比于SSD、YOLO系列算法有明顯劣勢，因此很難應(yīng)用于實(shí)際的絕緣子缺陷檢測工程中.與此同時(shí)，GC-SPP-YOLOv3在CPLIFD數(shù)據(jù)集上的mAP相對于Faster R-CNN提升了2.7%，并且在檢測速度上有顯著的優(yōu)勢.另外一方面，雖然GC-SPP-YOLOv3的檢測速度相對于YOLOv2有劣勢，但是mAP提升了10.5%.基于上述一系列實(shí)驗(yàn)對比與分析，可以得出本文提出的改進(jìn)算法GC-SPP-YOLOv3在檢測精度和檢測速度方面均有顯著優(yōu)勢，能夠滿足實(shí)際工程中絕緣子缺陷檢測的需求，其在CPLIFD數(shù)據(jù)集上的檢測效果如圖8所示.

圖8 GC-SPP-YOLOv3的檢測效果圖

4 結(jié) 論

針對絕緣子缺陷目標(biāo)小、導(dǎo)致缺陷特征少、檢測精度差等特點(diǎn)，本文以提高絕緣子缺陷特征的表達(dá)能力為出發(fā)點(diǎn)進(jìn)行一系列探索工作，提出了基于YOLOv3的改進(jìn)算法GC-SPP-YOLOv3.首先在Darknet53的基礎(chǔ)上結(jié)合了Ghost Module和雙重注意力提出了新的特征提取網(wǎng)絡(luò)GC-Darknet53，在提升了檢測速度的同時(shí)，并優(yōu)化了特征表示.其次在特征提取網(wǎng)絡(luò)后面引入了一個(gè)基于SPP-Net改進(jìn)的空間金字塔模塊，進(jìn)行多重感受野融合，豐富絕緣子缺陷目標(biāo)的表征的層次.大量的實(shí)驗(yàn)證明了本文方法在有效地提升了絕緣子缺陷檢測的精度的同時(shí)，并且檢測速度方面也有很大優(yōu)勢，可以同時(shí)滿足絕緣子缺陷檢測在檢測精度和檢測速度方面的需求，對推動(dòng)電力系統(tǒng)的自動(dòng)化、智能化具有十分重要的現(xiàn)實(shí)意義.