摘 要： 絕緣子缺陷檢測是智能化電網(wǎng)發(fā)展中關(guān)鍵的一步，基于計算機(jī)視覺的絕緣子缺陷檢測已經(jīng)被大量應(yīng)用于智能巡檢中，選擇YOLOv5s模型作為基礎(chǔ)網(wǎng)絡(luò)，在保證網(wǎng)絡(luò)運(yùn)行速度的前提下提升了檢測精度。首先在主干特征提取網(wǎng)絡(luò)中加入CBAM注意力模塊，以增強(qiáng)模型的特征提取能力；其次在頸部結(jié)構(gòu)采用BiFPN結(jié)構(gòu)融合多尺度特征，減少特征丟失情況，以提升模型的特征融合能力；最后采用EIoU Loss作為網(wǎng)絡(luò)回歸損失的損失函數(shù)，解決了對航拍圖像中各種尺度絕緣子敏感的問題，并提升網(wǎng)絡(luò)的收斂速度。經(jīng)過實(shí)驗(yàn)驗(yàn)證，在檢測速度變化不大的情況下改進(jìn)后的網(wǎng)絡(luò)模型，平均精度均值（mAP）達(dá)到了94.13%，召回率（Recall）達(dá)到了84.94%，較YOLOv5s網(wǎng)絡(luò)模型相比提升了5.71%和14.57%，同時模型的體積減小為13.5 MB，與其他改進(jìn)模型相比，精度、召回率都有了明顯提高，能夠更好地滿足實(shí)際應(yīng)用的需求。

關(guān)鍵詞： 輸電線路；絕緣子缺陷檢測；CBAM注意力模塊；特征融合；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號： TM855+.2；TP391.41

文獻(xiàn)標(biāo)識碼： A 文章編號： 2096－3998（2024）03－0026－09

作為21世紀(jì)最重要的能源之一，電力的使用、普及與人們的生活和設(shè)備運(yùn)行密切相關(guān)，單一故障就會給經(jīng)濟(jì)和人身安全帶來巨大損失。輸電線路作為電網(wǎng)的重要組成部分，實(shí)現(xiàn)遠(yuǎn)距離電力傳輸［1］與信息通信的傳輸、以及工業(yè)礦產(chǎn)的正常運(yùn)行與人們的生產(chǎn)和生活息息相關(guān)，因此，必須保證輸電線路的正常運(yùn)行。在我國幅員遼闊的現(xiàn)實(shí)情況下，輸電系統(tǒng)中的網(wǎng)絡(luò)線路分布廣泛，設(shè)備布置復(fù)雜，絕緣子作為輸電線路中的特殊絕緣器件，要求能夠承受輸電線路工作時帶來的電力負(fù)荷和機(jī)械負(fù)荷［2］。由于長期暴露在自然環(huán)境中，而且還受到污垢、雷擊、強(qiáng)風(fēng)和鳥害等外界因素的影響，這些因素都會使輸電線路上的絕緣子產(chǎn)生裂紋和掉串［3］。如果對這些潛在的隱患未能及時發(fā)現(xiàn)和排除，可能會導(dǎo)致各種故障，嚴(yán)重威脅電力系統(tǒng)的安全運(yùn)行，因此絕緣子的工作狀況直接影響電網(wǎng)的安全穩(wěn)定［4］。傳統(tǒng)的絕緣子檢測方法多為人工檢測，勞動強(qiáng)度大、安全性低［5］。檢測過程易受環(huán)境和人為因素的影響。為了保證電力系統(tǒng)的正常運(yùn)行，需要一種高效的絕緣子缺陷檢測方法。

缺陷檢測方法分為三類：物理方法、傳統(tǒng)的基于視覺的方法和基于深度學(xué)習(xí)的方法［6］。

物理方法通常依賴于手工作業(yè)。常見的方法有直接觀測法、絕緣子電阻測量法［7］、分布式電壓測量法［8］和交流耐壓法［9］等。這些方法對天氣條件要求較高，且耗時。近年來，研究人員推出了超聲波法和紫外脈沖法。YAO Zheng等人［10］提出了一種通過接收和處理20～40 kHz和80～140 kHz之間的超聲波信號進(jìn)行檢測的超聲波方法，因?yàn)檫@些頻率的超聲波是從絕緣子故障位置發(fā)射的。GAO Kai等人［11］介紹了紫外光電傳感器脈沖波形與局部放電脈沖電流波形的相位關(guān)系、紫外脈沖頻率與視在放電量的關(guān)系、以及紫外脈沖頻率隨傳感器到檢測距離的衰減特性從而能夠準(zhǔn)確檢測電氣設(shè)備的局部放電。這兩種方法更準(zhǔn)確，但成本更高。

傳統(tǒng)基于視覺的方法是通過提取圖像中目標(biāo)的顏色和形狀信息，然后從中獲取候選區(qū)域進(jìn)行檢測和識別。Ada Boost檢測算法利用Harr特征將弱分類器組合得到強(qiáng)分類器，實(shí)現(xiàn)絕緣子缺陷的快速檢測［12］。類似的方法還有HOG（定向梯度直方圖）+SVM（支持向量機(jī)）算法［13］、改進(jìn)的MPEG－7 EHD（邊緣直方圖方法）技術(shù)［14］以及全局最小化主動方法輪廓模型［15］。這些方法通常使用淺層學(xué)習(xí)模型來識別，例如線性分類器、boosting和SVM。因此，特征提取成為提高識別率的關(guān)鍵。傳統(tǒng)方法是根據(jù)經(jīng)驗(yàn)來設(shè)計特征，比如廣泛使用的Harr、HOG、sift特征，其優(yōu)點(diǎn)是速度快。但由于人類經(jīng)驗(yàn)的主觀性和局部性，檢測和識別的準(zhǔn)確率普遍不高。

考慮到物理方法時間混亂且傳統(tǒng)的基于視覺的方法精度較低，因此需要一種準(zhǔn)確、快速的檢測方法。受益于多層結(jié)構(gòu)，深度神經(jīng)網(wǎng)絡(luò)使用較少的參數(shù)來表示復(fù)雜的函數(shù)［16］，特別是隨著卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像識別中的成功應(yīng)用［17］，深度學(xué)習(xí)方法在目標(biāo)自動檢測和識別方面已成為滿足需求的研究重點(diǎn)和熱點(diǎn)。深度神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測算法使用大量數(shù)據(jù)通過模型自動提取特征，避免了傳統(tǒng)基于視覺的方法的主觀性?；谏疃葘W(xué)習(xí)的目標(biāo)檢測算法可以分為兩類：兩階段和一階段。兩階段方法的代表是SPP［18］、faster R－CNN［19］和R－FCN［20］。這些方法首先會生成區(qū)域建議，然后進(jìn)行邊界框回歸和目標(biāo)檢測。二階段方法通?？梢詫?shí)現(xiàn)很高的檢測精度，但由于需要生成大量區(qū)域建議而消耗大量時間。一階段方法包括YOLO［21］和SSD［22］。作為最著名的一步檢測方法，YOLO不需要生成區(qū)域提案，同時完成區(qū)域的選擇和分類。因此，它可以實(shí)現(xiàn)實(shí)時檢測，但精度略低于兩階段方法。

為了達(dá)到高精度實(shí)時檢測絕緣子缺陷的效果，本文基于YOLOv5s檢測模型提出改進(jìn)方案，首先通過在主干特征提取網(wǎng)絡(luò)中加入CBAM注意力模塊，選擇絕緣子和缺陷的關(guān)鍵特征并抑制非關(guān)鍵特征，以提高模型的準(zhǔn)確性；其次在在頸部結(jié)構(gòu)采用BiFPN結(jié)構(gòu)來優(yōu)化網(wǎng)絡(luò)框架，以加強(qiáng)頸部網(wǎng)絡(luò)對于不同維度特征的融合能力；最后采用EIoU Loss作為網(wǎng)絡(luò)回歸損失的損失函數(shù)，來提高邊界框的回歸精度以解決高分辨率圖像模型難以訓(xùn)練的問題，同時提升網(wǎng)絡(luò)的收斂速度。

1 YOLOv5s算法原理

YOLOv5s目標(biāo)檢測框架是在YOLO系列的基礎(chǔ)上進(jìn)行的改進(jìn)。從結(jié)構(gòu)上來說，它是一個由4個單元組成的單階段檢測框架：輸入、主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和輸出。在借鑒了YOLO系列早期版本和其他檢測算法的優(yōu)點(diǎn)后，YOLOv5s將Focus層嵌入到輸入中以進(jìn)行數(shù)據(jù)增強(qiáng)。同時，它在主干中使用了DarkNet53來從圖像中提取主要特征。特征融合框架結(jié)合了特征金字塔結(jié)構(gòu)（Feature Pyramid Networks，F(xiàn)PN）和自下而上的路徑聚合網(wǎng)絡(luò)，還嵌入到頸部網(wǎng)絡(luò)中，以加強(qiáng)多尺度特征中的短路鏈接和跨層融合。

YOLOv5s的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，分為4個部分：輸入、主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和檢測頭。主干網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，主要是由這幾個模塊組成：CBS（Conv+BN+SiLU）模塊由卷積（Convolution，Conv）、批量歸一化（Batch Normalization，BN）和SiLU（Sigmoid Linear Unit）激活函數(shù)構(gòu)成；C3（Cross Stage Partial with three CBS）模塊是由三個CBS的跨階段局部網(wǎng)絡(luò)結(jié)構(gòu)（Cross Stage Partial，CSP）組成，它的推理速度快并且參數(shù)量少，具有較好的融合特性；Bottleneck（瓶頸結(jié)構(gòu)）即殘差結(jié)構(gòu)，改善了梯度消失問題，不同YOLOv5版本的模型中殘差結(jié)構(gòu)的數(shù)量不同，數(shù)量N由C3模塊的堆疊次數(shù)和模型深度系數(shù)相乘得到；快速空間金字塔池化（Spatial Pyramid Pooling Fast，SPPF）模塊是對空間金字塔池化（Spatial Pyramid Pooling，SPP）模塊的改進(jìn)，在SPPF模塊中，最大池化層的連接方式由并行改為串行，池化核尺寸統(tǒng)一為5，并且進(jìn)行了不同尺度池化層的融合，實(shí)現(xiàn)了局部和整體的特征融合，從而提升了模型的推理速度。

2 改進(jìn)的YOLOv5s網(wǎng)絡(luò)

本文以YOLOv5s為基準(zhǔn)模型，提出了改進(jìn)后的YOLOv5s絕緣子缺陷檢測模型，結(jié)構(gòu)如圖3所示。在主干網(wǎng)絡(luò)部分，應(yīng)用了卷積注意力（Convolutional Block Attention，CBAM）模塊，使模型更加關(guān)注絕緣子和缺陷的特征信息，同時抑制其他無用的信息；在頸部結(jié)構(gòu)中嵌入BiFPN來優(yōu)化網(wǎng)絡(luò)框架，以加強(qiáng)頸部網(wǎng)絡(luò)對于不同特征維度的融合能力。損失函數(shù)部分，引入了EIoU損失函數(shù)來提高邊界框的回歸精度以解決高分辨率圖像模型難以訓(xùn)練的問題。由實(shí)驗(yàn)結(jié)果可知，EIoU損失函數(shù)確實(shí)提高了對絕緣子缺陷的檢測精度。

2.1 結(jié)合CBAM注意力模塊的特征提取網(wǎng)絡(luò)

航拍圖像中存在各種雜亂無章的物體，這種情況下對絕緣子的缺陷檢測難度相對較高，CBAM注意力模塊可以讓網(wǎng)絡(luò)模型更加關(guān)注絕緣子缺陷的相關(guān)信息，同時抑制冗余無關(guān)的干擾信息，從而提高對絕緣子缺陷的檢測能力。

2.2 改進(jìn)路徑聚合網(wǎng)絡(luò)的頸部網(wǎng)絡(luò)

在傳統(tǒng)的YOLOv5框架中，頸部網(wǎng)絡(luò)的特征融合框架采用PAN（Path Aggregation Network，路徑聚合網(wǎng)絡(luò)結(jié)構(gòu)）+FPN框架，該框架可以使信息融合更加有效，實(shí)現(xiàn)網(wǎng)絡(luò)淺層和深層之間的信息通信。與普通的航拍圖像相比，絕緣子缺陷航拍圖像具有更多隨機(jī)散布的物體和復(fù)雜的背景。因此，我們希望融合更多不同維度的多尺寸物體特征。然而PAN+FPN的框架在特征融合過程中強(qiáng)調(diào)嚴(yán)格的上采樣和下采樣，并沒有注重絕緣子缺陷航拍圖像中多尺寸物體特征的融合。但是雙向特征金字塔網(wǎng)絡(luò)（BiFPN）框架可以有效解決上述問題。在本文中，我們將BiFPN框架嵌入到Y(jié)OLOv5s的頸部網(wǎng)絡(luò)中。BiFPN的框架如圖7所示。

與PAN+FPN的框架相比，BiFPN沒有強(qiáng)調(diào)嚴(yán)格的逐步采樣，而是采用了短路鏈接的方法，更好地融合了不同層的信息。同時，傳統(tǒng)的YOLOv5采用Concat融合方法，無法有效提取特征。BiFPN引入了加權(quán)特征融合方法，可以通過訓(xùn)練權(quán)重來調(diào)整不同特征的重要性，強(qiáng)調(diào)物體特征，忽略背景信息。BiFPN將每個特征的權(quán)重歸一化為0到1之間的值，進(jìn)一步地表示該特征的重要性。其流程公式為

2.3 優(yōu)化損失函數(shù)

由于輸電線路中絕緣子缺陷難以識別，且背景復(fù)雜等問題，本文提出使用EIOU Loss作為網(wǎng)絡(luò)回歸的損失函數(shù)，目的是為了提高邊界框的回歸精度，提升網(wǎng)絡(luò)的收斂速度，同時增強(qiáng)模型對絕緣子缺陷的識別和定位能力。

通過無人機(jī)航拍的輸電線路中絕緣子缺陷在整個圖像中占比較小，并且圖像分辨率比較低，從而會導(dǎo)致難以提取到清晰且特別的絕緣子缺陷特征。這些特征會給檢測模型精準(zhǔn)識別絕緣子缺陷帶來很大困難。另外，當(dāng)眾多小目標(biāo)大量聚集時，經(jīng)過多次下采樣后，它們可能會合并成深度特征圖中的單個點(diǎn)，導(dǎo)致檢測模型無法區(qū)分它們。除此之外，當(dāng)眾多小目標(biāo)距離太近時，后處理中的非極大值抑制操作可能會過濾掉大量正確的預(yù)測邊界框，從而導(dǎo)致漏檢。

原始的YOLOv5網(wǎng)絡(luò)使用CIOU_Loss作為網(wǎng)絡(luò)回歸的損失函數(shù)。CIOU_Loss雖然考慮了邊界框回歸的重疊面積、中心點(diǎn)距離和長寬比，但它只考慮了邊界框內(nèi)長寬比的差異，并沒有考慮寬度和高度之間的實(shí)際差異及其置信度。此外，當(dāng)預(yù)測框的長寬比按照比例變化時，CIOU_Loss中的長寬比懲罰失去了有效性，這會使得精準(zhǔn)定位和識別小目標(biāo)變的有些困難。為了解決這些問題，本文采用EIOU_Loss函數(shù)作為改進(jìn)后網(wǎng)絡(luò)模型的回歸損失函數(shù)。EIOU_Loss解決了CIOU_Loss中寬高比定義的歧義以及寬高比的比例變化對懲罰的影響。通過這樣做，EIOU_Loss有效提高了檢測模型對小目標(biāo)的精準(zhǔn)定位，同時可以提高模型的收斂性，并明顯降低對小目標(biāo)的遺漏率。

本文使用的EIOU_Loss函數(shù)由三個部分組成：重疊損失LIOU、中心距損失Ldis以及寬度和高度損失Lasp。前兩部分保留了CIOU方法的優(yōu)點(diǎn)，而寬度和高度損失將長寬比損失劃分為預(yù)測寬度和高度與封閉框的最小寬度和高度之間的差值。這個修改主要應(yīng)用于CIOU的懲罰項，以加快模型收斂并提高回歸精度。EIOU_Loss的計算公式如下：

式中，IOU表示預(yù)測框與真實(shí)框的交并比，b和bgt表示預(yù)測框與真實(shí)框的中心點(diǎn)，ρ（b，bgt）表示預(yù)測框中心點(diǎn)和真實(shí)框之間的歐式距離，C表示預(yù)測框和真實(shí)框的最小外接矩形的對角線距離，ωgt和hgt分別是真實(shí)框的寬度和高度。ω和h分別是預(yù)測框的寬度和高度，而Cω和Ch是包括真值框和預(yù)測框的最小邊界框的寬度和高度。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)所用操作系統(tǒng)為服務(wù)器系統(tǒng)Linux18.04，CPU為Intel（R） Xeon（R） Gold 6326 CPU@2.90 GHz，內(nèi)存24 GB，顯卡為NVIDIA GeForce RTX 3090 24 GB顯存，搭配CUDA11.4，選擇與CUDA11.4對應(yīng)的深度學(xué)習(xí)框架Pytorch1.12.1，編程語言環(huán)境為Python3.9.16。

3.2 數(shù)據(jù)集處理

本文數(shù)據(jù)集來源于某電力科學(xué)研究院無人機(jī)航拍的絕緣子圖像數(shù)據(jù)共860張，訓(xùn)練深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)，而且數(shù)據(jù)的正負(fù)樣本也需要保持平衡，但是現(xiàn)場進(jìn)行采集的絕緣子數(shù)據(jù)大多為正樣本，這樣就會導(dǎo)致訓(xùn)練的網(wǎng)絡(luò)發(fā)生過擬合現(xiàn)象。因此本文采用數(shù)據(jù)增強(qiáng)的方式擴(kuò)充數(shù)據(jù)集，如圖8所示，采用加噪聲、裁剪、平移、鏡像、旋轉(zhuǎn)角度和改變亮度等這幾種數(shù)據(jù)增強(qiáng)方式，模擬真實(shí)拍攝時可能出現(xiàn)的情況。

通過以上數(shù)據(jù)增強(qiáng)的方法，我們最終獲得了3 832張絕緣子圖片，增強(qiáng)的過程中還考慮了正負(fù)樣本平衡問題，使得正常絕緣子與缺陷絕緣子圖片基本上各占一半。其中，正常絕緣子的圖片有2 016張，帶缺陷的絕緣子圖片有1 816張。我們將數(shù)據(jù)集的10%作為測試集，其余數(shù)據(jù)集按照1∶9的比例劃分為驗(yàn)證集和訓(xùn)練集，用于模型的訓(xùn)練。最終我們將測試集用于驗(yàn)證模型的識別準(zhǔn)確率。為了區(qū)分圖像中的目標(biāo)與背景，我們使用了Labelimg圖片標(biāo)注工具對所有圖像進(jìn)行標(biāo)注，將絕緣子標(biāo)注為insulator，將缺陷標(biāo)注為defect，標(biāo)注完成后，每張圖片都會生成相對應(yīng)的txt標(biāo)注文件，供訓(xùn)練模型使用。

3.3 評價指標(biāo)

為了更客觀地評價修改后網(wǎng)絡(luò)的有效性，我們主要從檢測精度和檢測速度兩個方面進(jìn)行測試。評價指標(biāo)包括精確率P（precision），召回率R（recall），平均精度AP（average precision），平均精度均值mAP（mean AP，mAP），模型每秒對圖片的檢測幀數(shù)FPS（frames per second），這些指標(biāo)用于檢測網(wǎng)絡(luò)性能。計算公式如下所示：

其中，公式計算中需要用到的二分類參數(shù)分別為真正例（TP）、假正例（FP）、真負(fù)例（TN）、假負(fù)例（FN），定義見表1，其中0、1分別表示條件成立與否。

3.4 實(shí)驗(yàn)結(jié)果分析

3.4.1 實(shí)驗(yàn)結(jié)果

本文選擇了如下幾個實(shí)驗(yàn)來進(jìn)行驗(yàn)證模型在不同網(wǎng)絡(luò)結(jié)構(gòu)中的性能。我們訓(xùn)練了4個實(shí)驗(yàn)，分別為YOLOv5s、YOLOv5s+CBAM模塊、YOLOv5s+CBAM模塊+BiFPN、YOLOv5s+CBAM模塊+BiFPN+EIoU損失函數(shù)。表2展示了不同網(wǎng)絡(luò)結(jié)構(gòu)下的訓(xùn)練結(jié)果。

根據(jù)表2可知，以原始模型參數(shù)作為對照組又增加了兩組實(shí)驗(yàn)，以保證在實(shí)驗(yàn)中每一個增加的改動對模型都是有提升的，通過表中的結(jié)果可以看出增加不同的模塊對參數(shù)的影響，最初網(wǎng)絡(luò)模型的mAP值為88.42%，召回率為70.37%。在主干網(wǎng)絡(luò)中加入CBAM注意力模塊以后，由于它的作用主要是使得模型更加關(guān)注絕緣子缺陷的特征信息，同時抑制其他無用信息，mAP值提高到了91.74%，召回率提高到了79.85%。隨后又在上一步實(shí)驗(yàn)中使用雙向特征金字塔網(wǎng)絡(luò)框架代替了原有框架，它可以使得網(wǎng)絡(luò)可以更好地融合不同層的特征信息，同時還可以針對不同的特征信息有選擇性的訓(xùn)練，進(jìn)一步加強(qiáng)特征提取能力，實(shí)驗(yàn)結(jié)果表明，mAP值提高到了92.85%，召回率提高到了84.13%。最后也就是本文改進(jìn)后的最終模型，在上一步實(shí)驗(yàn)的基礎(chǔ)上，進(jìn)一步改進(jìn)了損失函數(shù)，來提升高分辨率圖像模型難以訓(xùn)練的問題，同時提升了網(wǎng)絡(luò)的收斂速度。結(jié)果表明，mAP值提高到了94.13%，召回率提高到了84.94%。

3.4.2 不同方法的比較

我們選擇了其他的一些經(jīng)典模型和先進(jìn)的模型來進(jìn)行比較，以驗(yàn)證我們的網(wǎng)絡(luò)模型的準(zhǔn)確性和性能，對比模型包括了Faster R－CNN、YOLOv3和YOLOv4。所有的網(wǎng)絡(luò)模型都是根據(jù)我們的數(shù)據(jù)集進(jìn)行訓(xùn)練。表3展示了不同網(wǎng)絡(luò)性能的結(jié)果。

由表3可知，我們的網(wǎng)絡(luò)模型和其他的幾種檢測模型相比，改進(jìn)的YOLOv5s網(wǎng)絡(luò)模型檢測速度最快，并且網(wǎng)絡(luò)模型的體積較小。在兩階段目標(biāo)檢測模型中Faster R－CNN的mAP值為72.66%，遠(yuǎn)低于其余模型，故難以滿足實(shí)際應(yīng)用需求。在單階段目標(biāo)檢測模型中YOLOv3和YOLOv4兩種模型的mAP值雖然較Faster R－CNN的值分別提升了17.88%和18.20%，但是精度提升的同時，這兩種模型的模型體積較Faster R－CNN也增加了很多，因此不滿足實(shí)際應(yīng)用需求。與前面兩個單階段模型相比，YOLOv5s雖然在精度方面有一點(diǎn)下降，但是它的模型體積大幅度減小，相對于精度方面的犧牲，它在模型體積方面獲得的優(yōu)化更為重要，這使得YOLOv5s模型更能夠滿足實(shí)際需求，但是對于精度方面的損失，在改進(jìn)的YOLOv5s模型中得到了提升。相比YOLOv4模型來說，改進(jìn)后的模型在mAP值方面提升了3.27%，同時對絕緣子識別的平均精度提升了4.38%，對絕緣子缺陷識別的平均精度提升了2.96%，模型體積也很大程度的減小，由244 MB減小為13.5 MB，減小了230.5 MB，雖然和YOLOv5s的模型體積相比較只減小了0.6 MB，但總的來說，改進(jìn)后的算法模型mAP精度有了明顯的提高，模型體積也有了一定的減小。

圖9展示的是改進(jìn)后的模型的檢測結(jié)果，檢測圖片說明了該模型能夠在復(fù)雜的輸電線路中識別出絕緣子以及絕緣子缺陷，該結(jié)果能夠檢驗(yàn)?zāi)Ｐ偷膶?shí)際應(yīng)用需求。

4 結(jié)論

本文針對輸電線路中絕緣子缺陷識別精度低的問題提出了一種新的改進(jìn)的YOLOv5s網(wǎng)絡(luò)模型。通過數(shù)據(jù)增強(qiáng)的方法對數(shù)據(jù)集進(jìn)行擴(kuò)充，在主干網(wǎng)絡(luò)中結(jié)合CBAM注意力機(jī)制，提高了特征提取能力。在頸部網(wǎng)絡(luò)中使用BiFPN進(jìn)行信息特征融合，提升了模型的特征融合能力。使用EIoU Loss損失函數(shù)解決了高分辨率圖像模型難以訓(xùn)練的問題，同時提升了網(wǎng)絡(luò)的收斂速度。通過在自制的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，本文提出的改進(jìn)的YOLOv5s模型明顯優(yōu)于其他經(jīng)典的目標(biāo)檢測模型，與原有的YOLOv5s模型相比，檢測精度得到了很大的提升，達(dá)到了94.13%，相比較之下提升了5.71%，在保證模型檢測速度不變的情況下，模型的體積略有減小，變化為13.5 MB，可以滿足實(shí)際應(yīng)用的需求。未來計劃進(jìn)一步提升模型檢測速度，減小模型體積，對模型輕量化和實(shí)時性進(jìn)行研究，以便模型在其他移動設(shè)備上更好地部署。

［ 參 考 文 獻(xiàn) ］

［1]WU K E，BOZZI M，F(xiàn)ONSECA N J G，et al.Substrate integrated transmission lines：Review and applications[J].Journal of Microwaves，2021，1（1）：345－363.

[2]ZHENG Hanbo，LIU Yang，SUN Yonghui，et al.Arbitrary－oriented detection of insulators in thermal imagery via rotation region network[J].IEEE Transactions on Industrial Informatics，2021，18（8）：5242－5252.

[3]ZHAO Yiming，YAN Jing，WANF Yanxin，et al.Porcelain insulator crack locatiao and surface states pattern recognition based on hyperspectral technology[J].Entropy，2021，23（4）：486.

[4]GAO Song，JIA Jun，HUANG Xinyu，et al.Research on Electric Field Detection of Degraded Insulators Based on a Sensitive Detection Method under Complex Operating Conditions[J].Applied Sciences，2022，12（11）：5680.

[5]LI Zhaoyu，ZHENG Zhong，SHI Shuo，et al.Design of Porcelain Insulator Defect Recognition System Based on UAV Line Inspection Image[C]∥International Conference on 5G for Future Wireless Networks：6GN for Future Wireless Networks，Cham：Springer，2021：397－408.

[6]WEN Qiaodi，LUO Ziqi，CHEN Ruitao，et al.Deep learning approaches on defect detection in high resolution aerial images of insulators[J].Sensors，2021，21（4）：1033.

[7]HUANG Xueneng，TAN Jinpeng，QIU Dongfeng，et al.Research of Composite Insulator Detection Device Based on Electric Field Method and Resistance Method[C]∥DEStech Transactions on Computer Science and Engineering，2017.

[8]LI Dayu，ZHANG Guixin，HOU Yicen，et al.Charge distribution on polymer insulator surface under AC voltage[J].IEEE Transactions on Dielectrics and Electrical Insulation，2019，26（5）：1709－1715.

[9]SIMA Wenxia，YUAN Tao，YANG Qing，et al.Effect of non－uniform pollution on the withstand characteristics of extra high voltage （EHV） suspension ceramic insulator string[J].IET Generation Transmission amp; Distribution，2010，4（3）：445－455.

［10]YAO Zheng，YU Xin，YAO Jianchun，et al.Transmission line insulator fault detection based on ultrasonic technology[J].Journal of Physics：Conference Series，2019，1187（2）：022056.

[11]GAO Kai，LYU Lijun，HUANG Hua，et al.Insulation defect detection of electrical equipment based on infrared and ultraviolet photoelectric sensing technology[C]∥IECON 2019－45th Annual Conference of the IEEE Industrial Electronics Society，2019.

[12]ZHAI Yongjie，CHEN Rui，YANF Qiang，et al.Insulator fault detection based on spatial morphological features of aerial images[J].IEEE Access，2018，6：35316－35326.

[13]DADI H S，PILLUTLA G K M.Improved face recognition rate using HOG features and SVM classifier[J].IOSR Journal of Electronics and Communication Engineering，2016，11（4）：34－44.

[14]LI Weiguo，YE Gaosheng，HUANG Feng，et al.Recognition of insulator based on developed MPEG－7 texture feature[C]∥3rd International Congress on Image and Signal Processing，2010.

[15]WU Qinggang，AN Jubai，LIN Bin.A texture segmentation algorithm based on PCA and global minimization active contour model for aerial insulator images[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2012，5（5）：1509－1518.

[16]MONTAVON G，SAMEK W，MLLER K R.Methods for interpreting and understanding deep neural networks[J].Digital Signal Processing，2018，73（1）：1－15.

[17]RAHUL C，GHANSHALA K K.Convolutional neural network （CNN） for image detection and recognition[C]∥First International Conference on Secure Cyber Computing and Communication，2018.

[18]HE Kaiming，ZHANG Xiaogyu，REN Shaoqing，et al.Spatial pyramid pooling in deep convolutional networks for visual recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37（9）：1904－1916.

[19]REN Shaoqing，HE Kaiming，CIRSHICK R，et al.Faster R－CNN：Towards real－time object detection with region proposal networks[J].Advances in Neural Information Processing Systems，2017，39（6）：1137－1149.

[20]DAI Jifeng，LI Yi，HE Kaiming，et al.R－FCN：Object detection via region－based fully convolutional networks[Z/OL].（2016－06－21）[2023－09－25].https：∥arxiv.org/abs/1605.06409v2.

[21]REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once：Unified，real－time object detection[C]∥Proceedings of the IEEE conference on computer vision and pattern recognition，2016.

[22]LIU Wei，ANGUELOV D，ERHAN D，et al.SSD：Single shot multibox detector[Z/OL].（2016－12－29）[2023－09－25]. https：∥arxiv.org/abs/1512.02325.

［責(zé)任編輯：謝 平]

Research on insulator defect detection algorithm based on improved YOLOv5s

LIU Chao1，2， LI Yingna YANG Li2

Abstract： Insulator defect detection is a key step in the development of smart grids. At present， insulator defect detection based on computer vision has been widely used in intelligent inspections. This paper selects the YOLOv5s model as the basic network to improve detection accuracy while ensuring network operation speed. Firstly，" the CBAM attention module is added to the backbone feature extraction network to enhance the feature extraction capability of the model； secondly， the BiFPN structure is used in the neck structure to fuse multi－scale features to reduce feature loss and improve the feature fusion capability of the model； finally EIoU Loss is used as the loss function of the network regression loss， which solves the problem of being sensitive to insulators of various scales in aerial images and improves the convergence speed of the network. Verified by experimental results， the improved network model has a mAP value of 94.13% and a Recall value of 84.94% when the detection speed does not change much， which are 5.71% and 14.57% higher than the YOLOv5s network model. At the same time， the model size is reduced to 13.5 MB. Compared with other improved models， the precision and recall rate have been significantly improved， which can better meet the needs of practical applications.

Key words： transmission line； insulator defect detection； CBAM attention module； feature fusion； convolutional neural network

收稿日期：2023－10－12 修回日期：2023－11－10

基金項目：國家自然科學(xué)基金項目（61962031）；云南省科技廳基礎(chǔ)研究專項項目（202201AS070029）

*通信作者：李英娜（1973—），女，云南昆明人，教授，主要研究方向?yàn)榇髷?shù)據(jù)與工業(yè)互聯(lián)網(wǎng)、計算機(jī)視覺等。

引用格式：劉超，李英娜，楊莉.基于改進(jìn)YOLOv5s的絕緣子缺陷檢測算法研究[J].陜西理工大學(xué)學(xué)報（自然科學(xué)版），2024，40（3）：26－34.