摘" 要：為解決傳統(tǒng)巡檢圖像檢測(cè)方法對(duì)電力設(shè)備小目標(biāo)缺陷檢測(cè)能力弱、錯(cuò)檢和漏檢率高、淺層網(wǎng)絡(luò)語(yǔ)義信息不足等問(wèn)題，提出針對(duì)電力設(shè)備小目標(biāo)缺陷的多尺度特征融合增強(qiáng)檢測(cè)模型（multi-scale feature fusion enhanced you only look once，MFFE-YOLO）。該方法設(shè)計(jì)了一種多尺度特征融合增強(qiáng)機(jī)制（multi-scale feature fusion enhancement，MFFE），能夠更全面地捕捉目標(biāo)特征。研究表明：在C2f-EF模塊中嵌入跨空間學(xué)習(xí)多尺度注意力機(jī)制EMA以及FasterNet Block，能夠優(yōu)化模型的運(yùn)行效率；MFFE-YOLO方法的平均精度、參數(shù)量和幀率指標(biāo)均優(yōu)于其他方法，能夠?qū)崿F(xiàn)高精度與實(shí)時(shí)性之間的良好平衡。

關(guān)鍵詞：電力巡檢；電力設(shè)備缺陷；小目標(biāo)檢測(cè)；特征融合增強(qiáng)；YOLO；多尺度特征

中圖分類號(hào)：TP391.4" " " " " " " " " 文獻(xiàn)標(biāo)志碼：A" " " " " " " "文章編號(hào)：1008-0562（2024）05-0625-08

A multi-scale feature fusion enhanced detection model MFFE-YOLO

PENG Jishen1， MA Longze1， SUN Mengyu1， LIU Jinlong2

（1.Faculty of Electrical and Control Engineering， Liaoning Technical University， Huludao 125105， China;

2. Software College， Liaoning Technical University， Huludao 125105， China）

Abstract： In order to solve the problems of weak detection ability of small target defects of power equipment， high 1 detection and missed detection rate， and insufficient shallow network semantic information in traditional inspection image detection methods， a feature fusion enhanced detection method for small target defects of power equipment （multi-scale feature fusion enhanced you only look once， MFFE-YOLO） is proposed. This method designs a multi-scale feature fusion enhancement mechanism （multi-scale feature fusion enhancement， MFFE）， which can capture target features more comprehensively. The study shows that embedding the cross-space learning multi-scale attention mechanism EMA and FasterNet Block in the C2f-EF module can optimize the operation efficiency of the model; the average accuracy， parameter amount and frame rate indicators of the MFFE-YOLO method are better than that of other methods， and can achieve a good balance between high accuracy and real-time performance.

Key words： power inspection; power equipment defects; small target detection; feature fusion enhancement; YOLO; multiscale feature

0" 引言

在電力系統(tǒng)中，確保電力設(shè)備的健康狀態(tài)和電網(wǎng)的穩(wěn)定運(yùn)行至關(guān)重要。輸電線路、變電站以及電力桿塔等設(shè)備長(zhǎng)期暴露于戶外惡劣環(huán)境中，必然面臨機(jī)械磨損、氣候侵蝕、老化和外力破壞等多種風(fēng)險(xiǎn)。無(wú)人機(jī)巡檢和深度學(xué)習(xí)技術(shù)的快速發(fā)展為電力設(shè)備的遠(yuǎn)程監(jiān)測(cè)提供了新的解決方案[1-2]。搭載高分辨率相機(jī)的無(wú)人機(jī)可對(duì)廣闊的輸電線路進(jìn)行定期巡檢，獲取大量的圖像數(shù)據(jù)[3]。然而，無(wú)人機(jī)拍攝的部分圖像具有大視場(chǎng)屬性[4]，在該場(chǎng)景中，缺陷檢測(cè)面臨背景復(fù)雜以及缺陷目標(biāo)較小等問(wèn)題[5]。

復(fù)雜背景、小目標(biāo)檢測(cè)問(wèn)題[6]是基于深度學(xué)習(xí)的電力缺陷目標(biāo)檢測(cè)算法[7-9]亟需解決的重點(diǎn)和難點(diǎn)。針對(duì)這些問(wèn)題，WANG等[10]提出了一種多尺度信道信息與全局-局部注意力模塊，能夠提取并利用多尺度特征圖的信息，捕捉全局上下文信息以及局部空間細(xì)節(jié)，從而增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力。YUAN等[11]在YOLOv5中嵌入注意力機(jī)制與小目標(biāo)檢測(cè)層，降低了對(duì)輸電線路小缺陷的漏檢率，增強(qiáng)了模型對(duì)小目標(biāo)的敏感度。盡管上述方法在檢測(cè)精度和降低漏檢率方面取得了進(jìn)展，但未能有效減少計(jì)算資源的需求，這是在邊緣計(jì)算設(shè)備上部署應(yīng)用的主要障礙。為適配邊緣計(jì)算，GU等[12]提出一種YOLO-SSFS小目標(biāo)檢測(cè)器，通過(guò)特定結(jié)構(gòu)和損失函數(shù)優(yōu)化，能有效提高復(fù)雜背景下小目標(biāo)檢測(cè)的精度和速度。楊錦輝等[13]通過(guò)引入RFB-Bottleneck結(jié)構(gòu)增強(qiáng)特征提取并使用GhostConv來(lái)減少參數(shù)量，在保證高速檢測(cè)的同時(shí)，顯著提高了檢測(cè)精度。WANG等[14]提出一種YOLO-SS-Large高性能輕量級(jí)變電站缺陷檢測(cè)模型，該模型融合FasterNet Block結(jié)構(gòu)、NWD-CIoU損失函數(shù)和動(dòng)態(tài)頭部模塊，實(shí)現(xiàn)了檢測(cè)精度、處理速度和模型參數(shù)量的優(yōu)化。SHAO等[15]提出TL-YOLO方法，通過(guò)全維度動(dòng)態(tài)卷積、特征融合框架和自適應(yīng)訓(xùn)練樣本選擇策略，實(shí)現(xiàn)對(duì)電力傳輸線上異物的高精度檢測(cè)。這些輕量化改進(jìn)提升了模型部署的靈活性，但存在檢測(cè)精度降低、漏檢率增大的缺陷。

現(xiàn)有研究在小目標(biāo)檢測(cè)領(lǐng)域已取得顯著成效，但仍存在一定局限性。現(xiàn)有模型淺層網(wǎng)絡(luò)語(yǔ)義信息不足，對(duì)小尺度目標(biāo)特征不夠敏感且模型在邊緣計(jì)算環(huán)境下部署時(shí)，既要保證檢測(cè)精度，又要控制計(jì)算資源消耗，這對(duì)模型設(shè)計(jì)提出了更高的要求。針對(duì)復(fù)雜背景和小目標(biāo)條件下電力設(shè)備缺陷檢測(cè)存在高精度與實(shí)時(shí)性難以有效平衡、淺層網(wǎng)絡(luò)語(yǔ)義信息不足等問(wèn)題，提出一種多尺度特征融合增強(qiáng)檢測(cè)模型（multi-scale feature fusion enhanced you only look once，MFFE-YOLO），以期能夠更全面地捕捉目標(biāo)特征，實(shí)現(xiàn)高精度與實(shí)時(shí)性之間的良好平衡。

1" MFFE-YOLO總體框架

MFFE-YOLO的主要特點(diǎn)如下。

（1）采用多尺度特征融合增強(qiáng)機(jī)制（multi-scale feature fusion enhancement，MFFE），將不同尺度特征平行重采樣以獲取同一尺度的高分辨率特征。

（2）MFFE模塊建立了自下而上的路徑，將低層語(yǔ)義信息分布到所有層，使淺層語(yǔ)義網(wǎng)絡(luò)可以獲取更全面的目標(biāo)特征。

（3）C2f-EF模塊在原始的C2f中嵌入跨空間學(xué)習(xí)多尺度注意力機(jī)制EMA[16]，以更高效的神經(jīng)網(wǎng)絡(luò)FasterNet Block[17]替換原模塊中的Bottleneck來(lái)減輕模型的參數(shù)量和計(jì)算負(fù)擔(dān)，優(yōu)化運(yùn)行效率。

MFFE-YOLO在滿足電力設(shè)備缺陷檢測(cè)高精度要求的同時(shí)，還能夠保證檢測(cè)的實(shí)時(shí)性，適應(yīng)邊緣計(jì)算設(shè)備的資源限制，實(shí)現(xiàn)高精度和實(shí)時(shí)性的良好平衡。MFFE-YOLO網(wǎng)絡(luò)結(jié)構(gòu)主要包括3部分，分別為主干網(wǎng)絡(luò)、多尺度特征融合增強(qiáng)機(jī)制和檢測(cè)頭，見(jiàn)圖1。

2" 模型描述

2.1" 模型總體設(shè)計(jì)

MFFE-YOLO是一種專門(mén)針對(duì)電力設(shè)備小目標(biāo)

缺陷檢測(cè)的深度學(xué)習(xí)方法，其在YOLO框架的基礎(chǔ)上進(jìn)行了多項(xiàng)創(chuàng)新，旨在提高檢測(cè)精度和實(shí)時(shí)性，減少計(jì)算資源的消耗。MFFE-YOLO的核心機(jī)制和工作原理如下。

（1）輸入圖像預(yù)處理。MFFE-YOLO接收無(wú)人機(jī)或其他設(shè)備采集的圖像并將其作為輸入圖像。由于這些圖像包含復(fù)雜的背景和小目標(biāo)電力設(shè)備缺陷，模型首先須對(duì)輸入圖像進(jìn)行預(yù)處理，例如縮放、歸一化，使其適應(yīng)后續(xù)的網(wǎng)絡(luò)處理。

（2）主干網(wǎng)絡(luò)提取信息。主干網(wǎng)絡(luò)與多尺度特征融合增強(qiáng)模塊共同作用，對(duì)經(jīng)過(guò)預(yù)處理的圖像進(jìn)行特征提取與融合，通過(guò)自下而上的特征傳播和平行重采樣策略提取多維度特征[18]，使MFFE- YOLO能夠在不同層次上捕捉目標(biāo)的細(xì)節(jié)信息，為后續(xù)特征融合與增強(qiáng)技術(shù)提供良好的基礎(chǔ)。

（3）頸部網(wǎng)絡(luò)設(shè)計(jì)。頸部網(wǎng)絡(luò)是YOLO模型中連接主干網(wǎng)絡(luò)和檢測(cè)頭的重要組成部分，能夠?qū)μ卣鬟M(jìn)行多層次融合和優(yōu)化，頸部網(wǎng)絡(luò)設(shè)計(jì)見(jiàn)圖2。YOLOv8的頸部網(wǎng)絡(luò)通過(guò)融合不同尺度的特征圖來(lái)提高目標(biāo)檢測(cè)的精度，從而有效處理多尺度目標(biāo)。

（4）C2f模塊改進(jìn)。在骨干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)中改進(jìn)C2f模塊，見(jiàn)圖3。在C2f模塊中嵌入跨空間學(xué)習(xí)多尺度注意力機(jī)制EMA，采用FasterNet Block替換原模塊中的Bottleneck，在保證檢測(cè)精度的前提下減少計(jì)算量和內(nèi)存占用量，優(yōu)化模型的運(yùn)行效率。

（5）檢測(cè)頭。檢測(cè)頭能夠?qū)⑻崛〉奶卣鬓D(zhuǎn)化為具體的檢測(cè)框，實(shí)現(xiàn)從特征到具體檢測(cè)結(jié)果的快速、準(zhǔn)確映射。其中，YOLOv8檢測(cè)頭對(duì)頸部網(wǎng)絡(luò)輸出的不同尺度特征進(jìn)行檢測(cè)；MFFE-YOLO檢測(cè)頭將經(jīng)過(guò)特征融合增強(qiáng)后的同一特征生成不同大小的候選區(qū)域，通過(guò)回歸和分類操作確定目標(biāo)的位置和類型，提高模型對(duì)多尺度目標(biāo)的識(shí)別精度。

（6）損失函數(shù)計(jì)算。在訓(xùn)練階段模型會(huì)計(jì)算預(yù)測(cè)標(biāo)簽與真實(shí)標(biāo)簽的差異，MFFE-YOLO沿用YOLO系列模型的損失函數(shù)，即

（1）

式中： 為位置損失； 為置信度損失； 為分類損失。通過(guò)式（1）評(píng)估預(yù)測(cè)框的定位精度和分類準(zhǔn)確性，指導(dǎo)網(wǎng)絡(luò)權(quán)重更新，令誤差最小化。

MFFE-YOLO能夠提高對(duì)復(fù)雜背景下小目標(biāo)的識(shí)別能力，保證實(shí)時(shí)檢測(cè)速度，在電力設(shè)備小目標(biāo)缺陷檢測(cè)領(lǐng)域優(yōu)勢(shì)顯著。

2.2" 多尺度特征融合增強(qiáng)機(jī)制

YOLO模型通過(guò)檢測(cè)不同層級(jí)的特征圖，確保模型能夠同時(shí)處理大目標(biāo)和小目標(biāo)，但由于低分辨率高層次特征在檢測(cè)小尺度物體時(shí)效果較差，導(dǎo)致傳統(tǒng)YOLO模型小目標(biāo)檢測(cè)的性能不佳。因此，本文提出一種多尺度特征融合增強(qiáng)機(jī)制MFFE模塊。

MFFE模塊作為MFFE-YOLO的核心組件，通過(guò)平行重采樣不同尺度的特征圖來(lái)獲取高分辨率特征，保證模型能夠有效檢測(cè)不同大小的目標(biāo)，尤其是在檢測(cè)電力設(shè)備的小目標(biāo)缺陷時(shí)優(yōu)勢(shì)更顯著。MFFE模塊建立了自下而上的路徑，允許低層的細(xì)粒度信息被傳播到所有層，這樣即使是淺層網(wǎng)絡(luò)也能獲取更全面的目標(biāo)特征，提高模型對(duì)小目標(biāo)的檢測(cè)能力。

考慮到檢測(cè)性能與計(jì)算資源消耗，選擇 作為最高層次的特征。將主干網(wǎng)中3個(gè)C2f-EF模塊輸出的特征記作

（2）

式中：Cn、Hn、Wn分別為第n層特征圖的通道數(shù)、高度和寬度。在第3層中，通過(guò)特征重采樣后的 可表示為

（3）

式中： 為上采樣操作； 為C2f-EF模塊。得到最高層次的特征表示后，通過(guò)特征融合增強(qiáng)后的其余層特征 可表示為

（4）

式中， 為拼接操作。

令 表示各個(gè)尺度經(jīng)特征融合增強(qiáng)而得到的同一尺度的高分辨率特征，即

（5）

式中， 為多尺度特征融合增強(qiáng)操作。

對(duì)上述特征進(jìn)行融合，由檢測(cè)頭模塊將特征圖轉(zhuǎn)換為實(shí)際的檢測(cè)結(jié)果，得到最終的特征 ，即

（6）

式中， 為最終融合操作中的全部卷積操作。

2.3" C2f-EF模塊

C2f-EF模塊是YOLO模型的重要結(jié)構(gòu)組件，能夠提高模型的特征提取能力和計(jì)算效率。為提高模型在復(fù)雜背景下提取目標(biāo)特征的能力，在C2f-EF模塊中嵌入跨空間學(xué)習(xí)的高效多尺度注意力機(jī)制EMA。EMA將輸入特征圖分為多個(gè)子特征圖，并在每個(gè)子特征圖上應(yīng)用不同的注意力權(quán)重來(lái)實(shí)現(xiàn)多尺度信息的聚合，這種方法既能保留每個(gè)通道的信息又能減少計(jì)算量，可動(dòng)態(tài)調(diào)整對(duì)輸入圖像不同部分的關(guān)注度，使模型能夠聚焦關(guān)鍵區(qū)域。為進(jìn)一步優(yōu)化C2f-EF模塊，以更高效的神經(jīng)網(wǎng)絡(luò)FasterNet Block替換原模塊中的Bottleneck，在保證檢測(cè)精度的前提下減少計(jì)算量和內(nèi)存占用量，優(yōu)化模塊的特征提取能力，有效捕捉圖像的重要特征，提高模型的檢測(cè)性能。

EMA通過(guò)并行處理方式規(guī)避長(zhǎng)時(shí)間順序計(jì)算的缺陷，提高網(wǎng)絡(luò)架構(gòu)的增強(qiáng)深度，在高分辨率特征圖中能夠提供精細(xì)的像素級(jí)注意力，進(jìn)而提高特征提取的質(zhì)量，EMA結(jié)構(gòu)見(jiàn)圖4。

EMA由兩個(gè)并行分支組成，其中，一個(gè)分支采用1×1卷積核，用來(lái)編碼全局信息并重新校準(zhǔn)每個(gè)并行分支中的通道權(quán)重；另一個(gè)分支采用3×3卷積核，用來(lái)響應(yīng)多尺度的空間結(jié)構(gòu)信息，捕獲局部跨通道語(yǔ)義，并利用上下文信息提高模塊對(duì)特征的表達(dá)能力。

傳統(tǒng)卷積（DWConv、Gconv等）雖然計(jì)算量有所減少，但可能增加內(nèi)存訪問(wèn)的次數(shù)，導(dǎo)致額外的延遲。FasterNet Block是一種創(chuàng)新的神經(jīng)網(wǎng)絡(luò)模塊，由PConv和1×1卷積層組成，其結(jié)構(gòu)見(jiàn)圖5。

PConv只對(duì)輸入特征圖的一部分通道執(zhí)行卷積操作，其余通道保持不變，能夠減少不必要的計(jì)算和內(nèi)存訪問(wèn)，顯著提高神經(jīng)網(wǎng)絡(luò)的運(yùn)行速度和計(jì)算效率。在C2f-EF模塊中，F(xiàn)asterNet Block對(duì)EMA的輸出特征進(jìn)行提取與壓縮，在減少參數(shù)量和計(jì)算量的同時(shí)保持或提升模型的表達(dá)能力。

3" 實(shí)驗(yàn)與分析

3.1" 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

實(shí)驗(yàn)平臺(tái)的操作系統(tǒng)為ubuntu18.04，訓(xùn)練顯卡為NVIDIA RTX 3090，CUDA版本為11.6，PyTorch框架版本為1.12.0，Python版本為3.9，集成開(kāi)發(fā)工具為VScode。超參數(shù)配置見(jiàn)表1。

3.2" 實(shí)驗(yàn)數(shù)據(jù)集

通過(guò)無(wú)人機(jī)、監(jiān)控設(shè)備等采集數(shù)據(jù)圖像，數(shù)據(jù)集包含5類缺陷，分別為絕緣子破損、桿塔構(gòu)件銹蝕、鳥(niǎo)巢、表計(jì)破損、呼吸器硅膠筒破損。不同類型的電力設(shè)備缺陷圖像共計(jì)11 580張，按7∶1∶2劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，各類樣本劃分情況見(jiàn)表2。

3.3" 評(píng)價(jià)指標(biāo)

模型評(píng)價(jià)指標(biāo)為均值平均精度mAP、模型參數(shù)量和幀率。其中，模型參數(shù)量為神經(jīng)網(wǎng)絡(luò)中需要學(xué)習(xí)的所有參數(shù)的總數(shù)量，可反映模型的復(fù)雜度；幀率為每秒鐘模型能夠處理的圖像幀數(shù)，是衡量模型實(shí)時(shí)處理能力的指標(biāo)，可反映模型的運(yùn)行效率。

均值平均精度的計(jì)算式為

（7）

（8）

（9）

式中：TP為真正例（true positives），即真實(shí)情況和預(yù)測(cè)情況同為正例的數(shù)量；FP為假正例（1 positives），即模型錯(cuò)誤地將負(fù)例預(yù)測(cè)為正例的數(shù)量；FN為假負(fù)例（1 negatives），即模型錯(cuò)誤地將正例預(yù)測(cè)為負(fù)例的數(shù)量；P為模型預(yù)測(cè)的精確率；R為模型預(yù)測(cè)的召回率。

3.4" 消融實(shí)驗(yàn)

為分析MFFE-YOLO模型中MFFE、C2f-EF/EMA以及C2f-EF/FasterNet Block對(duì)目標(biāo)檢測(cè)任務(wù)的影響，開(kāi)展模型消融實(shí)驗(yàn)，以便直觀地驗(yàn)證和解釋各組件的有效性。評(píng)估的性能指標(biāo)為mAP@0.5（在IoU閾值設(shè)置為0.5時(shí)所有測(cè)試樣本的均值平均精度）、參數(shù)量和幀率，消融實(shí)驗(yàn)結(jié)果對(duì)比見(jiàn)表3。

由表3可知，YOLOv8s模型的mAP@0.5為77.28，參數(shù)量為11.2 M，幀率為57 fps；MFFE-YOLO-L模型在YOLOv8s模型中引入多尺度特征融合增強(qiáng)機(jī)制，mAP@0.5顯著提升，高達(dá)84.96，參數(shù)量增至13.1 M，幀率下降至53 fps，表明 MFFE機(jī)制能夠有效提高檢測(cè)精度，但同時(shí)也增加了計(jì)算復(fù)雜度和資源消耗。YOLO-EMA模型在YOLOv8s模型中引入跨空間學(xué)習(xí)多尺度注意力機(jī)制（EMA），mAP@0.5提升至81.16，參數(shù)量減少至10.4 M，幀率提升至60 fps，表明EMA能夠提高特征提取效率和模型的整體性能。YOLO-FNB模型在YOLOv8s模型中引入更高效的神經(jīng)網(wǎng)絡(luò)FasterNet Block來(lái)替代原模塊中的Bottleneck，mAP@0.5提升至79.01，參數(shù)量減少至9.2 M，幀率提升至62 fps，表明FasterNet Block模塊能夠顯著減少模型的參數(shù)量，減輕計(jì)算負(fù)擔(dān)，優(yōu)化模型的運(yùn)行效率。YOLO-MF模型在YOLOv8s模型中同時(shí)引入EMA和FasterNet Block，mAP@0.5提升至80.72，參數(shù)量減少至8.4 M，幀率提升至64 fps，表明EMA和FasterNet Block模塊的組合能夠在減少參數(shù)量、減輕計(jì)算負(fù)擔(dān)的同時(shí)，顯著提高模型的檢測(cè)精度。MFFE-YOLO模型同時(shí)引入MFFE、EMA和FasterNet Block，mAP@0.5高達(dá)85.54，參數(shù)量為10.3 M，幀率為60 fps，驗(yàn)證了所有改進(jìn)組件的綜合效果，實(shí)現(xiàn)了高精度和實(shí)時(shí)性的良好平衡。

通過(guò)以上分析可知，每個(gè)改進(jìn)組件對(duì)模型性能均有不同程度的提升。其中，MFFE模塊顯著提高了特征提取的分辨率和精度；EMA優(yōu)化了特征提取效率；FasterNet Block模塊減少了參數(shù)量，減輕了計(jì)算負(fù)擔(dān)。MFFE-YOLO模型在滿足電力設(shè)備缺陷檢測(cè)高精度要求的同時(shí)，能夠保證檢測(cè)的實(shí)時(shí)性，適應(yīng)邊緣計(jì)算設(shè)備的資源限制，實(shí)現(xiàn)實(shí)時(shí)性和高精度的良好平衡。

3.5" 對(duì)比實(shí)驗(yàn)

為綜合評(píng)價(jià)MFFE-YOLO模型的有效性，在相同的實(shí)驗(yàn)環(huán)境下，將其與Faster R-CNN、SSD以及YOLOv8s模型進(jìn)行比較，對(duì)比實(shí)驗(yàn)結(jié)果見(jiàn)表4。

表4可知，MFFE-YOLO模型的各項(xiàng)檢測(cè)指標(biāo)均較優(yōu)異。與Faster R-CNN模型相比，MFFE-YOLO模型的mAP@0.5提高了22.01%，參數(shù)量、幀率均優(yōu)于Faster R-CNN模型。與SSD模型相比，MFFE-YOLO模型的mAP@0.5提高了17.29%，參數(shù)量減少了57.6%，幀率提升了71.4%。與 YOLOv8s模型相比，MFFE-YOLO模型的mAP@0.5提高了8.26%，參數(shù)量減少了8%，幀率提升了9%。通過(guò)對(duì)比可知，MFFE-YOLO模型在均值平均精度、參數(shù)量和實(shí)時(shí)處理能力方面均表現(xiàn)出色，不僅能夠減少參數(shù)量，且實(shí)時(shí)處理能力更強(qiáng)，檢測(cè)精度更高，優(yōu)越性顯著。

檢測(cè)效果對(duì)比見(jiàn)圖6。由圖6（a）可知，F(xiàn)aster R-CNN模型未檢測(cè)出塔桿構(gòu)件銹蝕，SSD模型和YOLOv8s模型對(duì)桿塔構(gòu)件銹蝕識(shí)別效果較差。當(dāng)出現(xiàn)多個(gè)目標(biāo)時(shí)，F(xiàn)aster R-CNN模型、SSD模型和YOLOv8s模型無(wú)法精準(zhǔn)識(shí)別所有缺陷目標(biāo)，但MFFE-YOLO方法能夠準(zhǔn)確識(shí)別多處塔桿構(gòu)件銹蝕。由圖6（b）可知，F(xiàn)aster R-CNN模型、SSD模型和YOLOv8s模型在多目標(biāo)復(fù)雜背景下對(duì)絕緣子破損及表計(jì)破損均出現(xiàn)了漏檢情況，而MFFE-YOLO模型能夠?qū)崿F(xiàn)準(zhǔn)確檢測(cè)。由圖6（c）可知，當(dāng)兩處絕緣子重疊時(shí)，F(xiàn)aster R-CNN模型和SSD模型均未能實(shí)現(xiàn)精準(zhǔn)檢測(cè)，YOLOv8s模型漏檢一處，MFFE-YOLO模型可以準(zhǔn)確檢測(cè)出兩處重疊的絕緣子。通過(guò)以上分析可知，與其他經(jīng)典模型相比，MFFE-YOLO模型在多尺度復(fù)雜背景下對(duì)小目標(biāo)電力元件缺陷的檢測(cè)效果提升顯著。

4" 結(jié)論

針對(duì)復(fù)雜背景下傳統(tǒng)巡檢圖像檢測(cè)方法對(duì)電力設(shè)備小目標(biāo)缺陷檢測(cè)能力弱、淺層網(wǎng)絡(luò)語(yǔ)義信息不足和高精度與實(shí)時(shí)性平衡不佳等問(wèn)題，提出了特征融合增強(qiáng)檢測(cè)模型MFFE-YOLO，主要結(jié)論如下。

（1）提出了一種多尺度特征融合增強(qiáng)機(jī)制，通過(guò)平行重采樣將不同尺度的特征轉(zhuǎn)換為同一高分辨率級(jí)別的特征。同時(shí)，建立自下而上的信息傳播路徑，將低層語(yǔ)義信息傳播到所有層，使淺層語(yǔ)義網(wǎng)絡(luò)能夠更全面地捕捉目標(biāo)特征。

（2）在C2f-EF模塊中嵌入跨空間學(xué)習(xí)多尺度注意力機(jī)制EMA以及更高效的神經(jīng)網(wǎng)絡(luò)FasterNet Block，減少了模型的參數(shù)量，減輕了計(jì)算負(fù)擔(dān)，優(yōu)化了模型的運(yùn)行效率。

（3）與其他經(jīng)典模型相比，MFFE-YOLO方法在確保高精度檢測(cè)電力設(shè)備小目標(biāo)缺陷的同時(shí)，能夠滿足實(shí)時(shí)處理的要求，在均值平均精度、參數(shù)量和幀率指標(biāo)方面表現(xiàn)優(yōu)異，實(shí)現(xiàn)了高精度與實(shí)時(shí)性的良好平衡。

（4）MFFE-YOLO方法通過(guò)技術(shù)創(chuàng)新，解決了復(fù)雜背景下電力設(shè)備巡檢中小目標(biāo)缺陷檢測(cè)的難題，為維護(hù)電力系統(tǒng)的安全運(yùn)行提供了更為高效、精準(zhǔn)的工具。

參考文獻(xiàn)（References）：

[1] 江秀臣，許永鵬，李曜丞，等.新型電力系統(tǒng)背景下的輸變電數(shù)字化轉(zhuǎn)型[J].高電壓技術(shù)，2022，48（1）：1-10.

JIANG Xiuchen，XU Yongpeng，LI Yaocheng，et al.Digitalization transformation of power transmission and transformation under the background of new power system[J].High Voltage Engineering，2022， 48（1）：1-10.

[2] 蒲天驕，喬驥，韓笑，等.人工智能技術(shù)在電力設(shè)備運(yùn)維檢修中的研究及應(yīng)用[J].高電壓技術(shù)，2020，46（2）：369-383.

PU Tianjiao，QIAO Ji，HAN Xiao，et al.Research and application of artificial intelligence in operation and maintenance for power equipment[J].High Voltage Engineering，2020，46（2）：369-383.

[3] 王韻琳，馮天波，孫寧，等.融合注意力與多尺度特征的電力絕緣子缺陷檢測(cè)方法[J].高電壓技術(shù)，2024，50（5）：1933-1942.

WANG Yunlin，F(xiàn)ENG Tianbo，SUN Ning，et al.Defect detection method for power insulators based on attention and multi-scale context information[J].High Voltage Engineering，2024，50（5）：1933-1942.

[4] 黃悅?cè)A，劉恒沖，陳慶，等.基于USRNet與改進(jìn)YOLOv5x的輸電線路絕緣子故障檢測(cè)方法[J].高電壓技術(shù)，2022，48（9）：3437-3446.

HUANG Yuehua，LIU Hengchong，CHEN Qing，et al.Transmission line insulator fault detection method based on USRNet and improved YOLOv5x[J].High Voltage Engineering，2022，48（9）：3437-3446.

[5] 卞建鵬，李凡，郝培旭，等.復(fù)雜環(huán)境下輸電線路絕緣子的破損識(shí)別與定位[J].高電壓技術(shù)，2022，48（2）：681-688.

BIAN Jianpeng，LI Fan，HAO Peixu，et al.Damage identification and location of transmission line insulator in complex environment[J].High Voltage Engineering，2022，48（2）：681-688.

[6] 劉穎，劉紅燕，范九倫，等.基于深度學(xué)習(xí)的小目標(biāo)檢測(cè)研究與應(yīng)用綜述[J].電子學(xué)報(bào)，2020，48（3）：590-601.

LIU Ying，LIU Hongyan，F(xiàn)AN Jiulun，et al.A survey of research and application of small object detection based on deep learning[J].Acta Electronica Sinica，2020，48（3）：590-601.

[7] WANG K X，ZHANG J Q，NI H J，et al.Thermal defect detection for substation equipment based on infrared image using convolutional neural network[J].Electronics，2021，10（16）：1986.

[8] YANG L，F(xiàn)AN J F，SONG S A，et al.A light defect detection algorithm of power insulators from aerial images for power inspection[J].Neural Computing and Applications，2022，34（20）：17951-17961.

[9] LU L H，CHEN Z C，WANG R F，et al.Yolo-inspection：defect detection method for power transmission lines based on enhanced YOLOv5s[J]. Journal of Real-Time Image Processing，2023，20（5）：104.

[10] WANG Y R，SONG X K，F(xiàn)ENG L L，et al.MCI-GLA plug-in suitable for YOLO series models for transmission line insulator defect detection[J].IEEE Transactions on Instrumentation and Measurement， 2024，73：9002912.

[11] YUAN J X，ZHENG X F，PENG L W，et al.Identification method of typical defects in transmission lines based on YOLOv5 object detection algorithm[J].Energy Reports，2023，9：323-332.

[12] GU Z C，ZHU K，YOU S T.YOLO-SSFS：a method combining SPD-Conv/STDL/IM-FPN/SIoU for outdoor small target vehicle detection[J].Electronics，2023，12：3744.

[13] 楊錦輝，李鴻，杜蕓彥，等.基于改進(jìn)YOLOv5s的輕量化目標(biāo)檢測(cè)算法[J].電光與控制，2023，30（2）：24-30.

YANG Jinhui，LI Hong，DU Yunyan，et al.A lightweight object detection algorithm based on improved YOLOv5s[J].Electronics Optics amp; Control，2023，30（2）：24-30.

[14] WANG Q，YANG L X，ZHOU B，et al.YOLO-SS-large：a lightweight and high-performance model for defect detection in substations[J]. Sensors，2023，23（19）：8080.

[15] SHAO Y Q，ZHANG R W，LV C，et al.TL-YOLO：foreign-object detection on power transmission line based on improved Yolov8[J]. Electronics，2024，13（8）：1543.

[16] OUYANG D L，HE S，ZHANG G Z，et al.Efficient multi-scale attention module with cross-spatial learning[C]//ICASSP 2023-2023 IEEE International Conference on Acoustics，Speech and Signal Processing. June 4-10，2023，Rhodes Island，Greece.IEEE，2023：1-5.

[17] CHEN J R，KAO S H，HE H，et al.Run，don’t walk：chasing higher FLOPS for faster neural networks[C]//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 17-24，2023， Vancouver，BC，Canada.IEEE，2023：12021-12031.

[18] LIN T Y，DOLLáR P，GIRSHICK R，et al.Feature pyramid networks for object detection[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition.July 21-26，2017，Honolulu，HI，USA.IEEE，2017：2117-2125.

[19] GIRSHICK R. Fast R-CNN[C]//2015 IEEE International Conference on Computer Vision. December 7-13，2015，Santiago，Chile.IEEE， 2015：1440-1448.

[20] LIU W，ANGUELOV D，ERHAN D，et al.SSD：single shot multiBox detector[M]//Lecture Notes in Computer Science. Cham：Springer，2016：21-37.