中圖分類號：TN919.85-34；TP391.41 文獻(xiàn)標(biāo)識碼：A 文章編號：1004-373X（2025）16-0105-08

Insulator defect detection network based on improved YOLOv7-tiny

HANXingyu，CHENWeizhen （SchoolofElectricalandElectronicEngineering，WuhanPolytechnic University，Wuhan43oo48，China）

Abstract：Whentheexistingdetectionmethodsidentifysmalldefectsofinsulatorsintransmisionlineimageswithcomplex backgrounds，theobtainedimages have problemssuchascomplexbackgroundenvironmentandsmalldefect size.Inorderto ensurethesafeoperationof transmision lines，aninsulatordefectdetectionnetwork（IDD-Net）basedonYOLOv7-tinyis proposed.Theatention-basedintra-scalefeatureinteraction（AIFI）isintroducedtoandleig-dimensionalfeaturesandreduce computationalcomplexity.Thebidirectional weightedpath featurepyramidnetwork（BPFPN）isusedforthefeaturefusion.The improvementsaremadetothedown-samplingmodule，soastoenhancethenetwork'sperceptualcapabilies.TheFocal-DIoU loss function isused toimproveanchorboxquality.Theresultsshowthat，incomparisonwiththebaselinemodel，theaverage accuracyofIDD-Netisimprovedby4.1%，theaccuracyandrecalareimprovedby2.4%and6.5%，thenumberofparameters and floating-point operations are reduced by 5.8% and 2.3% ，respectively，and the average accuracy for flashover defects is improvedby11.2%.Itdemonstratesthattheproposedmethodhassmallerparameters，beterperformanceand stronger robustness.

Keywords：YOLOv7-tiny;insulatordefectdetection;atention-based intra-scalefeatureinteraction;bidiretionalweighted path featurepyramid network;MCdown-samplingmodule;lightweight network

0 引言

隨著電網(wǎng)規(guī)模的不斷擴(kuò)大，輸電線路架設(shè)所需的面積也在逐漸增長。輸電線路絕緣子在絕緣和機(jī)械支持方面發(fā)揮著至關(guān)重要的作用，其常見缺陷是絕緣體損壞和閃絡(luò)引起的表面缺陷[2-3]。輸電線路上的閃絡(luò)有可能導(dǎo)致區(qū)域性停電，極端情況下會(huì)發(fā)生災(zāi)難性事故，調(diào)查表明，由閃絡(luò)引起的停電事故[4-5]占總停電事故的 47% 。

人工巡檢是傳統(tǒng)的絕緣子缺陷檢測手段，費(fèi)時(shí)費(fèi)力且依賴巡線人員經(jīng)驗(yàn)。近年來，將無人機(jī)圖像與深度學(xué)習(xí)網(wǎng)絡(luò)相結(jié)合已經(jīng)成為主流的絕緣子缺陷檢測方法。目前，絕緣子缺陷檢測方法主要有兩類：第一類是通過多種網(wǎng)絡(luò)級聯(lián)檢測絕緣子缺陷。文獻(xiàn)[6]提出一種兩階段檢測方法，使用YOLOv5實(shí)現(xiàn)絕緣子準(zhǔn)確定位，然后采用DeepLabv ³⁺ 實(shí)現(xiàn)被定位絕緣子中缺陷的精準(zhǔn)分割和可靠識別。文獻(xiàn)[7]提出將FasterR-CNN檢測網(wǎng)絡(luò)和U-Net分割網(wǎng)絡(luò)級聯(lián)，實(shí)現(xiàn)對絕緣子缺陷的檢測。文獻(xiàn)[8]提出一種新的神經(jīng)網(wǎng)絡(luò)級聯(lián)結(jié)構(gòu)，用于識別和定位絕緣子缺陷。這類方法網(wǎng)絡(luò)參數(shù)量較大，現(xiàn)在已經(jīng)不是主流。第二類方法是直接進(jìn)行絕緣子缺陷識別和定位。文獻(xiàn)[9]提出一種改進(jìn)的小型絕緣子缺陷檢測網(wǎng)絡(luò)，使用BN-CBAM注意力模塊實(shí)現(xiàn)對絕緣子缺陷檢測效果的提高。文獻(xiàn)[10]提出一個(gè)以YOLOv7為基礎(chǔ)的絕緣子檢測網(wǎng)絡(luò)，使用GhostNet實(shí)現(xiàn)對網(wǎng)絡(luò)的輕量化。文獻(xiàn)[11]提出一種引入自注意力機(jī)制的改進(jìn)YOLOv4-tiny絕緣子破損識別方法。文獻(xiàn)[12]提出一種集成Ghost模塊的改進(jìn)YOLOv5s絕緣子輕量級檢測方法。上述方法在檢測精度方面都有良好表現(xiàn)，但對于閃絡(luò)缺陷關(guān)注過少，檢測速度也不盡如人意；并且為確保安全，無人機(jī)拍攝距離較遠(yuǎn)，因此得到的圖像具有缺陷尺度小、背景環(huán)境復(fù)雜等特點(diǎn)，無法準(zhǔn)確識別。

針對上述問題，本文選擇以檢測速度見長的YOLOv7-tiny作為基線網(wǎng)絡(luò)，在特征融合部分和損失函數(shù)方面進(jìn)行改進(jìn)，以提升網(wǎng)絡(luò)特征處理能力和錨框質(zhì)量，為絕緣子缺陷檢測邊緣設(shè)備部署提出了一種新方法。

1 IDD-Net網(wǎng)絡(luò)架構(gòu)

絕緣子缺陷檢測網(wǎng)絡(luò)（InsulatorDefectDetectionNetwork，IDD-Net）是基于YOLOv7-tiny[13]的絕緣子缺陷檢測網(wǎng)絡(luò)，整體結(jié)構(gòu)如圖1所示。

為使網(wǎng)絡(luò)更加輕量化，引入基于注意力的尺度內(nèi)特征交互（Attention-basedIntra-scale FeatureInteraction，AIFI替換原有的SPPCSPC模塊，通過自注意力機(jī)制專注于處理高維特征并減少計(jì)算冗余；為使網(wǎng)絡(luò)實(shí)現(xiàn)多層特征融合，有效利用三種特征層的優(yōu)勢，特征融合部分使用雙向加權(quán)路徑特征金字塔網(wǎng)絡(luò)（Bi-directionalWeightedPathFeaturePyramidNetwork，BPFPN），使得邊緣信息得到更好的保留；同時(shí)提出MC下采樣模塊，以增強(qiáng)網(wǎng)絡(luò)感知能力，提高檢測精度；使用Focal-DIoU損失函數(shù)解決正負(fù)樣本不平衡的問題，使回歸過程專注于高質(zhì)量錨框。

圖1IDD-Net整體結(jié)構(gòu)圖

1.1基于注意力的尺度內(nèi)特征交互

YOLOv7-tiny原有的對主干網(wǎng)絡(luò)得到的高維特征進(jìn)行處理的結(jié)構(gòu)是SPPCSPC模塊，它對輸入的特征圖進(jìn)行多尺度的空間金字塔池化，從而得到多個(gè)不同尺度的特征圖，捕捉不同大小的目標(biāo)和場景信息，進(jìn)而提高模型的感受野和特征表達(dá)能力。然而，SPPCSPC模塊的參數(shù)量和計(jì)算量較大，在一些場景下可能會(huì)產(chǎn)生一定的性能瓶頸，因此引人AIFI模塊[4]，對所獲得的高維特征進(jìn)行處理，來削減計(jì)算量，提升計(jì)算速度，同時(shí)對網(wǎng)絡(luò)性能也不會(huì)造成過多損害。AIFI的本質(zhì)是Transformer的編碼器部分，其擁有很強(qiáng)的全局建模能力，能學(xué)習(xí)到豐富的全局信息，從而提升模型感知和特征表達(dá)能力。

AIFI整體結(jié)構(gòu)圖如圖2所示，包括前端處理、多頭注意力（Multi-HeadAttention）和前饋神經(jīng)網(wǎng)絡(luò)（FeedForward），前端處理將輸入的二維特征變成向量并嵌入位置編碼（PositionalEncoding），然后交給多頭注意力和前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，最后將輸出調(diào)整回二維，以便于后續(xù)的多尺度特征融合。

1.2 BPFPN特征融合網(wǎng)絡(luò)

在神經(jīng)網(wǎng)絡(luò)中，信息的傳播方式非常重要，YOLOv7-tiny的特征融合結(jié)構(gòu)為路徑聚合特征金字塔網(wǎng)絡(luò)（PathAggregationFeaturePyramidNetwork，PAFPN）[i，該結(jié)構(gòu)對小目標(biāo)檢測效果較差。為此，本文引人加權(quán)雙向特征金字塔網(wǎng)絡(luò)（weightedBi-directionalFeaturePyramidNetwork，BiFPN）的概念，并與PAFPN結(jié)合，提出改進(jìn)的BPFPN。圖3a）、圖3b）所示為PAFPN和BiFPN的結(jié)構(gòu)圖。

圖2AIFI整體結(jié)構(gòu)圖

整個(gè)結(jié)構(gòu)主要部分是多頭注意力，其使用的注意力函數(shù)如下：

圖3三種特征融合結(jié)構(gòu)圖

多頭注意力機(jī)制的實(shí)現(xiàn)并不基于單一的注意力函數(shù)，它將查詢（query）、鍵（ key ）和值（value）投影到一個(gè)低維，投影 h 次（本文 h=8 ），每次都會(huì)獨(dú)立地使用一次注意力函數(shù)，然后把每一個(gè)函數(shù)的輸出拼接在一起，得到最終的輸出。

BPFPN首先保留原網(wǎng)絡(luò)的特征傳遞通路，在淺層特征層和深層特征層之間添加兩條跳躍連線，實(shí)現(xiàn)淺層特征和深層特征的融合。在特征融合部分使用的是Concat操作，并不是常規(guī)的Add操作，這有助于網(wǎng)絡(luò)在后續(xù)層中更好地捕獲和利用不同特征之間的關(guān)系，提升模型的表達(dá)能力和泛化性能。為保留更多淺層特征的細(xì)節(jié)，避免因Concat操作帶來過大的計(jì)算開銷，連接的是過渡階段淺層特征。因此BPFPN結(jié)合三種不同維度特征圖的優(yōu)勢，提供更高的靈活性和特征豐富度，增強(qiáng)微小缺陷特征的表達(dá)，具體結(jié)構(gòu)如圖3c）所示。

在圖3c中，BPFPN的深色節(jié)點(diǎn)采用一種加權(quán)特征融合方式，對于輸人進(jìn)來的不同特征根據(jù)權(quán)重進(jìn)行增強(qiáng)或者抑制，該方法能夠解決由于多個(gè)目標(biāo)重疊而導(dǎo)致識別不準(zhǔn)確的問題。常見的加權(quán)特征融合有三種方法，其中IDD-Net使用的是快速歸一化融合，表達(dá)式如下：

式中： ε 是一個(gè)保證數(shù)值穩(wěn)定的極小值； 是一個(gè)可學(xué)習(xí)的權(quán)重； I_i 表示輸入。式中每個(gè)歸一化權(quán)重的值均處于0～1之間。

圖3c）中 P₃，P₄，P₅ 表示特征提取網(wǎng)絡(luò)不同尺度的特征， P₄^out?P₅^out 節(jié)點(diǎn)的數(shù)學(xué)表達(dá)式如下：

式中： Conv 表示卷積操作，但具體在網(wǎng)絡(luò)中更為復(fù)雜；

cat表示特征拼接操作； P^td 表示中間輸出節(jié)點(diǎn)特征； P^out

表示高維輸出節(jié)點(diǎn)特征； Sⁱⁿ 是淺層過渡節(jié)點(diǎn)輸出特征；

W_i 表示對應(yīng)特征所占據(jù)的權(quán)重； σ_ε 為保證數(shù)值穩(wěn)定的極小值，本文取 0.000 1 。

1.3 MC下采樣模塊

在以特征金字塔為特征融合結(jié)構(gòu)的網(wǎng)絡(luò)中，下采樣模塊是重要的組成部分，它有助于減少特征圖的空間尺寸，從而降低計(jì)算量并提取更高層次的語義信息。常見的下采樣模塊是一個(gè)卷積核大小為 3×3 、步長為 2×2 的卷積或者一個(gè)步長為 2×2 的最大池化，在原特征提取網(wǎng)絡(luò)中只是使用簡單的卷積操作來降低特征圖的尺寸，實(shí)現(xiàn)下采樣。

在YOLOv7中，使用的下采樣結(jié)構(gòu)為MP下采樣模塊，具體結(jié)構(gòu)如圖4a）所示，它組合使用卷積和池化進(jìn)行下采樣，旨在充分利用兩種方式的優(yōu)勢來提高特征信息的提取效率，增強(qiáng)模型的不變性。

基于MP下采樣模塊的思想，本文提出MC下采樣模塊用于特征融合階段，結(jié)構(gòu)如圖4b）所示。它保留MP模塊組合使用卷積和池化進(jìn)行下采樣的思想，直接將兩條分支輸出堆疊，然后使用 1×1 卷積控制所得特征維度。特征融合階段的下采樣操作之前，所得的特征已經(jīng)過多次處理，因此刪除冗余的 1×1 卷積來減少特征處理次數(shù)。

圖4兩種下采樣模塊結(jié)構(gòu)圖

1.4 Focal-DIoU損失函數(shù)

YOLOv7-tiny網(wǎng)絡(luò)的損失由三部分組成，分別是坐標(biāo)回歸損失、目標(biāo)置信度損失、類別置信度損失。整體損失函數(shù)為：

L_loss=λ₁L_box+λ₂L_obj+λ₃L_cls

式中： L_box 表示坐標(biāo)回歸損失，是對特征點(diǎn)的回歸參數(shù)判斷； L_obj 表示目標(biāo)置信度損失，是對特征點(diǎn)是否包含物體的判斷； L_cls 表示類別置信度損失，是對特征點(diǎn)所包含物體種類的判斷； λ₁，λ₂，λ₃ 是平衡系數(shù)。

目標(biāo)置信度損失和類別置信度損失均采用二分類交叉熵?fù)p失函數(shù)進(jìn)行計(jì)算，坐標(biāo)回歸損失采用CIoU18損失函數(shù)來計(jì)算，公式如下：

式中：IoU表示預(yù)測框和真實(shí)框的交并比； 表示兩個(gè)中心點(diǎn)之間的歐氏距離； ∣c∣ 表示最小包閉區(qū)的對角線長度； α 表示權(quán)重函數(shù)； u 用來度量寬高比的一致性；w^gt，h^gt 表示真實(shí)框的寬和高； w，h 表示預(yù)測框的寬和高。

由于anchor-base的局限性，YOLOv7-tiny會(huì)帶來正負(fù)樣本不平衡的問題，影響模型的整體訓(xùn)練。因此，引人FocalLoss[的思想對 DIoU^[20] 損失函數(shù)進(jìn)行改進(jìn)，得到Focal-DIoU損失函數(shù)來提升錨框質(zhì)量，優(yōu)化正負(fù)樣本不均衡問題，使回歸過程專注于高質(zhì)量錨框。其整體數(shù)

學(xué)表達(dá)式為：

L_Focal-DIoU=IoU^γL_DIoU

式中： L_DIoU 表示DIoU損失函數(shù)； γ 是控制異常值抑制程度的參數(shù)，本文取值0.5。

2 實(shí)驗(yàn)相關(guān)工作

2.1實(shí)驗(yàn)軟硬件環(huán)境及數(shù)據(jù)集

為了在公平條件下比較改進(jìn)前后的網(wǎng)絡(luò)，本文的計(jì)算機(jī)環(huán)境設(shè)置和超參數(shù)設(shè)置如表1所示。

表1實(shí)驗(yàn)環(huán)境配置

本文數(shù)據(jù)集共818張絕緣子缺陷檢測樣本，一部分來自百度飛漿平臺高壓輸電線路絕緣子缺陷檢測數(shù)據(jù)集，另外一部分來自于公開網(wǎng)絡(luò)下載的絕緣子缺陷圖像數(shù)據(jù)集（IDID）[21]，其中訓(xùn)練集588張，驗(yàn)證集66張，測試集164張。數(shù)據(jù)集中有3類標(biāo)簽，分別是insulator（絕緣子）、damage（破損）和flashover（閃絡(luò)）。

2.2 評價(jià)指標(biāo)

目標(biāo)檢測領(lǐng)域評價(jià)指標(biāo)如表2所示。

召回率計(jì)算公式為：

精確率計(jì)算公式為：

式中：TP表示被網(wǎng)絡(luò)預(yù)測為正類的正樣本；FP表示被網(wǎng)絡(luò)預(yù)測為正類的負(fù)樣本；FN表示被網(wǎng)絡(luò)預(yù)測為負(fù)類的正樣本。

表2各項(xiàng)評價(jià)指標(biāo)

P-R曲線以召回率為橫軸，精確率為縱軸構(gòu)成，該曲線是對不同置信度閾值下精確率和召回率的直觀表示。平均精度均值 （mAP） 是對所有類別的AP值求和后取平均值，用于評估模型在各類別上的綜合檢測性能。其計(jì)算公式如下：

式中： P（R） 表示 P-R 曲線； C 是類別總數(shù)。

3實(shí)驗(yàn)及結(jié)果分析

3.1消融實(shí)驗(yàn)

3.1.1不同下采樣模塊的對比實(shí)驗(yàn)

為研究不同下采樣模塊對網(wǎng)絡(luò)檢測精度的影響，本文將卷積下采樣、MP下采樣以及MC下采樣分別作為YOLOv7-tiny和IDD-Net這兩種網(wǎng)絡(luò)中的下采樣模塊進(jìn)行對比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表3所示。

表3兩組下采樣模塊性能對比 %

通過表3可以看出，在這兩組實(shí)驗(yàn)中使用MC下采樣模塊的網(wǎng)絡(luò)效果最優(yōu)， mAP⁵⁰ 最高，對于閃絡(luò)缺陷檢測效果更好。因此，本文提出的MC下采樣模塊有著更好的性能。

3.1.2不同損失函數(shù)的對比實(shí)驗(yàn)

本文對常用的損失函數(shù)CIoU、GIoU22]、EIoU23]DIoU進(jìn)行改進(jìn)，得到Focal-CIoU、Focal-GIoU、Focal-EIoU和Focal-DIoU這四種變體。表4是這8種損失函數(shù)在添加AIFI模塊、BPFPN、MC下采樣模塊條件下的性能比較。表4結(jié)果顯示Focal-DIoU損失函數(shù)在mAP和閃絡(luò)缺陷檢測效果上均優(yōu)于另外7種損失函數(shù)，絕緣子和破損缺陷的平均精度也在前列。本文出發(fā)點(diǎn)是對閃絡(luò)缺陷的檢測，因此選擇Focal-DIoU損失函數(shù)。根據(jù)公式（7）和公式（10）可以看出CIoU是在DIoU的基礎(chǔ)上改進(jìn)得來的，但是在本文中DIoU的效果比CIoU效果好。這表明，沒有單一的損失函數(shù)在所有數(shù)據(jù)集上都優(yōu)于其他損失函數(shù)。因此，應(yīng)根據(jù)數(shù)據(jù)集的具體特征和需求選擇合適的損失函數(shù)

表4不同損失函數(shù)性能對比 %

圖5是網(wǎng)絡(luò)損失函數(shù)改進(jìn)前后，CIoU和Focal-DIoU訓(xùn)練損失值對比圖。在300個(gè)Epoch中，F(xiàn)ocal-DIoU損失值一直小于CIoU且收斂更快，反映出Focal-DIoU損失函數(shù)有著更好的錨框質(zhì)量，使網(wǎng)絡(luò)能夠更好地更新參數(shù)，提高網(wǎng)絡(luò)性能。

圖5損失函數(shù)改進(jìn)前后的訓(xùn)練損失值對比圖

3.1.3不同模塊的消融實(shí)驗(yàn)

為驗(yàn)證IDD-Net的檢測性能，在表1的環(huán)境下進(jìn)行消融實(shí)驗(yàn)，具體實(shí)驗(yàn)結(jié)果見表5。

表5消融實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)1為基線網(wǎng)絡(luò)，作為后續(xù)實(shí)驗(yàn)的對比參照；實(shí)驗(yàn)2中AIFI模塊的加人使模型的參數(shù)量和浮點(diǎn)運(yùn)算量均降低，減輕模型的復(fù)雜度，雖然 mAP⁵⁰ 略有降低但在后續(xù)實(shí)驗(yàn)中可以體現(xiàn)AIFI模塊使模型學(xué)習(xí)到更為豐富的全局信息，擁有更好的特征表達(dá)能力；實(shí)驗(yàn)3、4、5添加單獨(dú)模塊，均使網(wǎng)絡(luò)有一定的性能提升；實(shí)驗(yàn)6中一起使用AIFI模塊和BPFPN， mAP⁵⁰ 提升 1.5% ，相比較使用單個(gè)模塊時(shí)，性能提升更為直觀，因此AIFI模塊對于整體網(wǎng)絡(luò)的特征表達(dá)有著極大的增強(qiáng)作用；實(shí)驗(yàn)7在實(shí)驗(yàn)6的基礎(chǔ)上添加MC下采樣模塊，精確率、召回率均有提升， mAP⁵⁰ 提升 1.4% ；實(shí)驗(yàn)8把損失函數(shù)更改為Focal-DIoU，精確率略有下降，但召回率得到進(jìn)一步提升，mAP⁵⁰ 提升 1.2%。

從表5可知改進(jìn)后網(wǎng)絡(luò)的 mAP⁵⁰ 由 77.0% 提升到81.1% ，提升 4.1% ，精確率和召回率分別提高 2.4% 和6.5% ，參數(shù)量和浮點(diǎn)運(yùn)算量分別減少 5.8% 和 2.3% ，特別是閃絡(luò)缺陷這一類別， AP⁵⁰ 閃絡(luò)提升 11.2% ，反映對于中小尺度的目標(biāo)，網(wǎng)絡(luò)的檢測能力大幅度增強(qiáng)。綜上所述，將4種改進(jìn)方案進(jìn)行整合，可以達(dá)到預(yù)期的改進(jìn)效果，顯著增強(qiáng)網(wǎng)絡(luò)檢測絕緣子閃絡(luò)缺陷上的性能。

3.2 對比實(shí)驗(yàn)

3.2.1 不同目標(biāo)檢測網(wǎng)絡(luò)的對比實(shí)驗(yàn)

為驗(yàn)證本文提出的IDD-Net優(yōu)勢，將該方法與當(dāng)前主流的目標(biāo)檢測網(wǎng)絡(luò)進(jìn)行比較。這些對比網(wǎng)絡(luò)包括Faster R - CNN[24]、SSD[25]、YOLOv4 - tiny[26]、YOLOv5s、YOLOv7-tiny、YOLOv8n，性能對比詳情見表6。

表6不同網(wǎng)絡(luò)性能對比

由表6可以看出，與現(xiàn)階段主流檢測網(wǎng)絡(luò)相比，IDD-Net的絕緣子破損和閃絡(luò)缺陷的 AP⁵⁰ 均高于其他網(wǎng)絡(luò)，檢測速度也達(dá)到 180f/s ，滿足實(shí)時(shí)檢測需求。

3.2.2 多種環(huán)境下的比較實(shí)驗(yàn)

本文的數(shù)據(jù)集都是在較為理想的環(huán)境中拍攝獲得的，為了驗(yàn)證IDD-Net在不同的自然天氣下具有良好的性能，進(jìn)行了模擬自然天氣的對比實(shí)驗(yàn)。本文中的數(shù)據(jù)集使用Imgaug圖像增強(qiáng)庫進(jìn)行處理，在雨、霧和不同光照度下生成4種類型的數(shù)據(jù)集，以模擬自然環(huán)境對網(wǎng)絡(luò)性能的影響。

表7是不同網(wǎng)絡(luò)在不同環(huán)境中的 mAP⁵⁰ 對比結(jié)果。從表中可以看出，IDD-Net在不同的自然天氣下仍然具有最好的檢測結(jié)果，展示了相對于其他網(wǎng)絡(luò)的性能優(yōu)越性。表8是不同環(huán)境中不同網(wǎng)絡(luò)的 mAP⁵⁰ 降低程度。從表中可以看出，較大的網(wǎng)絡(luò)，如FasterR-CNN和SSD性能下降較少，表明其具有更好的魯棒性，其他輕量級網(wǎng)絡(luò)性能變化較大，魯棒性較差。從中也可以看出IDD-Net犧牲了YOLOv7-tiny的魯棒性來提升網(wǎng)絡(luò)檢測效果，但仍比其他輕量級網(wǎng)絡(luò)具有更好的魯棒性。

表7不同網(wǎng)絡(luò)在不同環(huán)境下的性能對比 %

表8不同環(huán)境中不同網(wǎng)絡(luò)的 mAP⁵⁰ 下降百分比

4結(jié)論

為實(shí)現(xiàn)對輸電線路絕緣子缺陷的智能檢測以及邊緣設(shè)備的部署，針對絕緣子缺陷背景復(fù)雜、缺陷尺寸小等問題，本文提出一種基于YOLOv7-tiny的輕量級絕緣子缺陷檢測網(wǎng)絡(luò)IDD-Net。

該網(wǎng)絡(luò)與現(xiàn)階段主流檢測網(wǎng)絡(luò)相比，絕緣子缺陷檢測效果均優(yōu)于其他網(wǎng)絡(luò)，檢測速度也達(dá)到實(shí)時(shí)檢測標(biāo)準(zhǔn)，并且參數(shù)量較小，方便部署到無人機(jī)等邊緣設(shè)備。但是魯棒性略有不足，這是輕量級網(wǎng)絡(luò)普遍面臨的挑戰(zhàn)，希望未來的工作能在這方面做出貢獻(xiàn)。

注：本文通訊作者為陳為真。

參考文獻(xiàn)

[1]ODOA，MCKENNAS，F(xiàn)LYNND，etal.Aerial imageanalysis using deep learning forelectrical overhead line network asset management[J].IEEEaccess，2021（2）：146281-146295.

[2]OGBONNAVE，POPOOLA PI，POPOOLAO M，etal.A comparativestudyon the failureanalysisoffield failed high voltage composite insulator core rods and recommendation of composite insulators： a review [J]. Engineering tailure analysis， 2022，138：106369.

[3] GAO S，QIU G，YANGJ，etal.Self-explosion defect detection method of glass insulator based on YOLOv4 [C]// 2021 IEEE Sustainable Power and Energy Conference （iSPEC）.[S.l.]： IEEE，2021： 3686-3689.

[4]WANG R， ZHANG M，JIANG Y，et al.Prediction model of insulator contamination degree based on adaptive mutation particle swarm optimisation and general regression neural network [J]. The journal of engineering，2019（16）：1423-1428.

[5] ZHANG Z， JIANG X，SUN C，et al. Study of the influence of test methods on DC pollution flashover voltage of insulator strings and its flashover process [J]. IEEE transactions on dielectrics and electrical insulation，2010，17（6）：1787-1795.

[6]魏良玉，鄒國鋒，趙新宇，等.面向航拍圖像的絕緣子弱特征缺 陷兩階段檢測方法[J].國外電子測量技術(shù)，2023，42（10）：25- 34.

[7] LI X，SU H，LIU G. Insulator defect recognition based on global detection and local segmentation [J]. IEEE access， 2020， 8： 59934-59946.

[8] TAO X， ZHANG D，WANG Z， et al. Detection of power line insulatordefectsusingaerialimagesanalyzedwith convolutional neural networks[J].IEEE transactionson systems，man，and cybernetics：systems，2020，50（4）：1486- 1498.

[9] GAO Z， YANG G，LI E，et al. Novel feature fusion modulebased detector for small insulator defect detection [J].IEEE sensors journal，2021，21（15）： 16807-16814.

[10]黨宏社，許勃，張選德.融合多尺度特征的輕量級YOLOv7絕 緣子缺陷檢測算法[J].電瓷避雷器，2023（6）：187-195.

[11] HAN G，HE M，ZHAO F，et al. Insulator detection and damage identification based on improved lightweight YOLOv4 network[J].2021 International conference onenergy engineering and power systems，2021，7： 187-197.

[12] LIU C，YI W，LIU M，et al.A lightweight network based on improvedYOLOv5sforinsulatordefectdetection[J]. Electronics，2023，12（20）： 4292.

[13]WANG CY，BOCHKOVSKIY A，LIAOHYM.YOLOv7： trainablebag-of-freebies sets new state-of-the-art for real-time object detectors[Cl//2023IEEE/CVF Conferenceon Computer Vision and Pattern Recognition （CVPR）.[S.l.]： IEEE，2023：7464-7475.

[14] LVW，ZHAO Y，XU S，et al.DETRs beat YOLOs on realtime object detection [EB/OL].[2023-01-11]. https：//blog.csdn net/qq_42591591/article/details/141994763.

[15] VASWANI A， SHAZEER N，PARMAR N，et al. Attention is all you need [Ul// Proceedings ot the S1st International Conference on Neural Information Processing Systems.Red Hook，NY，USA： Curran Associates Inc.， 2017： 6000-6010.

[16] LIU S，QI L，QIN H，et al.Path aggregation network for instance segmentation [C]// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.[S.l.]：IEEE，2018： 8759-8768.

[17]TAN M，PANG R，LE Q V.EfficientDet：scalableand effcient object detection [Cl// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.Seatle， USA： IEEE， 2020： 10778-10787.

[18] ZHENG Z，WANG P，REN D，et al.Enhancing geometric factors in model learning and inference for object detection andinstancesegmentation[J].IEEEtransactionson cybernetics，2022，52（8）： 8574-8586.

[19]LIN TY，GOYAL P，GIRSHICK R，etal. Focal loss for dense object detection [C]//2O17 IEEE International Conferenceon Computer Vision （ICCV）. Venice， Italy： IEEE，2017：2999 - 3007.

[20] ZHENG Z，WANGP，LIU W，et al.Distance-IoU loss： faster andbetter learning for bounding box regression [EB/OL]. [2023-02-07]. https：//arxiv.org/pdf/1911.08287.

[21]LEWISD，KULKARNI P.Insulator defect detection [EB/OL]. [2023-04-11]. https：//dx.doi.org/10.21227/vkdw-x769.

[22]REZATOFIGHI H，TSOI N，GWAK J，et al.Generalized intersection over union：a metric and a loss for bounding box regression [C]// 2O19 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. [S.l.]： IEEE，2019： 658-666.

[23]ZHANGYF，RENW，ZHANG Z，etal.Focal and efficient IOUlossforaccurateboundingboxregression[J]. Neurocomputing，2022， 506：146-157.

[24] REN S，HE K，GIRSHICK R，et al. Faster R-CNN： towards real-time object detection with region proposal networks [J]. IEEEtransactionsonpatern analysisand machine intelligence，2017，39（6）： 1137-1149.

[25] LIU W，ANGUELOV D， ERHAN D，et al. SSD： single shot multibox detector[M]//LEIBEB，MATASJ，SEBE N，et al. Computer Vision-ECCV 2016. Cham： Springer，2016： 21-37.

[26]BOCHKOVSKIY A，WANG C Y，LIAO H Y M. YOLOv4： optimal speed and accuracy of object detection [EB/OL]. [2021- 05-11]. https：//arxiv.org/pdf/2004.10934.

[27] SHEN -PEI Z，XI L，BING -CHEN Q，et al. Research on insulator fault diagnosis and remote monitoring system based on infrared images [J]. Procedia computer science，2017，109： 1194-1199.