改进YOLOv4的绝缘子图像检测模型

为了满足无人机巡检过程中实时检测的需求，提出一种改进YOLOv4的绝缘子缺陷检测方法，在保证绝缘子检测精度的前提下，减小模型参数量，提升检测速度。该方法使用CSPDarknet53和MobileNetV1提取绝缘子的特征信息，对输出特征层进行堆叠处理，缩减通道数，减少模型计算量；精简路径聚合网络(path aggregation network, PANet)结构,将其中的标准卷积替换为深度可分离卷积；使用Decoupled Head替换原有预测网络；在训练过程中加入迁移学习策略和数据增强方法提高训练精度，使用绝缘子图像和视频测试网络训练效果。实验结果表明，改进后模型的绝缘子检测精度达到98.17%,同时对于单张绝缘子图像的识别速度提升5 ms。     

基于改进YOLOv7的输电线路绝缘子设备及其缺陷检测算法

针对输电线路无人机巡检中绝缘子设备及缺陷图像检测过程中存在的绝缘子目标尺寸变化大、缺陷目标尺寸小、背景复杂干扰多和难易样本不平衡等问题,提出一种基于改进YOLOv7的绝缘子设备及缺陷检测算法：1）针对绝缘子缺陷目标尺寸小问题,在YOLOv7特征提取网络浅层引入卷积注意力机制,聚焦缺陷;2）针对绝缘子目标尺度变化大问题,在YOLOv7特征提取网络底部引入感受野增强模块,提取不同尺度目标特征;3）针对背景干扰问题,改进YOLOv7特征融合网络,在顶部引入显示视觉中心模块,同时关注全局信息与局部信息;4）针对难易样本不平衡问题,使用Focal-EIoU损失替换YOLOv7坐标回归损失。在合并的绝缘子及其缺陷无人机图像公开数据集上,该算法的多类目标检测精度均值达到了97.36%。     

基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测

由于背景复杂、目标所占像素比例较小,掩膜区域卷积神经网络（Mask R-CNN）模型对输电线路绝缘子缺陷检测能力不足,该文提出一种改进的MaskR-CNN模型。具体地,首先,在特征提取网络中引入卷积注意力模块（CBAM）,分别从通道和空间提升小目标特征保持性;其次,使用全局交并比（GIoU）计算目标间的相似度,提升定位准确性;最后,使用Tversky损失计算掩膜分支的损失,以提升不平衡样本下的检测效果。使用某输电运检中心无人机巡检作业所得具有自爆缺陷的绝缘子照片作为数据集对该模型进行验证,实验结果表明,与原始Mask R-CNN模型相比,该方法的平均精确率AP50:90、AP50和AP75分别提升至0.56、0.79和0.72;与三种经典目标检测算法相比,该算法具有较高的检测精度,模型的分割性能有一定提升,且比原始模型具有更好的鲁棒性,可以满足电力巡检中准确性和快速性的要求。     

基于改进 YOLOv４算法的绝缘子故障检测研究

为解决目前人工处理分析无人机巡检图像效率低、检测结果受人为因素影响较大的问题,提出了一种用于 检测绝缘子缺陷的改进 YOLOv４故障检测模型.通过改进普通卷积算法以提升检测速度,使用数据增强方法提高 YOLOv４对绝缘子缺陷检测性能,解决实际检测环境中缺陷图像数量少且识别精度低的问题.试验结果表明,所提方 法的缺陷检测精度和召回率分别为0.91和0.96,能够满足电力线路绝缘子缺陷检测的鲁棒性和准确性要求。     

融合迁移学习的绝缘子缺陷分级检测方法

针对Faster R-CNN算法对复杂环境下的小样本绝缘子缺陷检测精度不高的问题，本文提出了一种融合迁移学习和主体局部的绝缘子缺陷分级检测方法。整个方法使用融合残差模块和特征金字塔结构的卷积神经网络作为骨干网络进行特征提取，用于适应不同尺度的缺陷目标，保留更多有效信息。首先使用迁移学习的方法改善对缺陷所在绝缘子主体的检测效果；然后对检测出的绝缘子主体进行自动裁剪来改善复杂背景对缺陷区域检测的影响，使得模型能够更有效地挖掘出缺陷特征；最后将裁剪后的缺陷绝缘子局部图像送入第二阶段进行训练，进一步提高模型准确率。通过对无人机航拍采集的绝缘子缺陷图像进行检测实验。结果表明，本文方法相较于Faster R-CNN基线模型平均精度提高了37.5%，达到了89.6%。在对自爆和破损检测上，精度分别提高了34.9%和60.2%。     

应用于绝缘子缺陷检测的轻量化YOLOv4研究

针对YOLOv4主干网络庞大、参数量多,应用于绝缘子缺陷检测中无法满足实时性要求的问题,提出一种轻量化的YOLOv4检测模型。首先,引入含ECA集成组件的GhostNet作为特征提取网络,保证特征提取能力的同时大幅减少模型参数,加快模型推理速度。其次,使用K-means++聚类算法确定出初始锚框尺寸,以适应绝缘子缺陷大小,提升缺陷定位精度。最后,在交叉熵损失函数的基础上引入Quality Focal Loss改进损失函数,进一步提升模型检测性能。实验结果表明,改进后的轻量化YOLOv4与原始YOLOv4相比,模型大小压缩至原来的62.47%,每秒帧率提升了68.83%,绝缘子缺陷检测的准确率提升了1.07%,在显著提升检测速度的同时保证了算法检测精度,且在小目标和复杂背景下表现突出。     

基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法

随着输电线路无人机巡检工作的常态化,暴露出故障图像检测实时性、模糊目标检测精准性难以满足实际工作需求的问题。文章提出一种基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法。以YOLOv5s为基础检测模型,基于Ghost轻量化模块重构模型获取数据特征的卷积操作过程,提高了模型的检测速度;采用基于KL散度分布的损失函数作为目标框定位损失函数,提升了模型对模糊图像检测的精度。将改进的YOLOv5s算法部署于华为Atlas 200 DK边缘模块中,对绝缘子自爆、防震锤脱落、鸟巢3类故障进行检测,其平均精度均值可达84.75%,检测速度为34 frame/s。结果表明,改进的算法在保证检测实时性的同时,能够提升对模糊故障目标图像的检测精度,满足无人机搭载边缘设备的输电线路巡检需求。     

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。     

基于ConvNeXt和注意力机制的绝缘子自爆故障检测方法

为了更加准确地识别和定位架空线路绝缘子的自爆故障,保障电力系统安全稳定运行,提出一种基于ConvNeXt和注意力机制的目标检测算法,可用于无人机、巡检机器人等设备拍摄的可见光图像中绝缘子自爆故障检测。首先,使用一种新型卷积神经网络ConvNeXt作为主干网络,使用1∶1∶1∶3的阶段模块数量比例,增强网络对抽象语义特征的提取能力;其次,使用跨阶段局部连接结构,减少网络参数量和计算复杂度,丰富网络梯度连接;最后,引入卷积注意力机制,增强网络对复杂背景中目标区域的感知能力。实验结果表明,改进后的绝缘子自爆故障检测模型的平均精度均值达到97.4%,相比基线YOLOv7提升了1.4%,能够有效实现绝缘子自爆缺陷的检测。     

基于改进卷积网络的野外复杂背景输电线压接管检测方法

为提升复杂场景下卷积网络压接管检测精度和速度,减小模型,提出一种基于小波分析和改进轻量化神经网络的野外复杂背景下压接管视觉检测方法,使用小波分析去除图像噪声,主干网络使用轻量化GhostNet模型,并引入全维动态卷积增强主干特征提取能力,使用深度可分离卷积降低模型复杂度,嵌入改进的卷积块的注意力模块(convolutional block attention module, CBAM),关注重点特征提高模型精度,使用K-means++算法聚类锚框尺寸并线性变换,加快目标框收敛速度,使用CIoU-NMS提高检测速度与精度。实际检测结果表明,与YOLOv4模型相比改进YOLOv4轻量化模型大小大幅降低了199.7 MByte,精度仅损失2.98%,且检测速度提升了3.4 Hz,达33.9 Hz,边缘部署效能指标更优,因此,改进轻量化网络模型在检测精度、模型大小和检测速度之间达到最佳平衡。最后,野外复杂背景多场景下的检测效果也表明算法能很好满足工程实际任务中的检测需求,具有较好工程实用性。     

基于YOLO v4优化的航拍绝缘子缺陷图像检测模型

针对现有绝缘子缺陷检测模型检测精度低、实时性差和网络参数多的问题,提出了一种基于YOLO v4改进的绝缘子缺陷检测模型。首先,利用改进的VGG卷积神经网络实现了主干特征提取。其次,在加强特征提取网络和预测网络中引入深度可分离卷积,降低了模型的复杂度。再次,在加强特征提取网络中融合通道注意力机制对重要特征进行增强,提升了模型对绝缘子缺陷的目标辨识能力。最后,以平均精度、帧率、参数量等作为评价指标,对基于公共数据集CPLID构建的新数据集进行了消融实验和对比实验。实验结果表明,改进的YOLO v4模型对绝缘子缺陷的检测精度为98.35%,相比于传统的YOLO v4模型提高了6.4%,并且其检测速度和参数量分别为传统YOLO v4模型的1.5倍和37.5%,可实现对航拍绝缘子缺陷图像的高精度实时有效检测。同时,改进的模型相比YOLO v5-M和Faster R-CNN模型在检测精度,速度和模型复杂度上也更具优势。     

深度学习目标检测算法在架空输电线路绝缘子缺陷检测中的应用研究综述

传统架空输电线路绝缘子缺陷检测一般通过人工巡检方式进行。架空输电线路的数量增长使巡检规模更加庞大、巡检环境更加复杂,放大了传统绝缘子缺陷检测方法人力成本高、检测效率低的不足。无人机(unmanned aerial vehicle, UAV)等新型巡线方式依靠深度学习目标检测算法识别架空输电线路绝缘子缺陷,能够有效应对人工巡检的不足,是绝缘子缺陷检测的发展趋势。鉴于此,围绕架空输电线路绝缘子缺陷检测场景,首先梳理常用的深度学习目标检测算法,比较不同算法的检测策略、检测精度与检测速度;然后结合云–边–端协同架构说明算法的改进需求与相应改进方法;最后针对现有绝缘子检测方面的不足,展望了输电线路绝缘子中多类型缺陷的识别问题,并在这一研究趋势下进一步探讨了模型边缘端轻量化与针对小样本数据下的算法研究价值。     

基于深度可分离卷积的轻量级YOLOv3输电线路鸟巢检测方法

针对输电线路无人机巡检图像鸟巢检测现有方法实时性差及小目标检测能力较弱的问题,提出一种基于深度可分离卷积的轻量级YOLOv3输电线路鸟巢检测方法。首先,使用Mosaic数据增强方法增强数据集并变相提升训练集中小目标的数量;然后,在主干特征提取网络使用深度可分离卷积代替部分标准卷积,提高检测网络的速度,并降低网络参数量从而降低权重文件内存,再使用PANet代替FPN,进一步提升特征融合的能力,增强对小目标的检测能力;最后,使用标签平滑进行训练,解决由于极少量标签错误导致的网络过度自信问题和网络过拟合问题。将某供电局无人机巡检视频剪切成图像制作数据集,使用本文算法与原始YOLOv3算法进行比较,并做消融实验。实验结果表明,本文的算法逐步提升了模型的速度和精度。     

改进YOLOv3模型在无人机巡检输电线路部件缺陷检测中的应用研究

针对传统输电线路无人机巡检图像检测方法存在的精度低、计算时间长和训练样本少等问题,提出了一种用于输电线路部件绝缘子缺陷识别的改进YOLOv3模型。引入K-means++算法解决小目标不敏感问题,引入Focalloss函数解决样本不均衡问题,引入Mish激活函数提高模型精度,引入注意力机制Senet提高特征提取性能。通过对改进前后模型性能的比较分析,验证了该方法的优越性。结果表明,与传统的检测方法相比,所提方法在检测速度上能够满足实时检测的需要,且检测精度最优,检测时间为0.079 s,检测平均准确度均值为94.40%。该研究能够满足输电线路无人机巡检图像缺陷自动检测的需要。     

基于改进YOLOv4的无人机航拍目标检测算法

针对无人机航拍目标检测对检测速度的高要求以及航拍图像小目标较多时易出现漏检、误检的问题，提出一种基于改进YOLOv4的无人机航拍目标检测算法。首先，引入轻量级网络MobileNetv3替换YOLOv4的主干特征提取网络，并采用深度可分离卷积替换网络其余部分的3×3标准卷积，降低了模型复杂度，提升了检测速度；其次，增加了针对小目标的104×104的浅层检测层，将原特征提取网络的3种检测尺度扩展为4种，对应加深特征融合网络层数，提升了算法对小目标的检测精度；最后，采用K-means++聚类算法重新设计了初始锚框，加快了网络的收敛速度。在无人机航拍数据集上进行了对比实验，结果表明所提算法与原算法相比，在保证平均检测精度的同时，提升了小目标检测精度，且模型参数量减少了60%，检测速度提升了15.2%，在实时性和准确性方面均有较好性能。     

绝缘子自爆缺陷的轻量化检测网络 DE-YOLO

为了实现输电线路的高精度、高速度巡检,设计了一种适用于移动终端设备的轻量化目标检测网络 DE-YOLO。 首先融 合深度可分离卷积、逐点卷积和 ECA 注意力机制提出了特征提取模块 NewC3,它负责显著降低网络参数、同时强化网络提取绝 缘子有效信息的能力。 再借助通道数成倍增长策略和通道注意力机制 SE 设计了轻量化模块 DC-SE,它用于削弱复杂背景对绝 缘子故障的干扰、互补提取绝缘子细微特征,进而增强浅层网络对目标特征信息的提取能力。 实验表明,DE-YOLO 网络在自制 绝缘子数据集上的 GFLOPs 降低 45%,运行参数降低 42%,自爆缺陷检测精度高达 93. 2%。 NewC3 和 DC-SE 能保证 DE-YOLO 的轻量化,同时满足绝缘子自爆缺陷实时检测的要求。     

基于改进U-net和CNN的绝缘子自爆检测方法研究

针对绝缘子自爆故障人工检测效率低,成本高的问题,基于改进U-net和卷积神经网络（CNN）模型,提出一种可有效识别绝缘子自爆故障的双阶段目标检测算法。首先,在语义分割阶段使用改进U-net模型,通过翻倍提高图像分辨率的方法有效提高图像分割精度。其次,在图像分类阶段提出更适合所提问题且有效提高分类准确度的新型CNN模型。最后,使用无人机拍摄的绝缘子图片为实验数据进行实验。实验结果表明所提算法识别精度较高。     

基于深度学习的绝缘子缺失检测方法研究

绝缘子缺陷严重影响输电线路安全,航拍图像绝缘子缺失的有效识别是无人机线路巡检。提出一种轻量级网络的绝缘子缺失检测模型,使用轻量级网络MobileNetV3替换YOLOv4模型的CSPDarknet53网络。以分割性能和计算速度为判据,综合分析比较了YOLOv4模型和使用轻量型网络对其主干网络替换后的模型在绝缘子缺失检测上的性能,实验结果表明：筛选的YOLOv4-MobileNetV3轻量级网络绝缘子缺失检测模型能够准确定位图像中单、多目标绝缘子;改进后YOLOv4-MobileNetV3检测模型比原模型的体积减少了78%,FPS提升了4.85 f/s,而mAP仅降低0.6%。提出的绝缘子缺失检测方法能够满足无人机电力线路巡检的需求。     

定向识别航拍绝缘子及其缺陷检测方法研究

针对现有绝缘子检测算法无法定向检测绝缘子及其缺陷的问题，提出了一种改进YOLOv5(you only look once v5,YOLOv5)算法的航拍绝缘子识别及其缺陷检测方法。通过定向标注航拍绝缘子图片，形成航拍绝缘子数据集和缺陷绝缘子数据集；在YOLOv5的主干特征提取网络引入轻量化注意力机制模块、在特征融合阶段使用改进的空间金字塔池化结构；通过改进YOLOv5网络的头部结构使其可以对绝缘子进行定向识别，并对损失函数添加角度损失分类。实验结果表明在检测时间由单张0.044 s到单张0.049 s并无显著增长的前提下，改进后的算法在测试集上的mAP(mean average precision)的值为95.00%,实现了定向识别绝缘子及其漏帽缺陷，还可应用到绝缘子视频流检测。为后续的绝缘子精确定位以及进一步故障检测打下良好基础。     

基于通道剪枝的ACAM-YOLOv5s绝缘子缺陷检测

针对现有的绝缘子缺陷检测深度神经网络模型规模大、计算资源消耗高、检测精度低,难以部署在边缘端,本文基于通道剪枝和YOLOv5s方法提出具有非对称卷积和注意力机制的轻量级绝缘子缺陷检测模型ACAM-YOLOv5s。ACAM-YOLOv5s模型采用非对称卷积模块ACBlock替换YOLOv5s骨干网络残差结构中的标准卷积,并结合通道和空间混合的注意力CBAM进行特征融合,以增强骨干网络的表达能力、特征提取能力以及鲁棒性。引入对边界框大小和位置灵敏性高的PIoU作为定位回归损失,解决绝缘子纵横比高导致缺陷检测定位准确率低的问题。基于BN层通道剪枝方法对ACAM-YOLOv5s模型进一步稀疏化训练、剪枝和微调,得到轻量化缺陷检测模型。实验结果表明,剪枝后的ACAM-YOLOv5s模型和原始YOLOv5s相比,在检测精度、计算量和模型体积方面,具有相对优势,能够满足边缘设备部署的需求,在无人机航拍绝缘子缺陷检测领域具有潜在价值。