基于EfficientNet-YOLOv5s的絕緣子缺陷檢測

王年濤 王淑青 湯璐 馬丹

[摘 要]針對目前復(fù)雜背景下絕緣子缺陷小目標(biāo)檢測準(zhǔn)確率低的問題，提出一種深度學(xué)習(xí)框架下的EfficientNet-YOLOv5s神經(jīng)網(wǎng)絡(luò)檢測算法，首先通過無人機航拍輸電線路中含有各類絕緣子的圖像，并通過圖像增強技術(shù)豐富圖像數(shù)據(jù)集，然后用EfficientNet網(wǎng)絡(luò)替換YOLOv5s主干網(wǎng)絡(luò)，用改進的網(wǎng)絡(luò)對標(biāo)注的絕緣子數(shù)據(jù)集進行訓(xùn)練和測試，最后對模型的損失函數(shù)和非極大值抑制算法加以改進，進一步解決絕緣子目標(biāo)重疊導(dǎo)致的漏檢問題。實驗結(jié)果表明，改進的網(wǎng)絡(luò)平均精度達(dá)到98.5%，滿足輸電線路中絕緣子缺陷檢測要求。

[關(guān)鍵詞]絕緣子；目標(biāo)檢測；YOLOv5s；EfficientNet

[中圖分類號]TP391.41[文獻標(biāo)識碼]A

在輸配電線路中，絕緣子被廣泛使用，起到對輸電線機械支撐和對地絕緣作用。絕緣子的狀態(tài)對供電系統(tǒng)正常運行起到至關(guān)重要的作用^[1]。絕緣子長期暴露在戶外，易發(fā)生老化、破損、自爆等故障，對此類故障缺陷的排查一直是電力部門著力解決的問題，早期的排查方法是通過人工現(xiàn)場巡檢，檢測效率低且安全隱患大。隨著無人機技術(shù)和深度學(xué)習(xí)的發(fā)展，無人機航拍巡檢成為輸電線路絕緣子缺陷檢測的主流方法^[2]。

絕緣子檢測方法歸納起來分為傳統(tǒng)圖像檢測方法和深度學(xué)習(xí)檢測方法。傳統(tǒng)的絕緣子缺陷檢測方法例如霍夫變換、分水嶺算法、邊緣檢測等，計算過程較為繁瑣，且需要人工提取圖像特征，只適用于背景簡單，圖像清晰無遮擋的絕緣子圖像。文獻[3]根據(jù)絕緣子的色彩模型和紋理特征對輸電線路絕緣子定位，計算絕緣子的片數(shù)，受重疊目標(biāo)和遮擋的影響較大；文獻[4]根據(jù)絕緣子的輪廓和灰度，對比相鄰絕緣子片間的差異，檢測絕緣子的破損缺陷，有較高的檢測精度，但受到遮擋的影響較大。隨著深度學(xué)習(xí)的發(fā)展，有很多學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于絕緣子的缺陷檢測上。具有代表性的深度卷積神經(jīng)網(wǎng)絡(luò)有Faster RCNN^[5-6]、YOLO（You Only Look Once）^[7-8]。文獻[9]采用深度學(xué)習(xí)的方法對輸電線路中的絕緣子等關(guān)鍵部件進行檢測，通過多層次卷積特征圖拼接融合對絕緣子的檢測效果較好；文獻[10]將YOLOv4和改進的分水嶺算法結(jié)合，檢測絕緣子自爆缺陷，檢測的精度較高，但從檢測結(jié)果看：對重疊目標(biāo)檢測效果一般；文獻[11]提出一種級聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)，先用VGG主干網(wǎng)絡(luò)對絕緣子串定位，再用Resnet主干網(wǎng)絡(luò)對缺陷進行檢測，級聯(lián)網(wǎng)絡(luò)檢測精度較高，但是犧牲了檢測速度同時增加了網(wǎng)絡(luò)的參數(shù)量。

絕緣子檢測首先要解決的問題是圖像的獲取。由于公開的絕緣子數(shù)據(jù)集較少，絕緣子圖像大多是先通過無人機拍攝，再通過圖像增強擴充數(shù)據(jù)集數(shù)量。絕緣子自爆、老化、破損等小目標(biāo)缺陷，對檢測模型的要求較高。針對這些問題，本文采用EfficientNet^[12]網(wǎng)絡(luò)適應(yīng)性替換YOLOv5s主干網(wǎng)絡(luò)，通過EfficientNet網(wǎng)絡(luò)提取絕緣子三種尺度的特征圖，再由YOLOv5s網(wǎng)絡(luò)中的特征金字塔結(jié)構(gòu)進行融合，對損失函數(shù)和輸出預(yù)測模塊中的非極大值抑制算法加以改進，提高重疊目標(biāo)檢測能力，通過消融實驗對比檢測網(wǎng)絡(luò)的各項參數(shù)。

1 數(shù)據(jù)預(yù)處理

1.1 絕緣子圖像采集

深度學(xué)習(xí)中常用的公開圖像數(shù)據(jù)集有ImageNet數(shù)據(jù)集、COCO數(shù)據(jù)集、PASCAL VOC數(shù)據(jù)集、CIFAR-10數(shù)據(jù)集等，這些數(shù)據(jù)集包含豐富的實驗圖像，但不包含絕緣子圖像，因此絕緣子數(shù)據(jù)集是一個自制數(shù)據(jù)集，在允許無人機飛行的區(qū)域，通過大疆mini2無人機拍攝66～500 kV高壓輸電線路中包含絕緣子的視頻，通過視頻抽幀算法將視頻轉(zhuǎn)換成圖片，剔除掉對焦模糊和不包含絕緣子目標(biāo)的圖像，最終采集到有效的絕緣子數(shù)據(jù)集圖像共600張。圖1是采集的絕緣子圖像示例，有玻璃絕緣子（Glass Insulator，GI）、陶瓷絕緣子（Porcelain Insulator，PI）、復(fù)合絕緣子（Composite Insulator，CI），其中每種絕緣子圖像200張。

1.2 數(shù)據(jù)增強和標(biāo)注

無人機采集的原視頻為4K分辨率，抽幀所得的圖像分辨率為3840×2160，直接對原圖進行訓(xùn)練對計算機硬件配置要求高，同時導(dǎo)致網(wǎng)絡(luò)參數(shù)過多，訓(xùn)練時間較長，因此通過圖像裁剪算法將原圖批量裁剪成640×640分辨率，經(jīng)過裁剪后有效的數(shù)據(jù)集圖像1500張，每種絕緣子圖像500張。這些圖像中絕緣子的角度大多數(shù)為水平或垂直方向，為了避免過擬合，同時提高網(wǎng)絡(luò)模型的泛化能力，對無人機采集的圖片進行如圖2所示的水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、隨機旋轉(zhuǎn)、亮度變換、高斯模糊數(shù)據(jù)增強，豐富絕緣子數(shù)據(jù)集。

通過以上圖像變換，收集到絕緣子數(shù)據(jù)集9000張，通過LabelImg圖像標(biāo)注工具對數(shù)據(jù)集進行人工標(biāo)注，因需要對絕緣子進行分類和缺陷的檢測，故將圖像標(biāo)簽標(biāo)注為4種，分別是GI、PI、CI、defect。對數(shù)據(jù)集按8：1：1的比例劃分成訓(xùn)練集、驗證集、測試集，正負(fù)樣本比例為2：1，即正常絕緣子圖像6000張，有缺陷的絕緣子圖像3000張。

1.3 實驗環(huán)境配置

模型的訓(xùn)練和測試均在GPU上進行，計算機硬件配置：CPU型號為Intel Core i5-10600KF，GPU型號為 Nvidia GeForce RTX 2070 SUPER 8GB，運行內(nèi)存16G；軟件環(huán)境：系統(tǒng)為Windows10，GPU加速庫為Cuda11.0、Cudnn10.0，深度學(xué)習(xí)軟件環(huán)境為Anaconda、Pycharm、TensorFlow。

2 絕緣子檢測算法原理

2.1 絕緣子檢測框架

圖3是絕緣子檢測框架圖，主要包括圖像預(yù)處理和檢測網(wǎng)絡(luò)。圖像預(yù)處理包含無人機視頻拍攝、視頻抽幀、圖像裁剪和數(shù)據(jù)增強；檢測網(wǎng)絡(luò)主要分為兩個模塊，即特征提取模塊和特征融合模塊，將預(yù)處理好的圖片首先通過EfficientNet網(wǎng)絡(luò)進行特征提取，EfficientNet網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，提取絕緣子特征圖，為了提高網(wǎng)絡(luò)對多尺度目標(biāo)檢測能力，以YOLOv5s網(wǎng)絡(luò)中的特征金字塔（Feature Pyramid Network，F(xiàn)PN）作為特征融合層，最后輸出層通過改進的非極大值抑制算法（Non-Maximum Supression，NMS）^[13]篩選目標(biāo)框，對絕緣子進行定位，并在輸出圖片上生成檢測框并預(yù)測類別。

2.2 改進的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

YOLO網(wǎng)絡(luò)作為開源的單階段（One stage）卷積神經(jīng)網(wǎng)絡(luò)，相比于雙階段（Two stage）網(wǎng)絡(luò)的優(yōu)勢是網(wǎng)絡(luò)不需要先生成候選框（Region Proposal Network，RPN）這一步驟，同時版本從YOLOv1升級到Y(jié)OLOv5，在檢測速度和檢測精度上有較大地提升，根據(jù)網(wǎng)絡(luò)不同的深度和特征圖寬度YOLOv5細(xì)分成YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四個版本，每個版本的網(wǎng)絡(luò)結(jié)構(gòu)相同，結(jié)構(gòu)主要由特征提取模塊、特征融合模塊、輸出預(yù)測模塊三部分組成。

目前針對絕緣子缺陷檢測的研究較多，大多數(shù)檢測模型只針對單一類型的絕緣子做檢測，因此對神經(jīng)網(wǎng)絡(luò)模型的泛化能力要求較低。本文采集到的絕緣子差異較大，絕緣子的形狀、顏色、尺度等有較大的差異，采用現(xiàn)有檢測網(wǎng)絡(luò)直接對復(fù)雜多樣的絕緣子缺陷檢測，對網(wǎng)絡(luò)的泛化能力要求較高，一方面需要大量的絕緣子數(shù)據(jù)集，另一方面需要迭代訓(xùn)練較多的輪數(shù)，實驗發(fā)現(xiàn)采用YOLOv5s網(wǎng)絡(luò)對絕緣子破損和自爆等小目標(biāo)檢測時出現(xiàn)較多漏檢，針對這些問題，將YOLOv5s主干網(wǎng)絡(luò)改成EfficientNet網(wǎng)絡(luò)，提高網(wǎng)絡(luò)對缺陷小目標(biāo)特征的提取能力，大大降低了缺陷小目標(biāo)的漏檢率，改進的網(wǎng)絡(luò)模型可以大大降低網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)，提高檢測速度和檢測精度。

圖4為EfficientNet-YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)圖，EfficientNet網(wǎng)絡(luò)采用復(fù)合模型縮放思想，同時對卷積神經(jīng)網(wǎng)絡(luò)的深度、寬度和圖片分辨率進行變換，能較好地適應(yīng)不同尺度的絕緣子缺陷特征的提取和分類，同時EfficientNet網(wǎng)絡(luò)占用物理內(nèi)存較小，使得神經(jīng)網(wǎng)絡(luò)更加輕量化。

圖 4 EfficientNet-YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)圖

特征提取模塊EfficientNet網(wǎng)絡(luò)主要由9個階段組成，第1個階段和第9個階段本質(zhì)是通過3×3的普通卷積操作，即結(jié)構(gòu)圖中的CBH結(jié)構(gòu)，CBH結(jié)構(gòu)是卷積（Convolution，Conv）、歸一化（Batch Normalization，BN）、激活函數(shù)（Hard Swish，HSwish）的縮寫，改進網(wǎng)絡(luò)的激活函數(shù)均將原來的線性修正單元（Leaky ReLU）激活函數(shù)替換為Hard Swish激活函數(shù)，函數(shù)的表達(dá)式如下：

其中x表示神經(jīng)元節(jié)點輸入值，f（x）表示神經(jīng)元節(jié)點輸出值，min（ReLU，6）表示ReLU激活函數(shù)的基礎(chǔ)上設(shè)置最大輸出為6，相比于原來的激活函數(shù)有更快的計算速度。

EfficientNet網(wǎng)絡(luò)中提取不同尺度特征圖的結(jié)構(gòu)是中間連續(xù)堆疊的7個階段的移動翻轉(zhuǎn)瓶頸卷積（Mobile Inverted Bottleneck Convolution，MBConv）操作，其操作流程如圖5所示，將640×640的圖片進行下采樣特征提取，得到160×160、40×40、20×20三種尺度的特征圖。為了將任意大小的特征圖固定為相同長度的特征向量，傳輸給全連接層，增加了空間金字塔池化結(jié)構(gòu)（Spatial Pyramid Pooling，SPP）^[14]，通過5×5、9×9、13×13三個尺度的最大池化，減少絕緣子細(xì)節(jié)信息的丟失，同時擴大圖像的感受野，有利于絕緣子多尺度特征的預(yù)測。

提取的特征圖通過特征融合模塊的多次卷積和上采樣，傳遞到輸出預(yù)測模塊，檢測頭（YOLOv5s Head）將80×80、40×40、20×20三種尺度的特征與原圖結(jié)合，并通過評價指標(biāo)計算出預(yù)測框的準(zhǔn)確率，從而實現(xiàn)絕緣子的檢測。

2.3 改進的損失函數(shù)

損失函數(shù)是用來評價改進模型的預(yù)測值和真實值之間差值的一項指標(biāo)?；A(chǔ)網(wǎng)絡(luò)YOLOv5s的損失函數(shù)包含邊框回歸損失（loss_box），置信度損失（loss_obj），分類損失（loss_cls），YOLOv5s網(wǎng)絡(luò)總損失函數(shù)（Loss）為這三項損失函數(shù)的和，損失函數(shù)計算公式：

由式（2）知，在基準(zhǔn)模型YOLOv5s網(wǎng)絡(luò)中，三種損失函數(shù)的權(quán)重比例為1∶1∶1，這種權(quán)重分布適用于多類目標(biāo)的檢測，在整體性能上有出色的表現(xiàn)，但是為了使改進的網(wǎng)絡(luò)模型更適用于絕緣子缺陷的檢測，賦予邊框回歸損失更高的權(quán)重，降低置信度損失、分類損失權(quán)重，調(diào)整后三類損失函數(shù)的權(quán)重比例為2 ∶ 0.5 ∶ 0.5。

通過上述對損失函數(shù)權(quán)重分布的調(diào)整，EfficientNet-YOLOv5s網(wǎng)絡(luò)的總損失函數(shù)計算公式：

GIoU引入最小外接框在一定程度上解決了檢測框和真實框沒有重疊時損失值為0的弊端，但是當(dāng)絕緣子檢測框和真實框出現(xiàn)完全重疊時，GIoU便退化成IoU，且兩個框在水平和垂直方向上收斂速度較慢，基于此問題，改進的網(wǎng)絡(luò)模型邊框回歸損失采用CIoU定義，相比于IoU，CIoU綜合計算了預(yù)測框和真實框之間的重合程度，以及中心點距離和長寬比相似度，邊框回歸損失函數(shù)的計算公式：

式中，x表示預(yù)測框，y表示真實框，IoU表示預(yù)測框和真實框的交并比，c是包含x和y最小邊框的對角線距離，d（x，y）表示預(yù)測框和真實框中心點的歐氏距離，通過歐式距離解決了預(yù)測框和真實框完全重疊或完全不相交時損失值為0的問題，如式（5），α是用于平衡比例的權(quán)重函數(shù)，如式（6），v用來衡量預(yù)測框和真實框?qū)捀弑壤嗨菩缘膮?shù)，w、h表示預(yù)測框的寬和高，w^gt、h^gt表示真實框的寬和高。

改進模型的置信度損失和分類損失通過交叉熵?fù)p失函數(shù)計算，計算公式：

式中，x_n為實際輸出值，y_n為目標(biāo)輸出值，n為目標(biāo)類別數(shù)，該部分的損失函數(shù)計算為對每個檢測目標(biāo)損失求和的平均值。

2.4 改進的非極大值抑制算法

原網(wǎng)絡(luò)的輸出預(yù)測模塊，通過非極大值抑制算法（Non-Maximum Supression，NMS）來篩選目標(biāo)框，NMS算法：

式中M為所有目標(biāo)候選框中得分最高的框，b_i為重疊的候選框，N_t為設(shè)定的閾值，S_i為候選框的得分。傳統(tǒng)的NMS算法檢測到兩個重疊目標(biāo)時會計算重疊目標(biāo)候選框的交并比，當(dāng)交并比大于設(shè)定的閾值時，即兩個目標(biāo)重疊區(qū)域較大時，會直接將部分遮擋的目標(biāo)候選框得分歸0而剔除掉，從而導(dǎo)致出現(xiàn)重疊目標(biāo)漏檢的情況，采用Soft-NMS算法解決了這個問題，方法是綜合比較候選框得分和重疊區(qū)域交并比的重要性，通過權(quán)重比較，得到新的候選框得分，再對候選框重新排列。Soft-NMS算法：

與原NMS算法相比，重疊候選框得分不會被直接置0后剔除，而是進行降分處理，相鄰的兩個檢測框仍然保留在目標(biāo)檢測的序列中，降低了重疊絕緣子漏檢的概率。

3 實驗過程及檢測結(jié)果

3.1 實驗評價指標(biāo)

實驗采用精確率（Precision，P）、召回率（Recall，R）、平均精度（Average Precision，AP）和平均精度均值mAP作為算法的性能指標(biāo)，計算公式：

TP表示被正確分類的正樣本，F(xiàn)P表示被錯誤分類的負(fù)樣本。FN表示被錯誤分類的正樣本。精確率P的具體含義為分類器認(rèn)為是正類并且確實是正類的部分占分類器認(rèn)為是正類的比例。召回率R的具體含義為分類器認(rèn)為是正類并且確實是正類的部分占所有確實是正類的比例。AP為P和R所圍成的曲線面積之和，反映模型檢測目標(biāo)的平均精度。mAP為所要分類的目標(biāo)的AP的平均值。

3.2 實驗過程及分析

網(wǎng)絡(luò)的超參數(shù)設(shè)置會影響到模型的檢測精度和速度，經(jīng)過多次重復(fù)實驗比較，選擇了一組最優(yōu)的模型訓(xùn)練參數(shù)，初始學(xué)習(xí)率為0.001，批大小（Batch size）設(shè)置為8，訓(xùn)練輪數(shù)（Epoch）設(shè)置為800輪，優(yōu)化器采用Adam，權(quán)重衰減設(shè)置為0.0005，輸入圖片分辨率為640×640。

通過800輪的訓(xùn)練，EfficientNet-YOLOv5s網(wǎng)絡(luò)自動生成可視化結(jié)果，將每一輪訓(xùn)練的損失值繪制成損失值曲線（圖6），橫坐標(biāo)表示訓(xùn)練迭代輪數(shù)，縱坐標(biāo)表示網(wǎng)絡(luò)模型損失值，其中黃色線表示邊框回歸損失，綠色線表示置信度損失，藍(lán)色線表示分類損失，黑色線表示總損失，從圖中可以看出，前200輪損失值下降較快，即模型的收斂速度較快，訓(xùn)練至600輪后，損失值趨于穩(wěn)定，最后總損失值為0.018，表明EfficientNet-YOLOv5網(wǎng)絡(luò)對絕緣子的預(yù)測值和真實值接近。

將訓(xùn)練完的模型生成的評價指標(biāo)數(shù)據(jù)繪制成評價指標(biāo)曲線（圖7），橫坐標(biāo)表示訓(xùn)練迭代輪數(shù)，縱坐標(biāo)表示網(wǎng)絡(luò)模型評價指標(biāo)，其中藍(lán)色曲線表示絕緣子訓(xùn)練的精確率，紅色曲線表示絕緣子訓(xùn)練的召回率，黃色曲線表示絕緣子訓(xùn)練的平均精度均值。

從圖7中可以看出模型在前200輪的訓(xùn)練數(shù)據(jù)波動較大，隨著迭代輪數(shù)的增加，數(shù)據(jù)指標(biāo)趨于穩(wěn)定，訓(xùn)練結(jié)束后改進的網(wǎng)絡(luò)的精確率為0.925，召回率為0.979，mAP為0.985。

從訓(xùn)練集檢測結(jié)果可以看出EfficientNet-YOLOv5s網(wǎng)絡(luò)能檢測出輸電網(wǎng)絕緣子不同類型及缺陷，為了進一步研究不同的改進點對網(wǎng)絡(luò)模型的影響，對改進模型做消融實驗，如表1是EfficientNet-YOLOv5s網(wǎng)絡(luò)消融實驗結(jié)果。

通過以上消融實驗可以看出，改進的算法相對于未改進的YOLOv5s的mAP值整體上提高了7.31%，召回率提高了14.86%，同時檢測速度每秒提升了23幀。

為了進一步對比改進的網(wǎng)絡(luò)模型與其它檢測網(wǎng)絡(luò)模型的區(qū)別，將同一數(shù)據(jù)集分別在不同網(wǎng)絡(luò)模型上做對比實驗，每組實驗均采用各自最優(yōu)的超參數(shù)和最高的訓(xùn)練權(quán)重。對照網(wǎng)絡(luò)有YOLOv4網(wǎng)絡(luò)、YOLOv5s網(wǎng)絡(luò)、Faster RCNN網(wǎng)絡(luò)，記錄每個模型測試集結(jié)果，主要對比網(wǎng)絡(luò)模型在每類絕緣子缺陷檢測上閾值為50%時的平均精度（AP₅₀）和所有類別的平均精度均值（mAP₅₀），檢測速度FPS值，詳細(xì)的測試結(jié)果見表2。

從測試結(jié)果可以看出，改進網(wǎng)絡(luò)EfficientNet-YOLOv5s對輸電網(wǎng)絕緣子缺陷檢測的mAP值相比于原YOLOv5s網(wǎng)絡(luò)提升了7.31%，雙階段檢測網(wǎng)絡(luò)Faster RCNN對于輸電網(wǎng)絕緣子缺陷檢測有一定的檢測效果，但是檢測速度較低，每秒檢測8張輸電網(wǎng)絕緣子圖像，檢測效率較低；通過對三類絕緣子平均精度對比，可見復(fù)合絕緣子精度相對于玻璃絕緣子和陶瓷絕緣子稍低，分析原因是復(fù)合絕緣子體積小于玻璃絕緣子和陶瓷絕緣子，同時玻璃絕緣子和陶瓷絕緣子分別為綠色和白色，與背景顏色反差較大，易于提取其特征。上述對比實驗生成的絕緣子缺陷檢測測試結(jié)果圖如圖8所示。

EfficientNet-YOLOv5s網(wǎng)絡(luò)對絕緣子及其缺陷檢測的置信度較高，均在0.9以上，對不同類型的絕緣子均能檢測出其缺陷，尤其是數(shù)據(jù)集中重疊絕緣子較多，改進的網(wǎng)絡(luò)也能檢測出遮擋目標(biāo)。

4 結(jié)論

絕緣子缺陷檢測是輸電線路巡檢的重要任務(wù)，針對目前無人機巡檢絕緣子存在檢測精度低、小目標(biāo)缺陷易漏檢、重疊目標(biāo)易被剔除的問題，提出一種EfficientNet-YOLOv5s網(wǎng)絡(luò)，用EfficientNet網(wǎng)絡(luò)替換YOLOv5s網(wǎng)絡(luò)的主干網(wǎng)絡(luò)，提高了神經(jīng)網(wǎng)絡(luò)對絕緣子缺陷特征的提取能力，同時結(jié)合改進的非極大值抑制算法和損失函數(shù)，提高了模型的檢測精度和檢測速度。實驗結(jié)果顯示，EfficientNet-YOLOv5s網(wǎng)絡(luò)對絕緣子缺陷檢測的mAP相比于原YOLOv5網(wǎng)絡(luò)整體上提高了7.31%，召回率整體提高了14.86%，降低了目標(biāo)漏檢率。表明EfficientNet-YOLOv5s網(wǎng)絡(luò)能滿足66～500 kV絕緣子的定位和缺陷的檢測要求，檢測的平均準(zhǔn)確率較高，檢測速度較快，為電力行業(yè)智能巡檢提供新方法。實驗中發(fā)現(xiàn)無人機拍攝的圖像中，還存在高壓電塔上鳥巢、防震錘脫落類型的缺陷，后續(xù)將會完成對這些缺陷的研究，以進一步提高網(wǎng)絡(luò)的泛化能力。

[ 參 考 文 獻 ]

[1] 金光. 基于紋理頻譜的電氣化鐵路絕緣子劣損狀態(tài)檢測[J]. 自動化與儀器儀表， 2021（06）： 22-25，30.

[2] 易繼禹， 陳慈發(fā)， 龔國強. 基于改進Faster RCNN的輸電線路航拍絕緣子檢測[J]. 計算機工程， 2021， 47（06）： 292-298，304.

[3] 唐波， 覃喬， 黃力. 基于色彩模型和紋理特征的輸電線路絕緣子串航拍圖像識別[J]. 電力科學(xué)與技術(shù)學(xué)報， 2020， 35（04）： 13-19.

[4] TAN P， LI X， XU J， et al. Catenary insulator defect detection based on contour features and gray similarity matching[J]. Journal of Zhejiang University-Science A（Applied Physics & Engineering）， 2020， 21（01）： 64-73.

[5] 虢韜， 楊恒， 時磊， 等. 基于Faster RCNN的絕緣子自爆缺陷識別[J]. 電瓷避雷器， 2019（03）： 183-189.

[6] 楊焰飛， 曹陽. 基于深度學(xué)習(xí)的無人機拍攝圖像絕緣子目標(biāo)檢測[J]. 激光雜志， 2020， 41 （10）：63-66.

[7] 張煥坤， 李軍毅， 張斌. 基于改進型YOLOv3的絕緣子異物檢測方法[J]. 中國電力， 2020， 53（02）： 49-55.

[8] 鄭偉， 楊曉輝， 呂中賓， 等. 基于改進YOLOv4輸電線關(guān)鍵部件實時檢測方法[J]. 科學(xué)技術(shù)與工程， 2021， 21（24）： 10 393-10 400.

[9] 朱秀紅. 基于深度卷積網(wǎng)絡(luò)的輸電線路變尺度多目標(biāo)檢測算法研究[D]. 武漢： 華中科技大學(xué)， 2019.

[10]劉悅， 黃新波. 基于YOLOv4和改進分水嶺算法的絕緣子爆裂檢測定位研究[J]. 電網(wǎng)與清潔能源， 2021， 37（07）： 51-57.

[11]TAO X， ZHANG D， WANG Z， et al. Detection of power line insulator defects using aerial images analyzed with convolutional neural networks[J]. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2018， 50（04）： 1486-1498.

[12]王年濤， 王淑青， 張鵬飛， 等. 一種EfficientNet網(wǎng)絡(luò)下霧天道路能見度估測方法[J].湖北工業(yè)大學(xué)學(xué)報， 2021， 36（05）： 42-46.

[13]李景琳， 姜晶菲， 竇勇， 等. 基于Soft-NMS的候選框去冗余加速器設(shè)計[J]. 計算機工程與科學(xué)， 2021， 43（04）： 586-593.

[14]HE K， ZHANG X， REN S， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE transactions on pattern analysis and machine intelligence， 2015， 37（09）： 1904-1916.

Insulator Defect Detection Based on EfficientNet-YOLOv5s Network

WANG Niantao，WANG Shuqing，TANG Lu，MA Dan

（School of Electrical and Electronic Engin. ， Hubei Univ. of Tech. ，Wuhan 430068， China）

Abstract：Aiming at the problem of low detection accuracy of small target of insulator defect in complex background at present， an EfficientNet-YOLOv5s neural network detection algorithm based on deep learning framework is proposed. Firstly， the images of various insulators in the transmission line are aerial taken by UAV， and the image data set is enriched by image enhancement technology. Then， the EfficientNet network is used to replace the YOLOv5s backbone network. The improved network is used to train and test the labeled insulator data set. Finally， the non-maximum suppression algorithm and loss function of the model are improved to further solve the problem of missing detection caused by overlapping insulator targets. The experimental results show that the mAP of the improved network reaches 98.5%， which meets the requirements of insulator defect detection in transmission lines.

Keywords：insulator; target detection; yolov5; efficientnet

[責(zé)任編校：張巖芳]