基于DMSANet-YOLOv7的霧霾下絕緣子缺陷實(shí)時(shí)檢測(cè)方法

摘 要：針對(duì)復(fù)雜環(huán)境與霧霾天氣下絕緣子缺陷過小，傳統(tǒng)目標(biāo)檢測(cè)算法難以識(shí)別造成誤檢、漏檢等情況，提出一種以ＹＯＬＯｖ７ 為基礎(chǔ)模型并改進(jìn)的缺陷檢測(cè)算法。在圖像預(yù)處理部分采用暗通道先驗(yàn)去霧算法，提高模型對(duì)特征的可分辨性與魯棒性；為提高模型特征提取能力和識(shí)別小目標(biāo)能力，在主干網(wǎng)絡(luò)結(jié)構(gòu)后端引入雙重多尺度注意力機(jī)制（Ｄｕａｌ ＭｕｌｔｉＳｃａｌｅ Ａｔｔｅｎｔｉｏｎ Ｎｅｔｗｏｒｋ，ＤＭＳＡＮｅｔ）；為減小模型尺寸，提高模型識(shí)別速度，采用基于ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ 改進(jìn)的Ｃ３ 模塊替代Ｅ-ＥＬＡＮ 模塊；在預(yù)測(cè)部分使用Ｗｉｓｅ-ＩＯＵ 損失函數(shù)，提高模型收斂效率。實(shí)驗(yàn)結(jié)果表明，ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法相較于原ＹＯＬＯｖ７ 算法平均準(zhǔn)確率、準(zhǔn)確率以及召回率分別提高６． ３％ 、７． ９％ 、１２． ３％ ，單張圖片檢測(cè)速度達(dá)到１２． ３ ｍｓ，參數(shù)量為３７． ７ Ｍ。在提高檢測(cè)精度的同時(shí)確保檢測(cè)速度和性能的平衡，能夠更好地搭載至無(wú)人機(jī)及其他平臺(tái)，滿足絕緣子及其缺陷的實(shí)時(shí)動(dòng)態(tài)檢測(cè)需求。

關(guān)鍵詞：絕緣子缺陷；目標(biāo)檢測(cè)；注意力機(jī)制；ＹＯＬＯｖ７；暗通道先驗(yàn)去霧算法

中圖分類號(hào)：ＴＭ２１６；ＴＰ３９１． ４ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１０６（２０２４）０６－１４３１－０９

０ 引言

絕緣子在高壓輸電網(wǎng)中發(fā)揮著至關(guān)重要的作用，由于所處環(huán)境較為惡劣，因此絕緣子時(shí)常出現(xiàn)破損、掉串、腐蝕和裂痕等缺陷［１］，給電網(wǎng)安全運(yùn)行帶來(lái)極大的不穩(wěn)定因素。作為輸電線網(wǎng)中的重要元器件，定期巡檢成為電網(wǎng)公司的首要任務(wù)。由于絕緣子所處復(fù)雜的自然環(huán)境，且近年霧霾天氣頻發(fā)，給線路巡檢帶來(lái)了極大困難，因此如何設(shè)計(jì)出一種滿足實(shí)時(shí)性、魯棒性的絕緣子缺陷檢測(cè)算法成為亟待解決的問題［２］。

在目標(biāo)檢測(cè)算法中深度學(xué)習(xí)是目前常見的前沿技術(shù)，其中包括一階段（ＯｎｅＳｔａｇｅ）目標(biāo)檢測(cè)算法和二階段（Ｔｗｏ-Ｓｔａｇｅ）目標(biāo)檢測(cè)算法，其主流算法有Ｓｉｎｇｌｅ Ｓｈｏｔ ＭｕｌｔｉＢｏｘ Ｄｅｔｅｃｔｏｒ （ＳＳＤ）算法、Ｙｏｕ ＯｎｌｙＬｏｏｋ Ｏｎｃｅ（ＹＯＬＯ）算法、Ｆａｓｔｅｒ Ｒ-ＣＮＮ 算法以及Ｒｅ-ｆｉｎｅＤｅｔ 算法［３］等。由于一階段目標(biāo)檢測(cè)算法相比二階段目標(biāo)檢測(cè)算法識(shí)別速度快，更適合應(yīng)用于實(shí)時(shí)檢測(cè)，因此成為現(xiàn)階段的研究熱點(diǎn)。

目前國(guó)內(nèi)外已有不少研究使用目標(biāo)檢測(cè)算法在絕緣子缺陷識(shí)別上取得不菲的成績(jī)。王道累等［４］提出一種基于ＹＯＬＯｖ５ 的輕量化檢測(cè)模型，對(duì)主干網(wǎng)絡(luò)中的殘差模塊進(jìn)行改進(jìn)并添加可分離卷積，設(shè)計(jì)ＤＣ-ＳＰＰ 模塊使網(wǎng)絡(luò)在不損失細(xì)節(jié)信息的情況下增大感受野，提高模型檢測(cè)性能。李斌等［５］提出一種基于多尺度的特征融合網(wǎng)絡(luò)，使用殘差注意力網(wǎng)絡(luò)獲取絕緣子不同分辨率的缺陷特征，并且使用Ｆｏｃａｌ 損失和高斯非極大抑制方法進(jìn)一步提升檢測(cè)效果。張國(guó)寶等［６］提出使用傳統(tǒng)的光線法智能定位裝置，由此開發(fā)絕緣子缺陷檢測(cè)的三維成像技術(shù)，此理論可以更好地將絕緣子全面覆蓋檢測(cè)。Ｚｈｅｎｇ 等［７］提出改進(jìn)的ＹＯＬＯｖ７ 模型，基于Ｋｍｅａｎｓ＋＋對(duì)絕緣子數(shù)據(jù)集目標(biāo)框進(jìn)行聚類，引入坐標(biāo)注意（ＣｏｏｒｄＡｔｔ）模塊和ＨｏｒＢｌｏｃｋ 模塊增強(qiáng)特征提取能力，利用ＳＩＯＵ 和焦點(diǎn)損失函數(shù)加速模型收斂，并改進(jìn)非最大抑制方法，提高檢測(cè)精度。上述研究模型雖然相較于原網(wǎng)絡(luò)模型的速度和精度有一定的提升，但是仍無(wú)法滿足現(xiàn)實(shí)需求，與要求存在一定的差距，且在霧霾天氣與環(huán)境復(fù)雜的條件下，檢測(cè)速度過慢精度較低，使得模型難以應(yīng)用于動(dòng)態(tài)實(shí)時(shí)檢測(cè)工作。

因此，針對(duì)復(fù)雜環(huán)境和霧霾天氣下絕緣子缺陷尺寸過小等問題造成檢測(cè)精度較低，無(wú)法滿足動(dòng)態(tài)實(shí)時(shí)檢測(cè)要求，采用較為新穎的ＹＯＬＯｖ７ 網(wǎng)絡(luò)為基礎(chǔ)模型，在頭部網(wǎng)絡(luò)引入基于自注意力機(jī)制的改進(jìn)Ｃ３ 模塊，并融合ＤＭＳＡＮｅｔ 注意力機(jī)制，使用Ｗｉｓｅ-ＩＯＵ 損失函數(shù)充分發(fā)揮非單調(diào)調(diào)焦機(jī)制的潛力，降低高質(zhì)量錨框的競(jìng)爭(zhēng)力，并掩蓋低質(zhì)量樣本的影響，提高絕緣子缺陷的檢測(cè)的效率。

１ ＹＯＬＯｖ７ 算法原理

ＹＯＬＯｖ７ 算法網(wǎng)絡(luò)結(jié)構(gòu)如圖１ 所示，此算法基于ＹＯＬＯｖ５ 算法，引入模型重新參數(shù)化思想，并增加深度監(jiān)督技術(shù)，改進(jìn)了動(dòng)態(tài)標(biāo)簽分配策略，提出了由粗到精的引導(dǎo)標(biāo)簽分配策略等［８］。其中，模型再參數(shù)化的作用是在訓(xùn)練過程中將整個(gè)模塊拆分為幾個(gè)相同或不同的模塊分支，在推理過程中將多個(gè)分支模塊整合為一個(gè)完全等價(jià)的模塊。模型再參數(shù)化的好處是可以獲得更好的特征表示，減少計(jì)算量和參數(shù)量，提高推理速度。

由于深層網(wǎng)絡(luò)可以更有效地學(xué)習(xí)和收斂，因此ＹＯＬＯｖ７ 引入ＥＬＡＮ 結(jié)構(gòu)并改進(jìn)為Ｅ-ＥＬＡＮ，可以通過控制最短和最長(zhǎng)梯度路徑，使網(wǎng)絡(luò)有效地學(xué)習(xí)到更多特征，并具有更強(qiáng)的魯棒性。Ｅ-ＥＬＡＮ 可以完全不改變?cè)屑軜?gòu)梯度傳輸路徑，利用群卷積增加特征基數(shù)，并以Ｓｈｕｆｆｌｅ 和Ｍｅｒｇｅ 基數(shù)的方式將不同組的特征組合起來(lái)。這種操作方式可以增強(qiáng)不同特征圖學(xué)習(xí)到的特征，以提高參數(shù)和計(jì)算的使用。

在結(jié)構(gòu)上，Ｅ-ＥＬＡＮ 只改變計(jì)算塊的體系結(jié)構(gòu)，而過渡層的體系結(jié)構(gòu)完全不變。此策略使用群卷積進(jìn)行擴(kuò)展計(jì)算塊的通道和基數(shù)，將計(jì)算層的所有計(jì)算塊使用相同的組參數(shù)和信道乘法器，緊接著每個(gè)計(jì)算塊計(jì)算出的特征圖按照設(shè)定的組參數(shù)進(jìn)行洗牌，再將其拼接在一起。此時(shí)，每組特征圖中的通道數(shù)將與原架構(gòu)中的通道數(shù)相同。Ｅ-ＥＬＡＮ 除保持原有的ＥＬＡＮ 設(shè)計(jì)架構(gòu)外，還可以引導(dǎo)不同組的計(jì)算塊學(xué)習(xí)更多樣化的特性，通過擴(kuò)展、洗牌、合并基數(shù)策略，在不破壞原有梯度路徑的前提下，不斷增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力。ＹＯＬＯｖ７ 與以往ＹＯＬＯ 結(jié)構(gòu)不同，其結(jié)構(gòu)中ＭＰ 層同時(shí)使用Ｍａｘｐｏｏｌｉｎｇ 和３×３ 卷積進(jìn)行下采樣，得到的輸出通過并聯(lián)進(jìn)行連接，這使得網(wǎng)絡(luò)能夠更好地提取特征［９］。

２ ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 的提出

２． １ 改進(jìn)Ｃ３ 模塊

在ＹＯＬＯｖ７ 中，ＥＬＡＮ 模塊用于從輸入特征映射中提取特征。然而，對(duì)于絕緣子缺陷的種類和大小存在巨大差異，不同種類缺陷之間也存在相似之處，并且絕緣子材質(zhì)的不同以及光照影響，在拍攝過程中所得到的圖像也會(huì)有所變化，因此ＥＬＡＮ 模塊不能更好地提取有效特征。同時(shí)ＥＬＡＮ 模塊包含更多卷積模塊和殘差連接，使得計(jì)算量增大，降低了推理速度。

基于上述原因，將ＹＯＬＯｖ５ 中的Ｃ３ 模塊如圖２所示，改進(jìn)的Ｃ３Ｃ２ 模塊［１０］如圖３ 所示。Ｃ３Ｃ２ 模塊的設(shè)計(jì)靈感來(lái)源于ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ 的網(wǎng)絡(luò)結(jié)構(gòu)。它在原有Ｃ３ 模塊的基礎(chǔ)上，將殘差分支卷積模塊改為簡(jiǎn)單的卷積結(jié)構(gòu)，并去除歸一化層和激活函數(shù)層，以減少參數(shù)計(jì)算量。鑒于Ｍｉｓｈ 激活函數(shù)比ＳｉＬＵ 激活函數(shù)具有更好的抑制過擬合的能力，因此Ｍｉｓｈ 激活函數(shù)對(duì)不同的超參數(shù)具有更強(qiáng)的魯棒性。鑒于以上優(yōu)點(diǎn)，將最終卷積模塊中的激活函數(shù)由原來(lái)的ＳｉＬＵ 激活函數(shù)改為Ｍｉｓｈ 激活函數(shù)，并在最后的并聯(lián)操作后輸入卷積模塊，增強(qiáng)了網(wǎng)絡(luò)的非線性變化。

２． ２ ＤＭＳＡＮｅｔ 注意力機(jī)制

在目標(biāo)檢測(cè)模型中引入注意力機(jī)制，可以避免模型計(jì)算能力向無(wú)價(jià)值的部分進(jìn)行偏移，選擇性地加強(qiáng)重要特征并抑制無(wú)用特征，降低圖像干擾信息的影響，從而提高檢測(cè)效果。

現(xiàn)有注意力機(jī)制難以做到對(duì)性能和模型復(fù)雜度之間的良好平衡，在兼顧通道和空間注意機(jī)制的同時(shí)帶來(lái)額外的計(jì)算負(fù)擔(dān)。因此引入雙重多尺度注意力機(jī)制（Ｄｕａｌ Ｍｕｌｔｉ Ｓｃａｌｅ Ａｔｔｅｎｔｉｏｎ Ｎｅｔｗｏｒｋ，ＤＭＳＡ-Ｎｅｔ）［１１］，其結(jié)構(gòu)如圖４ 所示，由兩部分組成：① 提取不同尺度的特征并對(duì)其進(jìn)行聚合；② 使用空間與通道注意力模塊對(duì)局部特征與全局依賴項(xiàng)進(jìn)行自適應(yīng)整合。

第一部分借鑒ＳＫｎｅｔ［１２］與Ｓａ-Ｎｅｔ［１３］的觀點(diǎn)，將輸入特征映射Ｘ 與通道尺寸分為Ｎ 部分，對(duì)于每個(gè)分裂部分，網(wǎng)絡(luò)具有Ｃ０ ＝ ＣＳ 的共同頻道，并且第ｉ 個(gè)特征映射是Ｘｉ ∈RＣ０×Ｈ×Ｗ ，各個(gè)特征在傳遞到２ 個(gè)不同的分支之前進(jìn)行融合。

第二部分由空間和通道注意力模塊組成，用于語(yǔ)義分割。通道注意模塊用于選擇性地加權(quán)每個(gè)通道的重要性，從而產(chǎn)生最佳的輸出特征，此方法可以有效降低參數(shù)量。網(wǎng)絡(luò)首先建立一個(gè)空間注意矩陣，此矩陣對(duì)特征圖像的任意２ 個(gè)像素之間的空間關(guān)系進(jìn)行建模；其次對(duì)注意矩陣與原始特征矩陣之間進(jìn)行矩陣乘法；最后對(duì)得到的矩陣和原始特征進(jìn)行逐元素求和運(yùn)算。

在網(wǎng)絡(luò)的最后一部分中，所有子功能都被聚合，使用“通道洗牌”運(yùn)算符來(lái)啟用沿通道維度的跨組信息流。模塊最終輸出與輸入的輸出大小相同，使注意力模塊與其他網(wǎng)絡(luò)較為容易的集成。

通過式（１）定義的拼接方式，可以得到整個(gè)多尺度預(yù)處理特征圖：

Ｆ ＝ Ｃｏｎｃａｔ（［Ｅ１ｊ，Ｅ２ｊ］）， （１）

式中：Ｆ∈CＣ×Ｈ×Ｗ 為得到的多尺度特征圖，Ｅ１ｊ、Ｅ２ｊ 為通道注意力機(jī)制與空間注意力機(jī)制輸出結(jié)果。ＤＭ-ＳＡＮｅｔ 注意力機(jī)制在特征描述符的引導(dǎo)下，跨通道自適應(yīng)選擇不同的空間尺度。該操作定義如下：

最后，將重新校準(zhǔn)的多尺度通道注意力權(quán)重ａｔｔｉ 與相應(yīng)尺度Ｆｉ 的特征圖相乘：

Ｙｉ ＝ Ｆｉ ⊙ａｔｔｉ， （３）

式中：ｉ ＝ １，２，３，…，Ｓ－１，⊙表示相乘。

ＤＭＳＡＮｅｔ 注意力機(jī)制與大多數(shù)現(xiàn)有模型相比，不僅達(dá)到了最佳性能，而且參數(shù)更少，由于其輕量級(jí)的特性，ＤＭＳＡＮｅｔ 注意力機(jī)制可以很容易地與其他卷積神經(jīng)網(wǎng)絡(luò)集成。

２． ３ Ｗｉｓｅ-ＩＯＵ 損失函數(shù)

邊界框回歸（ＢｏｕｎｄｉｎｇＢｏｘ Ｒｅｇｒｅｓｓｉｏｎ，ＢＢＲ）損失函數(shù)是目標(biāo)檢測(cè)的一大關(guān)鍵，對(duì)目標(biāo)檢測(cè)至關(guān)重要，檢測(cè)性能很大程度上依賴于損失函數(shù)的設(shè)計(jì)，而邊界框損失函數(shù)作為其重要組成部分，其準(zhǔn)確定義可以使檢測(cè)網(wǎng)絡(luò)擁有顯著的性能提升。因此選擇較為合適的損失函數(shù)成為目標(biāo)檢測(cè)的首要任務(wù)。

Ｗｉｓｅ-ＩＯＵ 損失函數(shù)［１４］是一種動(dòng)態(tài)非單調(diào)調(diào)頻損耗，可以降低高質(zhì)量錨框的競(jìng)爭(zhēng)力，同時(shí)減少低質(zhì)量樣本產(chǎn)生的有害梯度，使Ｗｉｓｅ-ＩＯＵ 損失函數(shù)可以更好地提高網(wǎng)絡(luò)的檢測(cè)性能。當(dāng)Ｗｉｓｅ-ＩＯＵ 損失函數(shù)應(yīng)用于ＹＯＬＯｖ７ 模型中，ＭＳ-ＣＯＣＯ 數(shù)據(jù)集中ＡＰ７５提高２． ７７％ ，因此本文選擇Ｗｉｓｅ-ＩＯＵ 損失函數(shù)作為ＢＢＲ 損失函數(shù)，如圖５ 所示。

ＩＯＵ 損失定義為：

式中：Ｂ 為預(yù)測(cè)邊界框，Ｂｇｔ 為真實(shí)邊界框。

由于訓(xùn)練數(shù)據(jù)中包含低質(zhì)量樣本，距離和縱橫比等幾何因素會(huì)加重對(duì)低質(zhì)量樣本的懲罰，從而降低模型泛化性能。當(dāng)錨框與檢測(cè)框吻合良好時(shí)，良好的損失函數(shù)應(yīng)能減弱幾何因素的懲罰，而較少的訓(xùn)練干預(yù)將使模型獲得更好的泛化能力。RＷｉｓｅ-ＩＯＵ ∈［１，ｅ），將顯著放大一般質(zhì)量錨框的LＩＯＵ 。LＩＯＵ ∈［０，１］將顯著降低高質(zhì)量錨框的Ｗｉｓｅ-ＩＯＵ ，并在錨框與目標(biāo)錨框重合時(shí)，其關(guān)注中心點(diǎn)之間的距離。因此得到Ｗｉｓｅ-ＩＯＵ 損失函數(shù)的距離損失公式：

式中：Ｗｇ、Ｈｇ 為最小封閉框大小，ｘ、ｙ 為預(yù)測(cè)框中心點(diǎn)坐標(biāo)，ｘｇｔ、ｙｇｔ 為真實(shí)框中心點(diǎn)坐標(biāo)。為了防止RＷｉｓｅ-ＩＯＵ 產(chǎn)生阻礙收斂的梯度，Ｗｇ、Ｈｇ 從計(jì)算圖中分離出來(lái)（上標(biāo)*表示此操作）。

非單調(diào)聚焦系數(shù)ｒ 定義為：

式中：β 為離群度，表征回歸框的質(zhì)量； LＩＯＵ 為動(dòng)量為ｍ 的滑動(dòng)平均值，其動(dòng)態(tài)更新使整體β 保持較高水平，可以有效解決訓(xùn)練后期收斂速度較慢的問題；α、δ 為超參數(shù)，當(dāng)回歸框的離群度滿足β ＝ Ｃ（Ｃ 為預(yù)設(shè)值）時(shí)，回歸框可以獲得最高的梯度增益。同時(shí)由于LＩＯＵ 是動(dòng)態(tài)更新的，回歸框的質(zhì)量劃分標(biāo)準(zhǔn)也是動(dòng)態(tài)調(diào)整的，使得Ｗｉｓｅ-ＩＯＵ 可以在訓(xùn)練中隨時(shí)做出最符合當(dāng)前狀況的梯度增益分配策略。

綜上所述，Ｗｉｓｅ-ＩＯＵ 損失定義為：

LＷＩＯＵ ＝ ｒ· RＷｉｓｅ-ＩＯＵL ＩＯＵ 。（８）

２． ４ 去霧算法

由于霧霾天氣的影響使得絕緣子缺陷檢測(cè)更為困難，因此本文算法采用暗通道先驗(yàn)（Ｄａｒｋ ＣｈａｎｎｅｌＰｒｉｏｒ）去霧算法［１５］在圖像輸入網(wǎng)絡(luò)之前進(jìn)行圖像預(yù)處理。去霧效果對(duì)比如圖６ 所示，由于在圖像中至少存在一個(gè)顏色通道且亮度值極低，因此結(jié)合霧成像模型與軟摳圖插值方法進(jìn)行去霧處理，式（９）為暗通道先驗(yàn)：

式中：Ｊｄａｒｋ（ｘ）為暗通道趨于０，Ｊｃ（ｙ）為Ｊ 的顏色通道，Ω（ｘ）為以ｘ 為中心的局部區(qū)域。

由于透光量較少，直接恢復(fù)場(chǎng)景亮度容易產(chǎn)生噪點(diǎn)，因此設(shè)定傳輸ｔ（ｘ）限制在一個(gè)下限ｔ０ ，因而在霧霾嚴(yán)重的地方保留了少量的霧霾。

經(jīng)過公式推演，去霧算法如式（１０）所示：

式中：Ｊ（ｘ）為無(wú)霧圖像，Ｉ（ｘ）為有霧圖像，Ａ 為全球大氣光值，ｔ（ｘ）為透射率。

經(jīng)過以上改進(jìn)得到ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 模型如圖７ 所示。圖片在預(yù)處理階段進(jìn)行去霧操作以提高模型的識(shí)別能力與魯棒性，進(jìn)一步增強(qiáng)ＹＯＬＯｖ７ 網(wǎng)絡(luò)結(jié)構(gòu)的特征提取和融合能力［１６］，提高推理速度，使得網(wǎng)絡(luò)更適合應(yīng)用于絕緣子及絕緣子缺陷動(dòng)態(tài)實(shí)時(shí)檢測(cè)。

３ 實(shí)驗(yàn)結(jié)果及數(shù)據(jù)分析

３． １ 數(shù)據(jù)集處理

本實(shí)驗(yàn)使用網(wǎng)絡(luò)開源數(shù)據(jù)集與自采數(shù)據(jù)集，共計(jì)１ ０２２ 張。由于圖片數(shù)量較少，在進(jìn)行試驗(yàn)時(shí)容易因數(shù)據(jù)不足造成模型泛化能力差，導(dǎo)致過擬合現(xiàn)象出現(xiàn)，從而影響實(shí)驗(yàn)結(jié)果。因此通過亮度增強(qiáng)、水平翻轉(zhuǎn)、隨機(jī)角度、馬賽克和灰度圖等方法進(jìn)行數(shù)據(jù)擴(kuò)充并使用算法將正常圖片霧化處理。圖像增強(qiáng)實(shí)例如圖８ 所示。

經(jīng)過數(shù)據(jù)增強(qiáng)最終得到８ １７６ 張絕緣子圖片，數(shù)據(jù)集規(guī)模不僅成倍擴(kuò)充，還提高了網(wǎng)絡(luò)模型的泛化能力。本文將數(shù)據(jù)集按照８ ∶ １ ∶ １ 的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，訓(xùn)練集與驗(yàn)證集將用于網(wǎng)絡(luò)模型的訓(xùn)練，而測(cè)試集則用于檢驗(yàn)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率。

３． ２ 模型評(píng)估

本實(shí)驗(yàn)使用的模型評(píng)估指標(biāo)分別為ＦＰＳ、準(zhǔn)確率（Ｐｒｅｃｉｓｉｏｎ，Ｐ）、召回率（Ｒｅｃａｌｌ，Ｒ）和平均準(zhǔn)確率（ｍｅａｎ Ａｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ，ｍＡＰ）作為評(píng)估指標(biāo)進(jìn)行網(wǎng)絡(luò)模型的性能評(píng)估。相關(guān)評(píng)估指標(biāo)計(jì)算如下：

式中：Ｆｒａｍｅｕｍ 表示檢測(cè)圖片總數(shù)，ＥｌａｐｓｅｄＴｉｍｅ 表示檢測(cè)所花費(fèi)的總時(shí)間，ＴＰ 表示正樣本正確識(shí)別為正類的數(shù)量，ＦＰ 表示負(fù)樣本錯(cuò)誤識(shí)別為正類的數(shù)量，ＦＮ 表示正樣本錯(cuò)誤識(shí)別為負(fù)類的數(shù)量，Ｎ 表示數(shù)據(jù)集中樣本類別數(shù)量。

３． ３ 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)采用的操作系統(tǒng)為Ｌｉｎｕｘ Ｕｂｕｎｔｕ 發(fā)行版，ＣＰＵ 型號(hào)為１５ 核心Ｉｎｔｅｌ（Ｒ）Ｘｅｏｎ（Ｒ）Ｐｌａｔｉｎｕｍ８３７５Ｃ，內(nèi)存為８０ ＧＢ，ＧＰＵ 選擇ＮＶＩＤＩＡ ＧｅｆｏｒｃｅＲＴＸ ４０８０，顯存為２４ ＧＢ。環(huán)境配置為Ｃｕｄａ １１． ０，對(duì)應(yīng)的深度學(xué)習(xí)框架為ＰｙＴｏｒｃｈ １． ７． ０，編程語(yǔ)言環(huán)境為Ｐｙｔｈｏｎ ３． ８． ０。

３． ４ 模型主干網(wǎng)絡(luò)實(shí)驗(yàn)

模型主干網(wǎng)絡(luò)實(shí)驗(yàn)數(shù)據(jù)對(duì)比如表１ 所示，在引入Ｗｉｓｅ-ＩＯＵ 損失函數(shù)后平均準(zhǔn)確率、準(zhǔn)確率和召回率相比原ＹＯＬＯｖ７ 網(wǎng)絡(luò)分別提高２． ７％ 、２． ２％ 、７． ８％ ，從數(shù)據(jù)可以體現(xiàn)出Ｗｉｓｅ-ＩＯＵ 損失函數(shù)可以更好地將預(yù)測(cè)框貼合真實(shí)框，降低高質(zhì)量錨框的競(jìng)爭(zhēng)力，并掩蓋低質(zhì)量樣本的影響，從而達(dá)到快速準(zhǔn)確地預(yù)測(cè)目標(biāo)。

使用改進(jìn)的Ｃ３Ｃ２ 模塊更換原ＥＥＬＡＮ 模塊后平均精度、準(zhǔn)確率和召回率分別提高４． １％ 、３． １％ 、１０． ９％ ，這證明Ｃ３Ｃ２ 模塊可以充分探索鄰近的上下文信息，以一種高效的方式提升自注意力的學(xué)習(xí)，從而提高輸出特征的表達(dá)能力，提高網(wǎng)絡(luò)檢測(cè)精度使其更好地應(yīng)用于小型無(wú)人機(jī)進(jìn)行動(dòng)態(tài)實(shí)時(shí)檢測(cè)，極大方便電力工人的巡檢工作。

３． ５ 注意力機(jī)制實(shí)驗(yàn)

為驗(yàn)證本文所提出的引入ＤＭＳＡＮｅｔ 注意力機(jī)制相較其他注意力機(jī)制的優(yōu)勢(shì)設(shè)計(jì)此實(shí)驗(yàn)。不同的注意力機(jī)制對(duì)比實(shí)驗(yàn)數(shù)據(jù)如表２ 所示，在主干網(wǎng)絡(luò)后引入其他２ 種較為常見的注意力機(jī)制進(jìn)行對(duì)比，分別為ＣＢＡＭ［１７］、ＧＡＭ［１８］。

不同注意力機(jī)制熱力圖如圖９ 所示，對(duì)比熱力圖可以發(fā)現(xiàn)，ＤＭＳＡＮｅｔ 注意力機(jī)制對(duì)于絕緣子及絕緣子缺陷的關(guān)注度更高，發(fā)散程度更低。從可視化角度說明，ＤＭＳＡＮｅｔ 注意力機(jī)制相較于其他注意力機(jī)制更為優(yōu)越，對(duì)于絕緣子缺陷檢測(cè)效果更好，可以有效地提高網(wǎng)絡(luò)模型對(duì)目標(biāo)的關(guān)注度，降低了復(fù)雜背景對(duì)絕緣子及其缺陷的檢測(cè)的影響，更好地提升了模型性能。

由表２ 中數(shù)據(jù)與熱力圖可得出結(jié)論，對(duì)于絕緣子及其缺陷在引入注意力機(jī)制后，檢測(cè)效果顯著提高，而ＤＭＳＡＮｅｔ 注意力機(jī)制相較于其他注意力機(jī)制提升效果最大，與原網(wǎng)絡(luò)相比ｍＡＰ 提升６． ３％ ，單張圖片檢測(cè)時(shí)間可達(dá)１２． ３ ｍｓ，雖相較于原網(wǎng)絡(luò)速度有所下降，但大幅提高了精度，可以更好地應(yīng)用于絕緣子缺陷實(shí)時(shí)檢測(cè)之中。

３． ６ 模型對(duì)比試驗(yàn)

為進(jìn)一步驗(yàn)證本文所提算法的優(yōu)越性，設(shè)計(jì)各類模型對(duì)照試驗(yàn)，其中選取二階段算法Ｆａｓｔｅｒ Ｒ-ＣＮＮ 與一階段算法ＳＳＤ、ＹＯＬＯｖ４、ＹＯＬＯｖ５、ＹＯＬＯｖ７ 與改進(jìn)算法進(jìn)行比較，結(jié)果如表３ 所示。改進(jìn)算法在檢測(cè)精度與檢測(cè)速度上具有較大優(yōu)勢(shì)，相較于其他５ 類算法模型全部達(dá)到了最先進(jìn)的結(jié)果，ｍＡＰ 分別提高３９． ９％ 、４５． １％ 、６． ５％ 、４． ５％ 、６． ２％ ，且檢測(cè)速度相較于其他網(wǎng)絡(luò)表現(xiàn)更為優(yōu)異，ＦＰＳ 達(dá)到８１，因此本文所提出的算法可以更好地保證動(dòng)態(tài)實(shí)時(shí)檢測(cè)的效果，更加準(zhǔn)確便捷地對(duì)絕緣子缺陷進(jìn)行檢測(cè)。

３． ７ 消融實(shí)驗(yàn)

為驗(yàn)證ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法的各項(xiàng)改進(jìn)對(duì)絕緣子及其缺陷檢測(cè)的影響，進(jìn)行消融實(shí)驗(yàn)，對(duì)各個(gè)改進(jìn)點(diǎn)進(jìn)行評(píng)估，評(píng)估結(jié)果如表４ 所示。

表４ 第一行為原網(wǎng)絡(luò)檢測(cè)結(jié)果。通過表４ 可以看出，引入Ｗｉｓｅ-ＩＯＵ 損失函數(shù)，ｍＡＰ 與原網(wǎng)絡(luò)相比提高１． ７％ ，準(zhǔn)確率與召回率分別提高３． ８％ 、８． ７％ ，不僅提高了模型預(yù)測(cè)精度，而且預(yù)測(cè)框更加的符合真實(shí)框；將Ｃ３Ｃ２ 模塊引入主干網(wǎng)絡(luò)后，ｍＡＰ提高５． １３％ ，準(zhǔn)確率與召回率分別提高４． ９％ 、６． １％ ，證明Ｃ３Ｃ２ 模塊對(duì)網(wǎng)絡(luò)主干起到正向作用，使檢測(cè)精度進(jìn)一步提高；而在主干網(wǎng)絡(luò)之后加入ＤＭＳＡＮｅｔ 注意力機(jī)制ｍＡＰ、準(zhǔn)確率與召回率進(jìn)一步提高４． ７％ 、６． １％ 、１０． ６％ ，證明ＤＭＳＡＮｅｔ 注意力機(jī)制可以更好地關(guān)注絕緣子及其缺陷目標(biāo)，達(dá)到更好的檢測(cè)效果；采用Ｋｍｅａｎｓ 聚類算法后提高了定位精度，使訓(xùn)練更加穩(wěn)定，在不影響檢測(cè)速度的情況下ｍＡＰ、準(zhǔn)確率以及召回率分別提高６． ３％ 、７． ９％ 、１２． ３％ 。消融實(shí)驗(yàn)結(jié)果表明Ｗｉｓｅ-ＩＯＵ 損失函數(shù)、Ｃ３Ｃ２ 模塊、ＤＭＳＡＮｅｔ 注意力機(jī)制以及Ｋ-ｍｅａｎｓ 聚類算法對(duì)原網(wǎng)絡(luò)檢測(cè)精度均有正面影響。

圖１０ 為ＹＯＬＯｖ７ 算法與本文改進(jìn)算法在霧霾天氣下與背景較為復(fù)雜的環(huán)境下對(duì)目標(biāo)的檢測(cè)效果圖，ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法基于ＹＯＬＯｖ７模型并加以改進(jìn)，對(duì)霧霾天氣下絕緣子及其缺陷的檢測(cè)效果相比原ＹＯＬＯｖ７ 算法具有顯著的提高。

圖中數(shù)據(jù)結(jié)果表明，改進(jìn)后的算法對(duì)霧霾天氣與復(fù)雜背景下的檢測(cè)效果有了明顯提升，本文所提算法，顯著提高了模型的特征提取能力，使算法可以快速準(zhǔn)確地檢測(cè)出目標(biāo)，有效地減少了誤檢、漏檢現(xiàn)象的出現(xiàn)，證明此算法在背景復(fù)雜與霧霾天氣條件下仍然能夠取得顯著的檢測(cè)效果。

由于單張圖片檢測(cè)時(shí)間可達(dá)１２． ３ ｍｓ，因此ＤＭＳＡＮｅｔＹＯＬＯｖ７ 算法可以更好地應(yīng)用于實(shí)時(shí)檢測(cè)中，基于ＹＯＬＯ 算法的特性，此算法搭載至無(wú)人機(jī)進(jìn)行航拍檢測(cè)，可在不斷電的情況下進(jìn)行缺陷檢測(cè)，極大地保證了生產(chǎn)生活安全，對(duì)實(shí)時(shí)檢測(cè)具有極大的現(xiàn)實(shí)意義。

４ 結(jié)論

針對(duì)復(fù)雜背景及霧霾天氣下絕緣子缺陷檢測(cè)精度較低，未達(dá)到動(dòng)態(tài)實(shí)時(shí)檢測(cè)的要求，提出基于ＹＯＬＯｖ７ 的改進(jìn)網(wǎng)絡(luò)模型，主要結(jié)論如下：

① 改進(jìn)主干網(wǎng)絡(luò)模塊Ｃ３ 模塊增加含有Ｍｉｓｈ激活函數(shù)的卷積，并替換Ｅ-ＥＬＡＮ 模塊，進(jìn)一步提高視覺表達(dá)能力，從而有效地促進(jìn)自注意學(xué)習(xí)增強(qiáng)輸出聚合特征圖的表達(dá)能力。

② 針對(duì)絕緣子及其缺陷的特點(diǎn)，引入ＤＭＳＡＮｅｔ注意力機(jī)制，使模型提高絕緣子缺點(diǎn)的關(guān)注度，提高目標(biāo)檢測(cè)的精度，并將預(yù)測(cè)框回歸損失函數(shù)更換為Ｗｉｓｅ-ＩＯＵ 損失函數(shù)，使非單調(diào)調(diào)頻的潛力得到充分發(fā)揮，從而提高模型的預(yù)測(cè)精度，使改進(jìn)后的網(wǎng)絡(luò)更適合實(shí)時(shí)檢測(cè)。

③ 在同一實(shí)驗(yàn)條件下，對(duì)ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法與其他深度學(xué)習(xí)算法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果顯示ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法雖然失去了一部分檢測(cè)速度，但在檢測(cè)精度與性能方面取得了更好的平衡，進(jìn)一步提高巡檢自動(dòng)化程度和效率。

④ 由于在巡檢過程中會(huì)遇到大風(fēng)天氣使得拍攝器材抖動(dòng)鏡頭無(wú)法對(duì)焦，造成圖像模糊，鑒于此類弱點(diǎn)及局限性，可以在圖像預(yù)處理階段使用深度學(xué)習(xí)的方法進(jìn)行圖像去噪，以提高圖像的清晰度。

參考文獻(xiàn)

［１］ 陳奎，劉曉，賈立嬌，等． 基于輕量化網(wǎng)絡(luò)與增強(qiáng)多尺度特征融合的絕緣子缺陷檢測(cè)［Ｊ／ ＯＬ］． 高電壓技術(shù)：１－１４［２０２３ － ０５ － １７ ］． ｈｔｔｐｓ：∥ ｄｏｉ． ｏｒｇ ／ １０． １３３３６ ／ ｊ． １００３ －６５２０． ｈｖｅ． ２０２２１６５２．

［２］ 茍軍年，杜愫愫，劉力． 基于改進(jìn)掩膜區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的輸電線路絕緣子自爆檢測(cè)［Ｊ］． 電工技術(shù)學(xué)報(bào)，２０２３，３８（１）：４７－５９．

［３］ ＺＨＡＮＧ Ｓ Ｆ，ＷＥＮ Ｌ Ｙ，ＢＩＡＮ Ｘ，ｅｔ ａｌ． Ｓｉｎｇｌｅｓｈｏｔ Ｒｅｆｉｎｅｍｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ［Ｃ］∥２０１８ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓａｌｔ Ｌａｋｅ Ｃｉｔｙ：ＩＥＥＥ，２０１８：４２０３－４２１２．

［４］ 王道累，張世恒，袁斌霞，等． 基于改進(jìn)ＹＯＬＯｖ５ 的輕量化玻璃絕緣子自爆缺陷檢測(cè)研究［Ｊ］． 高電壓技術(shù)，２０２３，４９（１０）：４３８２－４３９０．

［５］ 李斌，屈璐瑤，朱新山，等． 基于多尺度特征融合的絕緣子缺陷檢測(cè)［Ｊ］． 電工技術(shù)學(xué)報(bào)，２０２３，３８（１）：６０－７０．

［６］ 張國(guó)寶，楊為，趙恒陽(yáng)，等． 基于Ｘ 射線三維成像技術(shù)的在役ＧＩＳ 盆式絕緣子缺陷檢測(cè)［Ｊ］． 高壓電器，２０２２，５８（１０）：２３０－２３６．

［７］ ＺＨＥＮＧ Ｊ Ｆ，ＷＵ Ｈ，ＺＨＡＮＧ Ｈ，ｅｔ ａｌ． Ｉｎｓｕｌａｔｏｒｄｅｆｅｃｔ Ｄｅｔｅｃｔｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｉｍｐｒｏｖｅｄ ＹＯＬＯｖ７ ［Ｊ］． Ｓｅｎｓｏｒｓ，２０２２，２２（２２）：８８０１．

［８］ 倪昌雙，李林，羅文婷，等． 改進(jìn)ＹＯＬＯｖ７ 的瀝青路面病害檢測(cè)［Ｊ ］． 計(jì)算機(jī)工程與應(yīng)用，２０２３，５９ （１３ ）：３０５－３１６．

［９］ 宋智偉，黃新波，紀(jì)超，等． 基于Ｆｌｅｘｉｂｌｅ ＹＯＬＯｖ７ 的輸電線路絕緣子缺陷檢測(cè)和故障預(yù)警方法［Ｊ］． 高電壓技術(shù)，２０２３，４９（１２）：５０８４－５０９４．

［１０］ ＷＡＮＧ Ｒ Ｊ，ＬＩＡＮＧ Ｆ Ｌ，ＭＯＵ Ｘ Ｗ，ｅｔ ａｌ． Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆａｎ Ｉｍｐｒｏｖｅｄ ＹＯＬＯｖ７ｂａｓｅｄ Ｍｏｄｅｌ ｆｏｒ Ｄｅｔｅｃｔｉｎｇ Ｄｅｆｅｃｔｓｏｎ Ｓｔｒｉｐ Ｓｔｅｅｌ Ｓｕｒｆａｃｅｓ［Ｊ］． Ｃｏａｔｉｎｇｓ，２０２３，１３（３）：５３６．

［１１］ ＳＡＧＡＲ Ａ． ＤＭＳＡＮｅｔ：Ｄｕａｌ Ｍｕｌｔｉ Ｓｃａｌｅ Ａｔｔｅｎｔｉｏｎ Ｎｅｔｗｏｒｋ［Ｃ ］∥ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ ａｎｄ ＰｒｏｃｅｓｓｉｎｇＩＣＩＡＰ ２０２２．Ｌｅｃｃｅ：Ｓｐｒｉｎｇｅｒ，２０２２：６３３－６４５．

［１２］ ＬＩ Ｘ，ＷＡＮＧ Ｗ Ｈ，ＨＵ Ｘ Ｌ，ｅｔ ａｌ． Ｓｅｌｅｃｔｉｖｅ Ｋｅｒｎｅｌ Ｎｅｔｗｏｒｋｓ［Ｃ］∥ ２０１９ ＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｌｏｎｇ Ｂｅａｃｈ：ＩＥＥＥ，２０１９：５１０－５１９．

［１３］ ＺＨＡＮＧ Ｑ Ｌ，ＹＡＮＧ Ｙ Ｂ． ＳａＮｅｔ：Ｓｈｕｆｆｌｅ Ａｔｔｅｎｔｉｏｎ ｆｏｒＤｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ［Ｃ ］∥ ＩＣＡＳＳＰ２０２１－２０２１ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ （ＩＣＡＳＳＰ）． Ｔｏｒｏｎｔｏ：ＩＥＥＥ，２０２１：２２３５－２２３９．

［１４］ ＴＯＮＧ Ｚ Ｊ，ＣＨＥＮ Ｙ Ｈ，ＸＵ Ｚ Ｗ，ｅｔ ａｌ． ＷｉｓｅＩｏＵ：Ｂｏｕｎｄｉｎｇ Ｂｏｘ Ｒｅｇｒｅｓｓｉｏｎ Ｌｏｓｓ ｗｉｔｈ Ｄｙｎａｍｉｃ ＦｏｃｕｓｉｎｇＭｅｃｈａｎｉｓｍ［ＥＢ ／ ＯＬ］． （２０２３ －０１ －２４）［２０２３ －０５ －１７］．ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２３０１． １００５１．

［１５］ ＨＥ Ｋ Ｍ，ＳＵＮ Ｊ，ＴＡＮＧ Ｘ Ｏ． Ｓｉｎｇｌｅ Ｉｍａｇｅ Ｈａｚｅ ＲｅｍｏｖａｌＵｓｉｎｇ Ｄａｒｋ Ｃｈａｎｎｅｌ Ｐｒｉｏｒ［Ｃ］∥２００９ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＣｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｍｉａｍｉ：ＩＥＥＥ，２０１０：２３４１－２３５３．

［１６］ 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．

［１７］ ＷＯＯ Ｓ，ＰＡＲＫ Ｊ，ＬＥＥ Ｊ Ｙ，ｅｔ ａｌ． ＣＢＡＭ：ＣｏｎｖｏｌｕｔｉｏｎａｌＢｌｏｃｋ Ａｔｔｅｎｔｉｏｎ Ｍｏｄｕｌｅ ［Ｃ］∥ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＣｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ （ＥＣＣＶ）． Ｍｕｎｉｃｈ：Ｓｐｒｉｎｇｅｒ，２０１８：３－１９．

［１８］ ＬＩＵ Ｙ Ｃ，ＳＨＡＯ Ｚ Ｒ，ＨＯＦＦＭＡＮＮ Ｎ． Ｇｌｏｂａｌ ＡｔｔｅｎｔｉｏｎＭｅｃｈａｎｉｓｍ：Ｒｅｔａｉｎ Ｉｎｆｏｒｍａｔｉｏｎ ｔｏ Ｅｎｈａｎｃｅ Ｃｈａｎｎｅｌｓｐａｔｉａｌ Ｉｎｔｅｒａｃｔｉｏｎｓ ［ＥＢ ／ ＯＬ］． （２０２１ － １２ － １０ ）［２０２３ －０５－１７］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２１１２． ０５５６１．

作者簡(jiǎn)介

王海群 女，（１９６８—），碩士，副教授，碩士生導(dǎo)師。主要研究方向：智能控制與應(yīng)用、機(jī)器學(xué)習(xí)。

王 康 男，（１９９８—），碩士研究生。主要研究方向：深度學(xué)習(xí)與圖像處理。

基金項(xiàng)目：河北省自然科學(xué)基金（Ｆ２０２１２０９００６）