基于MFBN YOLOv5輸電線(xiàn)路絕緣子缺陷檢測(cè)研究

摘"要：針對(duì)輸電線(xiàn)路上絕緣子檢測(cè)效率低下的問(wèn)題，提出了一種絕緣子缺陷檢測(cè)模型MFBNYOLOv5。首先針對(duì)骨干網(wǎng)絡(luò)中特征提取能力不足的問(wèn)題，本文設(shè)計(jì)了MC3模塊替換骨干網(wǎng)絡(luò)中的C3模塊，在骨干網(wǎng)絡(luò)尾部引入了Fenhence模塊，模塊采用卷積與空洞卷積串聯(lián)的方式，有效擴(kuò)大感受野并增強(qiáng)特征提取。其次，為了改進(jìn)模型特征融合的能力，在頸部引入BiFPN結(jié)構(gòu)，提升網(wǎng)絡(luò)對(duì)絕緣子不同缺陷的特征融合能力。最后，邊界回歸損失函數(shù)使用NWD（Normalized"Wasserstein"Distance）度量方式，提高了在復(fù)雜背景條件下模型對(duì)絕緣子缺陷的定位精度。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的MFBNYOLOv5模型可以快速、準(zhǔn)確地檢測(cè)絕緣子的缺陷，平均精度均值（mAP0.5）達(dá)到95.6%，比原YOLOv5s模型高3.9%，能夠滿(mǎn)足日常電力巡檢的需求。

關(guān)鍵詞：絕緣子缺陷；MC3；空洞卷積；改進(jìn)特征融合；NWD

中圖分類(lèi)號(hào)：TP39""""""文獻(xiàn)標(biāo)識(shí)碼：A

Research"on"Defect"Detection"of"Insulators"in"Transmission"

Lines"Based"on"MFBNYOLOv5

WANG"Kai1，HUANG"Chenrong2，GU"Jie1，JI"Xingyu1

（1.School"of"Electric"Power"Engineering，"Nanjing"Institute"of"Technology，"Nanjing，"Jiangsu"211100，"China;

2."School"of"Computer"Engineering，"Nanjing"Institute"of"Technology，"Nanjing，"Jiangsu"211100，"China）

Abstract：In"order"to"solve"the"problem"of"low"efficiency"of"insulator"detection"on"transmission"lines，"an"insulator"defect"detection"model"MFBNYOLOv5"is"proposed."Firstly，"in"order"to"solve"the"problem"of"insufficient"feature"extraction"ability"in"the"backbone"network，"the"MC3"module"is"designed"to"replace"the"C3"module"in"the"backbone"network，"andnbsp;the"Fenhence"module"is"introduced"at"the"tail"of"the"backbone"network."Secondly，"in"order"to"improve"the"feature"fusion"ability"of"the"model，"the"BiFPN"structure"is"introduced"into"the"neck"to"improve"the"feature"fusion"ability"of"the"network"to"different"defects"of"the"insulator."Finally，"the"boundary"regression"loss"function"uses"the"Normalized"Wasserstein"Distance"（NWD）"metric"to"improve"the"positioning"accuracy"of"the"model"for"insulator"defects"under"complex"background"conditions."Experimental"results"show"that"the"improved"MFBNYOLOv5"model"can"quickly"and"accurately"detect"insulator"defects，"and"the"average"accuracy"（mAP0.5）"reaches"95.6%，"which"is"3.9%"higher"than"that"of"the"original"YOLOv5s"model"（mAP0.5），"which"can"meet"the"needs"of"daily"power"inspection.

如今，全國(guó)越來(lái)越多的電力部門(mén)使用智能化巡檢作為主流的巡檢方式。絕緣子作為輸電線(xiàn)路上的基本器件，在電氣隔離和機(jī)械支撐方面都發(fā)揮著重要作用[1]。但絕緣子長(zhǎng)期暴露在外界，受天氣、鳥(niǎo)糞和人為因素影響，可能產(chǎn)生腐蝕、污穢，甚至自爆等缺陷，因此定期巡檢絕緣子對(duì)防范輸電線(xiàn)路事故至關(guān)重要[2-3]。當(dāng)前對(duì)輸電線(xiàn)路巡檢方式包括人工巡檢[4]、直升機(jī)巡檢、無(wú)人機(jī)巡檢等。在復(fù)雜的山區(qū)、高海拔地區(qū)，人工作業(yè)難度較大，采用直升機(jī)進(jìn)行巡檢成本又高，而用無(wú)人機(jī)巡檢具有俯瞰視角好、靈活機(jī)動(dòng)、低成本、高分辨率影像、實(shí)時(shí)傳輸?shù)奶攸c(diǎn)。其能夠從空中全方位捕捉目標(biāo)區(qū)域，實(shí)時(shí)傳輸信息，提供高質(zhì)量影像數(shù)據(jù)，并可進(jìn)入危險(xiǎn)區(qū)域，同時(shí)，成本相對(duì)較低，對(duì)環(huán)境友好。這使得無(wú)人機(jī)成為電力線(xiàn)路巡檢的高效、經(jīng)濟(jì)、安全的工具。但無(wú)人機(jī)上傳的圖像，若采用人工審核的方式對(duì)圖像進(jìn)行檢查，難免會(huì)出現(xiàn)誤判、漏判的情況，而如今基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法為解決這一問(wèn)題提供了有效途徑。當(dāng)前，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法大致分為：以Fast"RCNN[5]、Faster"RCNN[6]為代表的雙階段檢測(cè)網(wǎng)絡(luò)和以YOLO[7]、SSD[8]為代表的單階段檢測(cè)網(wǎng)絡(luò)。

在單階段檢測(cè)網(wǎng)絡(luò)中有以下學(xué)者對(duì)YOLO算法檢測(cè)絕緣子提出了優(yōu)化。劉行謀等[9]提出一種改進(jìn)YOLOv4的絕緣子缺陷檢測(cè)方法，通過(guò)增加空間金字塔前后的卷積層來(lái)加深網(wǎng)絡(luò)深度，實(shí)驗(yàn)證明，此改進(jìn)方法能夠很好地識(shí)別絕緣子缺陷。Yao等[10]提出了一種基于YOLOv3的絕緣子檢測(cè)算法，在算法中引入GIoU損失函數(shù)，在不等增加模型參數(shù)的情況下，提高絕緣子的檢測(cè)精度。霍超等[11]在加強(qiáng)特征提取的網(wǎng)絡(luò)中融合通道注意力機(jī)制SE，使該模型提升了對(duì)絕緣子缺陷目標(biāo)的辨識(shí)能力。伍箴燎等[12]提出了YOLOv5GSEM的算法，將GhostNet結(jié)構(gòu)替換原始YOLOv5主干網(wǎng)絡(luò)C3模塊，并引入SimAM注意力機(jī)制，提升了模型的性能。盡管上述方法在一定程度上優(yōu)化了算法，但當(dāng)目標(biāo)置于復(fù)雜背景時(shí)，它們難以有效提取目標(biāo)特征。特別是在特征融合方面的能力仍顯不足，限制了模型的精度。

針對(duì)上述問(wèn)題，提出了一種基于MFBNYOLOv5的輸電線(xiàn)路絕緣子缺陷檢測(cè)方法。本文的主要改進(jìn)工作如下：（1）針對(duì)絕緣子在復(fù)雜背景下缺陷特征很難被提取的情況，在骨干網(wǎng)絡(luò)中將設(shè)計(jì)的MC3模塊替換原本的C3模塊，并在骨干網(wǎng)絡(luò)的最后一層添加設(shè)計(jì)的特征增強(qiáng)模塊Fenhence。（2）為了提高模型的特征融合能力，在頸部網(wǎng)絡(luò)融合BiFPN網(wǎng)絡(luò)，通過(guò)其雙向跨尺度連接和快速的融合操作，實(shí)現(xiàn)對(duì)多尺度特征的捕獲和融合。（3）最后，邊界回歸損失函數(shù)使用NWD度量方式，提高了在復(fù)雜背景條件下模型對(duì)絕緣子缺陷的定位精度。

1"MFBNYOLOv5算法介紹

YOLOv5模型在目標(biāo)檢測(cè)領(lǐng)域有著突出的表現(xiàn)，一共有四個(gè)主要版本：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，模型大小依次增大。本文實(shí)驗(yàn)所用的為YOLOv5s模型。為了進(jìn)一步提高模型的檢測(cè)精度，本文在YOLOv5s的基礎(chǔ)上，提出了MFBNYOLOv5模型。其模型結(jié)構(gòu)如圖1所示，實(shí)線(xiàn)部分為原YOLOv5s模型，虛線(xiàn)部分是改進(jìn)的部分。MFBNYOLOv5模型是由Input、Backbone、Neck和Head四部分組成。Input主要是對(duì)輸入圖像的預(yù)處理，對(duì)圖像進(jìn)行增強(qiáng)、自適應(yīng)縮放等。Backbone中主要包含Conv、MC3、SPPF和Fenhence模塊。其中Conv模塊是卷積層，用于特征提取；MC3模塊使用殘差結(jié)構(gòu)來(lái)提取圖像中的特征信息；SPPF模塊在不改變特征圖大小情況下，對(duì)于不同尺度特征圖進(jìn)行池化操作；Fenhence模塊采用卷積與空洞卷積串聯(lián)的方式，有效擴(kuò)大感受野并增強(qiáng)特征提取。Neck中采用雙向特征金字塔BiFPN結(jié)構(gòu)，能夠加強(qiáng)網(wǎng)絡(luò)中的特征融合和信息傳輸。Head中包括檢測(cè)頭、NWD損失函數(shù)，最終輸出模型的預(yù)測(cè)結(jié)果。

1.1"MC3模塊

YOLOv5的骨干網(wǎng)絡(luò)中使用了大量的C3模塊，此模塊依靠殘差結(jié)構(gòu)來(lái)進(jìn)行提取特征，其結(jié)構(gòu)如圖2所示，但從上向下傳遞的過(guò)程中，中間信息會(huì)存在丟失現(xiàn)象。本文為了防止信息丟失，進(jìn)一步加強(qiáng)特征信息提取，將C3模塊結(jié)構(gòu)進(jìn)行優(yōu)化，優(yōu)化后的MC3結(jié)構(gòu)如圖3所示。原C3模塊中信息傳遞自上而下，最后將兩路的輸出進(jìn)行Concat，在經(jīng)過(guò)Bottleneck這條傳輸線(xiàn)路時(shí)，中間層的信息會(huì)產(chǎn)生丟失，這將降低模型的精度。而經(jīng)過(guò)優(yōu)化后的MC3模塊，在利用原有的方形卷積提取圖像特征的基礎(chǔ)上，將Bottleneck支路的每層特征信息都進(jìn)行輸出并用于最后的Concat。與原本的C3模塊相比，改進(jìn)后的MC3模塊可以使得骨干網(wǎng)絡(luò)獲得更加豐富的特征信息，提升模型的精度。

1.2"Fenhence模塊

為了進(jìn)一步增強(qiáng)骨干網(wǎng)絡(luò)中對(duì)絕緣子缺陷特征信息的提取能力，本文在骨干網(wǎng)絡(luò)最后一層引入設(shè)計(jì)的Fenhence模塊，其結(jié)構(gòu)如圖4所示。其中Input為特征輸入，經(jīng)過(guò)Layer模塊傳遞后，會(huì)出現(xiàn)三個(gè)輸出，將三個(gè)輸出與原本的輸入進(jìn)行一個(gè)相加求和，傳遞經(jīng)過(guò)BN（Batch"Normalization）模塊和激活函數(shù)SiLU模塊后進(jìn)行最終的輸出。

在Fenhence的頂部是一個(gè)Layer模塊，其結(jié)構(gòu)如圖5所示。為了讓后續(xù)Neck網(wǎng)絡(luò)更好地進(jìn)行特征融合，在Layer模塊內(nèi)部引入不同擴(kuò)張率的空洞卷積，擴(kuò)大網(wǎng)絡(luò)的感受野，增強(qiáng)提取不同尺度特征信息的能力。在空洞卷積中，空洞擴(kuò)張率是一個(gè)重要參數(shù)，它可以控制網(wǎng)絡(luò)感受野的范圍。空洞卷積感受野與擴(kuò)張率的關(guān)系如式（1）所示。

k′=k+（k－1）×（r－1）（1）

式（1）中，k′為空洞卷積感受野的大小，k為原始卷積核大小，r為空洞擴(kuò)張率。"根據(jù)式（1），當(dāng)原卷積核大小為3×3時(shí)，空洞擴(kuò)張率r分別為1，2，3時(shí)，所獲得的空洞卷積感受野分別為3×3、5×5、7×7，如圖6所示。因此，使用空洞卷積的優(yōu)點(diǎn)是可以在不增加額外參數(shù)的情況下擴(kuò)大感受野，捕獲不同層次的特征信息，增強(qiáng)模型精度。

1.3"加權(quán)雙向特征金字塔網(wǎng)絡(luò)（BiFPN）

原YOLOv5的特征融合網(wǎng)絡(luò)采用FPN+PAN結(jié)構(gòu)。FPN網(wǎng)絡(luò)自頂向下融合，通過(guò)上采樣傳遞強(qiáng)語(yǔ)義特征，如圖7（a）所示；PAN實(shí)現(xiàn)自底向上融合，傳遞強(qiáng)定位特征，如圖7（b）所示。然而，由于輸入特征信息的尺度大小不同，因此融合輸出中忽略了重要特征。為了提高特征融合的效果，本文將加權(quán)雙向特征金字塔網(wǎng)絡(luò)（BiFPN）作為新網(wǎng)絡(luò)替換原本的PAN結(jié)構(gòu)。

BiFPN網(wǎng)絡(luò)如圖7（c）所示，網(wǎng)絡(luò)精簡(jiǎn)了PAN中低貢獻(xiàn)結(jié)構(gòu)節(jié)點(diǎn)，同時(shí)引入躍級(jí)連接以在同一尺度的輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)之間增加特征融合。此外，BiFPN網(wǎng)絡(luò)構(gòu)建了自學(xué)習(xí)權(quán)重的特征融合模塊，包括自頂向下和自底向上的雙向路徑，通過(guò)不斷堆疊重復(fù)塊實(shí)現(xiàn)更高級(jí)別的特征融合。BiFPN中使用快速歸一化的方法來(lái)進(jìn)行加權(quán)特征融合，如下式：

O=∑iwiε+∑jwj·Ii"（2）

式中：每一個(gè)權(quán)重wi后面都添加了ReLU函數(shù)，以保證wi≥0，ε=0.0001，避免數(shù)值的不穩(wěn)定。Ii表示歸一化后再輸入的特征，O表示額外的權(quán)重。

1.4"損失函數(shù)NWD

由于本文所檢測(cè)的數(shù)據(jù)集中存在大量復(fù)雜背景下的小目標(biāo)，故本文引入適用于檢測(cè)小目標(biāo)的NWD（Normalized"Wasserstein"Distance）損失函數(shù)。NWD采用一種新的度量方法來(lái)計(jì)算框與框之間的相似度。先把框建模為高斯分布，然后使用Wasserstein距離度量這兩個(gè)分布之間的相似度，并替代IoU。對(duì)于水平的標(biāo)注框R=（cx，cy，w，h），（cx，cy）為標(biāo)注框的中心坐標(biāo)，w為寬，"h為高，將標(biāo)注框R建模為二維高斯函數(shù)N（μ，Σ）如式（3）所示：

μ=cxcy，Σ=w2400h24（3）

下面繼續(xù)歸一化高斯Wasserstein距離。使用Wasserstein距離來(lái)計(jì)算標(biāo)注框R1=（cx1，cy1，w1，h1），R2=（cx2，cy2，w2，h2）之間的高斯分布距離，如式（4）所示：

W22（N1，N2）=

cx1，cy1，w12，h12T，cx2，cy2，w22，h22T22（4）

因W22（N1，N2）是距離度量，故不能直接用來(lái)衡量標(biāo)注框R1和R2之間的相似度，利用指數(shù)將Wasserstein距離歸一化，獲得新的度量NWD，如式（5）所示：

NWD（Na，Nb）=exp-W22（Na，Nb）C（5）

其中C為常數(shù)，大小由數(shù)據(jù)集決定。

相比原YOLOv5中的IoU度量方式，用NWD度量可以更加準(zhǔn)確地評(píng)估絕緣子的小目標(biāo)缺陷結(jié)果之間的相似性，加快網(wǎng)絡(luò)訓(xùn)練收斂的速度，提高模型的精度和魯棒性。

2"實(shí)驗(yàn)結(jié)果與分析

2.1"數(shù)據(jù)集的構(gòu)建

本文原數(shù)據(jù)集422張，但原始數(shù)據(jù)集相對(duì)不足，故通過(guò)旋轉(zhuǎn)、翻折的方式進(jìn)一步擴(kuò)充數(shù)據(jù)集，擴(kuò)充后共計(jì)1688張數(shù)據(jù)集，數(shù)據(jù)集樣本如圖8所示。使用LablImg工具對(duì)圖片進(jìn)行標(biāo)注，標(biāo)簽標(biāo)注分為三類(lèi)：正常絕緣子（Insulator）、破損絕緣子（Damaged）、閃絡(luò)絕緣子（Flashover）。最后按8∶2的比例將數(shù)據(jù)集劃分為T(mén)rain和Val，其中Train有1350張，Val有338張。

2.2"實(shí)驗(yàn)環(huán)境配置

本實(shí)驗(yàn)采用Python"3.8.5作為編程語(yǔ)言，使用Pytorch作為深度學(xué)習(xí)框架，GPU為NVIDIA"GeForce"RTX3060。相關(guān)實(shí)驗(yàn)參數(shù)如表1所示。

2.3"評(píng)價(jià)指標(biāo)

為了客觀(guān)評(píng)價(jià)MFBNYOLOv5算法的優(yōu)越性，將使用全類(lèi)平均精度均值（mAP0.5）、精確率P（Precision）、召回率R（Recall）等指標(biāo)來(lái)判別模型的性能。具體公式如下：

mAP=∑Ni=0APiN"（6）

P=TPTP+FP×100%（7）

R=TPTP+FN×100%（8）

式（6）、（7）中TP為預(yù)測(cè)正確的正樣本個(gè)數(shù)，F(xiàn)N為預(yù)測(cè)錯(cuò)誤的負(fù)樣本個(gè)數(shù)，F(xiàn)P為預(yù)測(cè)錯(cuò)誤的正樣本個(gè)數(shù)。式（6）中mAP為所有對(duì)象的平均檢測(cè)精度。

2.4"模型的訓(xùn)練

分別使用MFBNYOLOv5和YOLOv5網(wǎng)絡(luò)模型對(duì)絕緣子數(shù)據(jù)集進(jìn)行訓(xùn)練，其模型訓(xùn)練損失前后對(duì)比如圖9所示。可以看出MFBNYOLOv5在訓(xùn)練集和驗(yàn)證集的損失函數(shù)收斂性都要優(yōu)于原模型。

改進(jìn)前后模型的評(píng)價(jià)指標(biāo)對(duì)比如圖10所示，隨著訓(xùn)練次數(shù)的增多，精確率（P）和召回率（R）都呈現(xiàn)上升的趨勢(shì)，且根據(jù)紅、黑兩曲線(xiàn)的對(duì)比走勢(shì)，當(dāng)訓(xùn)練次數(shù)到達(dá)120輪時(shí)，本文優(yōu)化的模型要比原模型更好，最終本次優(yōu)化模型的準(zhǔn)確率（P）和召回率（R）分別達(dá)到了95.1%、91.4%。mAP0.5曲線(xiàn)也隨著訓(xùn)練輪次的增加而上升，最終各類(lèi)型的目標(biāo)檢測(cè)平均精度均值（mAP0.5）達(dá)到了95.6%，比原模型高出3.9%。上述所有評(píng)價(jià)指標(biāo)證明了本文算法的優(yōu)越性。

2.5"模型消融實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證本文的MFBNYOLOv5模型的性能，使用MC3YOLOv5、FenhenceYOLOv5、BiFPNYOLOv5及NWDYOLOv5進(jìn)行對(duì)比消融實(shí)驗(yàn)。上述模型均是在YOLOv5s模型的基礎(chǔ)上添加改進(jìn)的模塊，以準(zhǔn)確率、召回率和mAP0.5為客觀(guān)評(píng)價(jià)指標(biāo)進(jìn)行消融對(duì)比試驗(yàn)，實(shí)驗(yàn)結(jié)果如表2所示。

從表2結(jié)果可以看出，實(shí)驗(yàn)1的準(zhǔn)確率較原模型提升了2.9%，召回率下降了0.9%，mAP0.5提升了2.5%，平均檢測(cè)速度FPS下降了1.01幀/s；實(shí)驗(yàn)2的準(zhǔn)確率較原模型提升了2.5%，召回率提升了1.4%，mAP"0.5提升3%，參數(shù)量上升了0.29MiB，平均檢測(cè)速度FPS下降了1.72幀/s；實(shí)驗(yàn)3的準(zhǔn)確率較原模型提升了2.4%，召回率上升了0.3%，mAP"0.5提升了2.8%，平均檢測(cè)速度FPS下降了3.93幀/s；最后實(shí)驗(yàn)4（MFBNYOLOv5）準(zhǔn)確率為95.1%，較原模型提升了2.8%，召回率為91.4%，較原模型提升2.4%，mAP0.5為95.6%，較原模型提升3.9%，參數(shù)量較原模型增加了1.32MiB，"平均檢測(cè)速度FPS下降了2.92幀/s，仍然滿(mǎn)足日常電力巡檢的需求。

綜上所述，本文的MFBNYOLOv5模型在絕緣子缺陷檢測(cè)效果上遠(yuǎn)遠(yuǎn)優(yōu)于YOLOv5模型，本次消融實(shí)驗(yàn)也證明了該方法對(duì)于絕緣子目標(biāo)檢測(cè)的有效性。

2.6"不同算法對(duì)比實(shí)驗(yàn)

為了更加全面地驗(yàn)證本文優(yōu)化后模型的優(yōu)越性，將本文算法MFBNYOLOv5與YOLOv5、YOLOv4、YOLOv3及SSD等模型進(jìn)行對(duì)比實(shí)驗(yàn)，性能對(duì)比如表3所示。

從表3中的數(shù)據(jù)可以看出，首先，本文算法MFBNYOLOv5和原YOLOv5模型是檢測(cè)絕緣子缺陷準(zhǔn)確率最高的兩個(gè)算法，分別達(dá)到了95.1%和92.3%，"YOLOv3算法識(shí)別準(zhǔn)確率和mAP0.5最低，僅為82.1%和84.3%。其次，本文算法在召回率方面的表現(xiàn)也是最好的，達(dá)到了91.4%。最后，本文在參數(shù)規(guī)模上僅次于YOLOv5和YOLOv3，但精度上的提升明顯要高。綜上分析，本文改進(jìn)的網(wǎng)絡(luò)在骨干網(wǎng)絡(luò)中引入MC3和Fenhence模塊，在頸部網(wǎng)絡(luò)中替換原特征提取網(wǎng)絡(luò)，最后引入NWD損失函數(shù)的方式，使得模型能夠滿(mǎn)足電力巡檢的要求。圖11左圖為原YOLOv5算法檢測(cè)的結(jié)果，右圖為MFBNYOLOv5算法檢測(cè)的結(jié)果，從圖中可以清晰看出，原算法和改進(jìn)的算法都能進(jìn)行絕緣子缺陷識(shí)別，但本算法的檢測(cè)精度更高?？梢?jiàn)本文的MFBNYOLOv5算法在絕緣子缺陷檢測(cè)任務(wù)中表現(xiàn)更勝一籌。

3"結(jié)"論

（1）針對(duì)絕緣子缺陷檢測(cè)精度不足的問(wèn)題，設(shè)計(jì)了MC3和Fenhence模塊，將其部署到骨干網(wǎng)絡(luò)中，提升了網(wǎng)絡(luò)檢測(cè)的精度。

（2）針對(duì)特征融合不足的問(wèn)題，在頸部網(wǎng)絡(luò)引入加權(quán)雙向特征金字塔網(wǎng)絡(luò)（BiFPN），以一種加權(quán)融合的方式，提高網(wǎng)絡(luò)對(duì)于多尺度特征的融合能力。

（3）針對(duì)原損失函數(shù)收斂慢的問(wèn)題，將原IoU度量方式替換為NWD度量方式，提高網(wǎng)絡(luò)收斂速度的同時(shí)，也增強(qiáng)了網(wǎng)絡(luò)在復(fù)雜背景下對(duì)絕緣子缺陷特征的檢測(cè)能力。實(shí)驗(yàn)結(jié)果表明，相較于YOLOv5，本文的MFBNYOLOv5模型的準(zhǔn)確率可以達(dá)到95.1%，平均精度均值（mAP0.5）達(dá)到95.6%，相較于原YOLOv5s模型準(zhǔn)確率和平均精度均值（mAP0.5）分別提升了2.8%和3.9%。綜上，本文提出的MFBNYOLOv5模型可以快速、準(zhǔn)確地識(shí)別航拍圖像中絕緣子的缺陷問(wèn)題，滿(mǎn)足日常電力巡檢的需求。

參考文獻(xiàn)

［１］"PARK"K"C，"MOTAI"Y，"YOON"J"R."Acoustic"fault"detection"technique"for"highpower"insulators[J]."IEEE"Transactions"on"Industrial"Electronics，"2017，"64（12）："9699-9708.

［2］"WANG"J，"LIANG"X，"GAO"Y."Failure"analysis"of"decaylike"fracture"of"composite"insulator[J]."IEEE"Transactions"on"Dielectrics"and"Electrical"Insulation，"2014，"21（6）："2503-2511.

［3］"HAN"G，"HE"M，"ZHAO"F，"et"al."Insulator"detection"and"damage"identification"based"on"improved"lightweight"YOLOv4"network[J]."Energy"Reports，"2021，"7："187-197.

［4］"JENSSEN"R，"ROVERSO"D."Automatic"autonomous"visionbased"power"line"inspection："A"review"of"current"status"and"the"potential"role"of"deep"learning[J]."International"Journal"of"Electrical"Power"amp;"Energy"Systems，"2018，"99："107-120.

［5］"GIRSHICK"R."Fast"rcnn[C]//Proceedings"of"the"IEEE"International"Conference"on"Computer"Vision，2015："1440-1448."

［6］"REN"S，"HE"K，"GIRSHICK"R，"et"al."Faster"rcnn："towards"realtime"object"detection"with"region"proposal"networks[J]."IEEE"Trans"Pattern"Anal"Mach"Intell，2017，39（6）：1137-1149.

［7］"REDMON"J，"DIVVALA"S，"GIRSHICK"R，"et"al."You"only"look"once：nbsp;Unified，"realtime"object"detection[C]//Proceedings"of"the"IEEE"Conference"on"Computer"Vision"and"Pattern"Recognition，2016："779-788.

［8］"LIU"W，"ANGUELOV"D，"ERHAN"D，"et"al."Ssd："single"shot"multibox"detector[C]//Computer"Vision–ECCV"2016："14th"European"Conference，"Amsterdam，"The"Netherlands，"Proceedings，"Part"I"14."Springer"International"Publishing，"2016："21-37.

［9］"劉行謀，田浩，楊永明，等.復(fù)雜環(huán)境背景下絕緣子缺陷圖像檢測(cè)方法研究[J].電子測(cè)量與儀器學(xué)報(bào)，2022，36（02）：57-67.

［10］YAO"L，"YAOYAO"Q."Insulator"detection"dased"on"GIOUYOLOv3[C]//2020"Chinese"Automation"Congress"（CAC）."IEEE，"2020："5066-5071.

［11］霍超，谷曉鋼，黃玲琴，等.基于YOLO"v4優(yōu)化的航拍絕緣子缺陷圖像檢測(cè)模型[J].電子測(cè)量技術(shù)，2023，46（9）：175-181

［12］伍箴燎，吳正平，孫水發(fā).基于改進(jìn)YOLOv5算法的絕緣子多缺陷檢測(cè)[J].高壓電器，2024（12）：95-102+112.