文章详情

摘要

在目前针对电塔绝缘子的缺陷检测领域中，存在大雾天气下绝缘子识别度不高、有缺陷的绝缘子难以正确识别的问题。为此，提出一种改进的YOLOv5缺陷检测模型。该模型以YOLOv5算法为基础，对主干网络特征提取的3个不同大小的特征层分别引入SEnet、CBAMnet、ECAnet三种不同的注意力机制，以加强特征提取能力。此外，引入Focal Loss损失函数，加强对易分类样本和难分类样本权重的控制。实验结果表明，改进后的YOLO检测模型在检测正常绝缘子的AP值为85.67%，缺陷绝缘子的AP值为97.33%，其mAP值达到了91.50%。与传统YOLOv5模型相比，分别提升了0.29%、0.48%、0.38%。同时，其正常回归率和缺陷回归率分别提升了5.52%和3.95%。改进后的模型能够更好地识别正常和缺陷绝缘子，对后续绝缘子相关研究具有一定的参考价值。

关键词

绝缘子缺陷；注意力机制；损失函数；目标检测；YOLOv5算法

参考文献

1. [1] 鲁一铭.基于MobileNetV3-YOLOv5网络的绝缘子缺陷检测 [D].石家庄：石家庄铁道大学，2023.
2. [2] 王成龙.基于改进YOLOv5n的绝缘子缺陷检测算法研究 [D].大庆：东北石油大学，2023.
3. [3] 杨龙欢，董效杰，黄施懿，等.基于YOLOV5的轻量型绝缘子缺陷检测算法研究 [J].通信与信息技术，2023（5）：13-18.
4. [4] 苏超，彭泽荣，黄志文.基于图像处理的绝缘子缺陷检测 [J].工业控制计算机，2016，29（12）：18-20.
5. [5] ZHAO Z B，LIU N，WANG L. Localization of Multiple Insulators by Orientation Angle Detection and Binary Shape Prior Knowledge [J].IEEE Transactions on Dielectrics and Electrical Insulation，2015，22（6）：3421-3428.
6. [6] 胡浩特，徐建，黄营，等.基于改进的Faster R-CNN输电铁塔绝缘子缺陷检测 [J].信息技术与信息化，2023（7）：63-66.
7. [7] 艾上美，周剑峰，张必朝，等.基于改进SSD算法的光伏组件缺陷检测研究 [J].智慧电力，2023，51（12）：53-58.
8. [8] REDMON J，FARHADI A. YOLOv3: An Incremental Improvement [J/OL].arXiv:1804.02767 [cs.CV].[2024-09-23].https://doi.org/10.48550/arXiv.1804.02767.
9. [9] REDMON J，DIVVALA S，GIRSHICK R，et al. You Only Look Once: Unified, Real-Time Object Detection [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Las Vegas：IEEE，2016：779-788.
10. [10] REDMON J，FARHADI A. YOLO9000: Better, Faster, Stronger [C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu：IEEE，2017：6517-6525.
11. [11] 熊绍托，童安科，杨朝程，等.基于改进YOLOv5的绝缘子缺陷检测 [J].工业控制计算机，2023，36（12）：70-72.
12. [12] JOCHER G，CHAURASIA A，STOKEN A，et al. ultralytics/yolov5: v6.1-TensorRT, TensorFlow Edge TPU and OpenVINO Export and Inference [EB/OL].(2022-2-22)[2024-09-19].https://zenodo.org/records/6222936.
13. [13] HU J，SHEN L，ALBANIE S. Squeeze-and-Excitation Networks [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（8）：2011-20231.
14. [14] WOO S，PARK J，LEE J Y，et al. CBAM: Convolutional Block Attention Module [C]//Computer Vision-ECCV 2018. Munich：Springer，2018：3-19.
15. [15] WANG Q L，WU B G，ZHU P F，et al. ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks [C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Seattle：IEEE，2020：11531-11539.
16. [16] LIN T-Y，GOYL P，IRSHICK R，et al. Focal Loss for Dense Object Detection [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（2）：318-327.

作者简介

曾维国（1999—），男，汉族，湖北荆州人，硕士研究生在读，研究方向：图像识别、目标检测；通信作者：刘晓群（1968—），男，汉族，河北张家口人，硕士生导师，教授，硕士研究生，研究方向：计算机网络与信息安全；郝娟（1989—），女，汉族，河北保定人，副教授，硕士研究生，研究方向：图像处理。