基于DMSANet-YOLOv7的雾霾下绝缘子缺陷实时检测方法

摘 要：针对复杂环境与雾霾天气下绝缘子缺陷过小，传统目标检测算法难以识别造成误检、漏检等情况，提出一种以ＹＯＬＯｖ７ 为基础模型并改进的缺陷检测算法。在图像预处理部分采用暗通道先验去雾算法，提高模型对特征的可分辨性与鲁棒性；为提高模型特征提取能力和识别小目标能力，在主干网络结构后端引入双重多尺度注意力机制（Ｄｕａｌ ＭｕｌｔｉＳｃａｌｅ Ａｔｔｅｎｔｉｏｎ Ｎｅｔｗｏｒｋ，ＤＭＳＡＮｅｔ）；为减小模型尺寸，提高模型识别速度，采用基于ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ 改进的Ｃ３ 模块替代Ｅ-ＥＬＡＮ 模块；在预测部分使用Ｗｉｓｅ-ＩＯＵ 损失函数，提高模型收敛效率。实验结果表明，ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法相较于原ＹＯＬＯｖ７ 算法平均准确率、准确率以及召回率分别提高６． ３％ 、７． ９％ 、１２． ３％ ，单张图片检测速度达到１２． ３ ｍｓ，参数量为３７． ７ Ｍ。在提高检测精度的同时确保检测速度和性能的平衡，能够更好地搭载至无人机及其他平台，满足绝缘子及其缺陷的实时动态检测需求。

关键词：绝缘子缺陷；目标检测；注意力机制；ＹＯＬＯｖ７；暗通道先验去雾算法

中图分类号：ＴＭ２１６；ＴＰ３９１． ４ 文献标志码：Ａ 开放科学（资源服务）标识码（ＯＳＩＤ）：

文章编号：１００３－３１０６（２０２４）０６－１４３１－０９

０ 引言

绝缘子在高压输电网中发挥着至关重要的作用，由于所处环境较为恶劣，因此绝缘子时常出现破损、掉串、腐蚀和裂痕等缺陷［１］，给电网安全运行带来极大的不稳定因素。作为输电线网中的重要元器件，定期巡检成为电网公司的首要任务。由于绝缘子所处复杂的自然环境，且近年雾霾天气频发，给线路巡检带来了极大困难，因此如何设计出一种满足实时性、鲁棒性的绝缘子缺陷检测算法成为亟待解决的问题［２］。

在目标检测算法中深度学习是目前常见的前沿技术，其中包括一阶段（ＯｎｅＳｔａｇｅ）目标检测算法和二阶段（Ｔｗｏ-Ｓｔａｇｅ）目标检测算法，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。由于一阶段目标检测算法相比二阶段目标检测算法识别速度快，更适合应用于实时检测，因此成为现阶段的研究热点。

目前国内外已有不少研究使用目标检测算法在绝缘子缺陷识别上取得不菲的成绩。王道累等［４］提出一种基于ＹＯＬＯｖ５ 的轻量化检测模型，对主干网络中的残差模块进行改进并添加可分离卷积，设计ＤＣ-ＳＰＰ 模块使网络在不损失细节信息的情况下增大感受野，提高模型检测性能。李斌等［５］提出一种基于多尺度的特征融合网络，使用残差注意力网络获取绝缘子不同分辨率的缺陷特征，并且使用Ｆｏｃａｌ 损失和高斯非极大抑制方法进一步提升检测效果。张国宝等［６］提出使用传统的光线法智能定位装置，由此开发绝缘子缺陷检测的三维成像技术，此理论可以更好地将绝缘子全面覆盖检测。Ｚｈｅｎｇ 等［７］提出改进的ＹＯＬＯｖ７ 模型，基于Ｋｍｅａｎｓ＋＋对绝缘子数据集目标框进行聚类，引入坐标注意（ＣｏｏｒｄＡｔｔ）模块和ＨｏｒＢｌｏｃｋ 模块增强特征提取能力，利用ＳＩＯＵ 和焦点损失函数加速模型收敛，并改进非最大抑制方法，提高检测精度。上述研究模型虽然相较于原网络模型的速度和精度有一定的提升，但是仍无法满足现实需求，与要求存在一定的差距，且在雾霾天气与环境复杂的条件下，检测速度过慢精度较低，使得模型难以应用于动态实时检测工作。

因此，针对复杂环境和雾霾天气下绝缘子缺陷尺寸过小等问题造成检测精度较低，无法满足动态实时检测要求，采用较为新颖的ＹＯＬＯｖ７ 网络为基础模型，在头部网络引入基于自注意力机制的改进Ｃ３ 模块，并融合ＤＭＳＡＮｅｔ 注意力机制，使用Ｗｉｓｅ-ＩＯＵ 损失函数充分发挥非单调调焦机制的潜力，降低高质量锚框的竞争力，并掩盖低质量样本的影响，提高绝缘子缺陷的检测的效率。

１ ＹＯＬＯｖ７ 算法原理

ＹＯＬＯｖ７ 算法网络结构如图１ 所示，此算法基于ＹＯＬＯｖ５ 算法，引入模型重新参数化思想，并增加深度监督技术，改进了动态标签分配策略，提出了由粗到精的引导标签分配策略等［８］。其中，模型再参数化的作用是在训练过程中将整个模块拆分为几个相同或不同的模块分支，在推理过程中将多个分支模块整合为一个完全等价的模块。模型再参数化的好处是可以获得更好的特征表示，减少计算量和参数量，提高推理速度。

由于深层网络可以更有效地学习和收敛，因此ＹＯＬＯｖ７ 引入ＥＬＡＮ 结构并改进为Ｅ-ＥＬＡＮ，可以通过控制最短和最长梯度路径，使网络有效地学习到更多特征，并具有更强的鲁棒性。Ｅ-ＥＬＡＮ 可以完全不改变原有架构梯度传输路径，利用群卷积增加特征基数，并以Ｓｈｕｆｆｌｅ 和Ｍｅｒｇｅ 基数的方式将不同组的特征组合起来。这种操作方式可以增强不同特征图学习到的特征，以提高参数和计算的使用。

在结构上，Ｅ-ＥＬＡＮ 只改变计算块的体系结构，而过渡层的体系结构完全不变。此策略使用群卷积进行扩展计算块的通道和基数，将计算层的所有计算块使用相同的组参数和信道乘法器，紧接着每个计算块计算出的特征图按照设定的组参数进行洗牌，再将其拼接在一起。此时，每组特征图中的通道数将与原架构中的通道数相同。Ｅ-ＥＬＡＮ 除保持原有的ＥＬＡＮ 设计架构外，还可以引导不同组的计算块学习更多样化的特性，通过扩展、洗牌、合并基数策略，在不破坏原有梯度路径的前提下，不断增强网络的学习能力。ＹＯＬＯｖ７ 与以往ＹＯＬＯ 结构不同，其结构中ＭＰ 层同时使用Ｍａｘｐｏｏｌｉｎｇ 和３×３ 卷积进行下采样，得到的输出通过并联进行连接，这使得网络能够更好地提取特征［９］。

２ ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 的提出

２． １ 改进Ｃ３ 模块

在ＹＯＬＯｖ７ 中，ＥＬＡＮ 模块用于从输入特征映射中提取特征。然而，对于绝缘子缺陷的种类和大小存在巨大差异，不同种类缺陷之间也存在相似之处，并且绝缘子材质的不同以及光照影响，在拍摄过程中所得到的图像也会有所变化，因此ＥＬＡＮ 模块不能更好地提取有效特征。同时ＥＬＡＮ 模块包含更多卷积模块和残差连接，使得计算量增大，降低了推理速度。

基于上述原因，将ＹＯＬＯｖ５ 中的Ｃ３ 模块如图２所示，改进的Ｃ３Ｃ２ 模块［１０］如图３ 所示。Ｃ３Ｃ２ 模块的设计灵感来源于ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ 的网络结构。它在原有Ｃ３ 模块的基础上，将残差分支卷积模块改为简单的卷积结构，并去除归一化层和激活函数层，以减少参数计算量。鉴于Ｍｉｓｈ 激活函数比ＳｉＬＵ 激活函数具有更好的抑制过拟合的能力，因此Ｍｉｓｈ 激活函数对不同的超参数具有更强的鲁棒性。鉴于以上优点，将最终卷积模块中的激活函数由原来的ＳｉＬＵ 激活函数改为Ｍｉｓｈ 激活函数，并在最后的并联操作后输入卷积模块，增强了网络的非线性变化。

２． ２ ＤＭＳＡＮｅｔ 注意力机制

在目标检测模型中引入注意力机制，可以避免模型计算能力向无价值的部分进行偏移，选择性地加强重要特征并抑制无用特征，降低图像干扰信息的影响，从而提高检测效果。

现有注意力机制难以做到对性能和模型复杂度之间的良好平衡，在兼顾通道和空间注意机制的同时带来额外的计算负担。因此引入双重多尺度注意力机制（Ｄｕａｌ Ｍｕｌｔｉ Ｓｃａｌｅ Ａｔｔｅｎｔｉｏｎ Ｎｅｔｗｏｒｋ，ＤＭＳＡ-Ｎｅｔ）［１１］，其结构如图４ 所示，由两部分组成：① 提取不同尺度的特征并对其进行聚合；② 使用空间与通道注意力模块对局部特征与全局依赖项进行自适应整合。

第一部分借鉴ＳＫｎｅｔ［１２］与Ｓａ-Ｎｅｔ［１３］的观点，将输入特征映射Ｘ 与通道尺寸分为Ｎ 部分，对于每个分裂部分，网络具有Ｃ０ ＝ ＣＳ 的共同频道，并且第ｉ 个特征映射是Ｘｉ ∈RＣ０×Ｈ×Ｗ ，各个特征在传递到２ 个不同的分支之前进行融合。

第二部分由空间和通道注意力模块组成，用于语义分割。通道注意模块用于选择性地加权每个通道的重要性，从而产生最佳的输出特征，此方法可以有效降低参数量。网络首先建立一个空间注意矩阵，此矩阵对特征图像的任意２ 个像素之间的空间关系进行建模；其次对注意矩阵与原始特征矩阵之间进行矩阵乘法；最后对得到的矩阵和原始特征进行逐元素求和运算。

在网络的最后一部分中，所有子功能都被聚合，使用“通道洗牌”运算符来启用沿通道维度的跨组信息流。模块最终输出与输入的输出大小相同，使注意力模块与其他网络较为容易的集成。

通过式（１）定义的拼接方式，可以得到整个多尺度预处理特征图：

Ｆ ＝ Ｃｏｎｃａｔ（［Ｅ１ｊ，Ｅ２ｊ］）， （１）

式中：Ｆ∈CＣ×Ｈ×Ｗ 为得到的多尺度特征图，Ｅ１ｊ、Ｅ２ｊ 为通道注意力机制与空间注意力机制输出结果。ＤＭ-ＳＡＮｅｔ 注意力机制在特征描述符的引导下，跨通道自适应选择不同的空间尺度。该操作定义如下：

最后，将重新校准的多尺度通道注意力权重ａｔｔｉ 与相应尺度Ｆｉ 的特征图相乘：

Ｙｉ ＝ Ｆｉ ⊙ａｔｔｉ， （３）

式中：ｉ ＝ １，２，３，…，Ｓ－１，⊙表示相乘。

ＤＭＳＡＮｅｔ 注意力机制与大多数现有模型相比，不仅达到了最佳性能，而且参数更少，由于其轻量级的特性，ＤＭＳＡＮｅｔ 注意力机制可以很容易地与其他卷积神经网络集成。

２． ３ Ｗｉｓｅ-ＩＯＵ 损失函数

边界框回归（ＢｏｕｎｄｉｎｇＢｏｘ Ｒｅｇｒｅｓｓｉｏｎ，ＢＢＲ）损失函数是目标检测的一大关键，对目标检测至关重要，检测性能很大程度上依赖于损失函数的设计，而边界框损失函数作为其重要组成部分，其准确定义可以使检测网络拥有显著的性能提升。因此选择较为合适的损失函数成为目标检测的首要任务。

Ｗｉｓｅ-ＩＯＵ 损失函数［１４］是一种动态非单调调频损耗，可以降低高质量锚框的竞争力，同时减少低质量样本产生的有害梯度，使Ｗｉｓｅ-ＩＯＵ 损失函数可以更好地提高网络的检测性能。当Ｗｉｓｅ-ＩＯＵ 损失函数应用于ＹＯＬＯｖ７ 模型中，ＭＳ-ＣＯＣＯ 数据集中ＡＰ７５提高２． ７７％ ，因此本文选择Ｗｉｓｅ-ＩＯＵ 损失函数作为ＢＢＲ 损失函数，如图５ 所示。

ＩＯＵ 损失定义为：

式中：Ｂ 为预测边界框，Ｂｇｔ 为真实边界框。

由于训练数据中包含低质量样本，距离和纵横比等几何因素会加重对低质量样本的惩罚，从而降低模型泛化性能。当锚框与检测框吻合良好时，良好的损失函数应能减弱几何因素的惩罚，而较少的训练干预将使模型获得更好的泛化能力。RＷｉｓｅ-ＩＯＵ ∈［１，ｅ），将显著放大一般质量锚框的LＩＯＵ 。LＩＯＵ ∈［０，１］将显著降低高质量锚框的Ｗｉｓｅ-ＩＯＵ ，并在锚框与目标锚框重合时，其关注中心点之间的距离。因此得到Ｗｉｓｅ-ＩＯＵ 损失函数的距离损失公式：

式中：Ｗｇ、Ｈｇ 为最小封闭框大小，ｘ、ｙ 为预测框中心点坐标，ｘｇｔ、ｙｇｔ 为真实框中心点坐标。为了防止RＷｉｓｅ-ＩＯＵ 产生阻碍收敛的梯度，Ｗｇ、Ｈｇ 从计算图中分离出来（上标*表示此操作）。

非单调聚焦系数ｒ 定义为：

式中：β 为离群度，表征回归框的质量； LＩＯＵ 为动量为ｍ 的滑动平均值，其动态更新使整体β 保持较高水平，可以有效解决训练后期收敛速度较慢的问题；α、δ 为超参数，当回归框的离群度满足β ＝ Ｃ（Ｃ 为预设值）时，回归框可以获得最高的梯度增益。同时由于LＩＯＵ 是动态更新的，回归框的质量划分标准也是动态调整的，使得Ｗｉｓｅ-ＩＯＵ 可以在训练中随时做出最符合当前状况的梯度增益分配策略。

综上所述，Ｗｉｓｅ-ＩＯＵ 损失定义为：

LＷＩＯＵ ＝ ｒ· RＷｉｓｅ-ＩＯＵL ＩＯＵ 。（８）

２． ４ 去雾算法

由于雾霾天气的影响使得绝缘子缺陷检测更为困难，因此本文算法采用暗通道先验（Ｄａｒｋ ＣｈａｎｎｅｌＰｒｉｏｒ）去雾算法［１５］在图像输入网络之前进行图像预处理。去雾效果对比如图６ 所示，由于在图像中至少存在一个颜色通道且亮度值极低，因此结合雾成像模型与软抠图插值方法进行去雾处理，式（９）为暗通道先验：

式中：Ｊｄａｒｋ（ｘ）为暗通道趋于０，Ｊｃ（ｙ）为Ｊ 的颜色通道，Ω（ｘ）为以ｘ 为中心的局部区域。

由于透光量较少，直接恢复场景亮度容易产生噪点，因此设定传输ｔ（ｘ）限制在一个下限ｔ０ ，因而在雾霾严重的地方保留了少量的雾霾。

经过公式推演，去雾算法如式（１０）所示：

式中：Ｊ（ｘ）为无雾图像，Ｉ（ｘ）为有雾图像，Ａ 为全球大气光值，ｔ（ｘ）为透射率。

经过以上改进得到ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 模型如图７ 所示。图片在预处理阶段进行去雾操作以提高模型的识别能力与鲁棒性，进一步增强ＹＯＬＯｖ７ 网络结构的特征提取和融合能力［１６］，提高推理速度，使得网络更适合应用于绝缘子及绝缘子缺陷动态实时检测。

３ 实验结果及数据分析

３． １ 数据集处理

本实验使用网络开源数据集与自采数据集，共计１ ０２２ 张。由于图片数量较少，在进行试验时容易因数据不足造成模型泛化能力差，导致过拟合现象出现，从而影响实验结果。因此通过亮度增强、水平翻转、随机角度、马赛克和灰度图等方法进行数据扩充并使用算法将正常图片雾化处理。图像增强实例如图８ 所示。

经过数据增强最终得到８ １７６ 张绝缘子图片，数据集规模不仅成倍扩充，还提高了网络模型的泛化能力。本文将数据集按照８ ∶ １ ∶ １ 的比例划分为训练集、验证集和测试集，训练集与验证集将用于网络模型的训练，而测试集则用于检验网络模型的识别准确率。

３． ２ 模型评估

本实验使用的模型评估指标分别为ＦＰＳ、准确率（Ｐｒｅｃｉｓｉｏｎ，Ｐ）、召回率（Ｒｅｃａｌｌ，Ｒ）和平均准确率（ｍｅａｎ Ａｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ，ｍＡＰ）作为评估指标进行网络模型的性能评估。相关评估指标计算如下：

式中：Ｆｒａｍｅｕｍ 表示检测图片总数，ＥｌａｐｓｅｄＴｉｍｅ 表示检测所花费的总时间，ＴＰ 表示正样本正确识别为正类的数量，ＦＰ 表示负样本错误识别为正类的数量，ＦＮ 表示正样本错误识别为负类的数量，Ｎ 表示数据集中样本类别数量。

３． ３ 实验环境

本实验采用的操作系统为Ｌｉｎｕｘ Ｕｂｕｎｔｕ 发行版，ＣＰＵ 型号为１５ 核心Ｉｎｔｅｌ（Ｒ）Ｘｅｏｎ（Ｒ）Ｐｌａｔｉｎｕｍ８３７５Ｃ，内存为８０ ＧＢ，ＧＰＵ 选择ＮＶＩＤＩＡ ＧｅｆｏｒｃｅＲＴＸ ４０８０，显存为２４ ＧＢ。环境配置为Ｃｕｄａ １１． ０，对应的深度学习框架为ＰｙＴｏｒｃｈ １． ７． ０，编程语言环境为Ｐｙｔｈｏｎ ３． ８． ０。

３． ４ 模型主干网络实验

模型主干网络实验数据对比如表１ 所示，在引入Ｗｉｓｅ-ＩＯＵ 损失函数后平均准确率、准确率和召回率相比原ＹＯＬＯｖ７ 网络分别提高２． ７％ 、２． ２％ 、７． ８％ ，从数据可以体现出Ｗｉｓｅ-ＩＯＵ 损失函数可以更好地将预测框贴合真实框，降低高质量锚框的竞争力，并掩盖低质量样本的影响，从而达到快速准确地预测目标。

使用改进的Ｃ３Ｃ２ 模块更换原ＥＥＬＡＮ 模块后平均精度、准确率和召回率分别提高４． １％ 、３． １％ 、１０． ９％ ，这证明Ｃ３Ｃ２ 模块可以充分探索邻近的上下文信息，以一种高效的方式提升自注意力的学习，从而提高输出特征的表达能力，提高网络检测精度使其更好地应用于小型无人机进行动态实时检测，极大方便电力工人的巡检工作。

３． ５ 注意力机制实验

为验证本文所提出的引入ＤＭＳＡＮｅｔ 注意力机制相较其他注意力机制的优势设计此实验。不同的注意力机制对比实验数据如表２ 所示，在主干网络后引入其他２ 种较为常见的注意力机制进行对比，分别为ＣＢＡＭ［１７］、ＧＡＭ［１８］。

不同注意力机制热力图如图９ 所示，对比热力图可以发现，ＤＭＳＡＮｅｔ 注意力机制对于绝缘子及绝缘子缺陷的关注度更高，发散程度更低。从可视化角度说明，ＤＭＳＡＮｅｔ 注意力机制相较于其他注意力机制更为优越，对于绝缘子缺陷检测效果更好，可以有效地提高网络模型对目标的关注度，降低了复杂背景对绝缘子及其缺陷的检测的影响，更好地提升了模型性能。

由表２ 中数据与热力图可得出结论，对于绝缘子及其缺陷在引入注意力机制后，检测效果显著提高，而ＤＭＳＡＮｅｔ 注意力机制相较于其他注意力机制提升效果最大，与原网络相比ｍＡＰ 提升６． ３％ ，单张图片检测时间可达１２． ３ ｍｓ，虽相较于原网络速度有所下降，但大幅提高了精度，可以更好地应用于绝缘子缺陷实时检测之中。

３． ６ 模型对比试验

为进一步验证本文所提算法的优越性，设计各类模型对照试验，其中选取二阶段算法Ｆａｓｔｅｒ Ｒ-ＣＮＮ 与一阶段算法ＳＳＤ、ＹＯＬＯｖ４、ＹＯＬＯｖ５、ＹＯＬＯｖ７ 与改进算法进行比较，结果如表３ 所示。改进算法在检测精度与检测速度上具有较大优势，相较于其他５ 类算法模型全部达到了最先进的结果，ｍＡＰ 分别提高３９． ９％ 、４５． １％ 、６． ５％ 、４． ５％ 、６． ２％ ，且检测速度相较于其他网络表现更为优异，ＦＰＳ 达到８１，因此本文所提出的算法可以更好地保证动态实时检测的效果，更加准确便捷地对绝缘子缺陷进行检测。

３． ７ 消融实验

为验证ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法的各项改进对绝缘子及其缺陷检测的影响，进行消融实验，对各个改进点进行评估，评估结果如表４ 所示。

表４ 第一行为原网络检测结果。通过表４ 可以看出，引入Ｗｉｓｅ-ＩＯＵ 损失函数，ｍＡＰ 与原网络相比提高１． ７％ ，准确率与召回率分别提高３． ８％ 、８． ７％ ，不仅提高了模型预测精度，而且预测框更加的符合真实框；将Ｃ３Ｃ２ 模块引入主干网络后，ｍＡＰ提高５． １３％ ，准确率与召回率分别提高４． ９％ 、６． １％ ，证明Ｃ３Ｃ２ 模块对网络主干起到正向作用，使检测精度进一步提高；而在主干网络之后加入ＤＭＳＡＮｅｔ 注意力机制ｍＡＰ、准确率与召回率进一步提高４． ７％ 、６． １％ 、１０． ６％ ，证明ＤＭＳＡＮｅｔ 注意力机制可以更好地关注绝缘子及其缺陷目标，达到更好的检测效果；采用Ｋｍｅａｎｓ 聚类算法后提高了定位精度，使训练更加稳定，在不影响检测速度的情况下ｍＡＰ、准确率以及召回率分别提高６． ３％ 、７． ９％ 、１２． ３％ 。消融实验结果表明Ｗｉｓｅ-ＩＯＵ 损失函数、Ｃ３Ｃ２ 模块、ＤＭＳＡＮｅｔ 注意力机制以及Ｋ-ｍｅａｎｓ 聚类算法对原网络检测精度均有正面影响。

图１０ 为ＹＯＬＯｖ７ 算法与本文改进算法在雾霾天气下与背景较为复杂的环境下对目标的检测效果图，ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法基于ＹＯＬＯｖ７模型并加以改进，对雾霾天气下绝缘子及其缺陷的检测效果相比原ＹＯＬＯｖ７ 算法具有显著的提高。

图中数据结果表明，改进后的算法对雾霾天气与复杂背景下的检测效果有了明显提升，本文所提算法，显著提高了模型的特征提取能力，使算法可以快速准确地检测出目标，有效地减少了误检、漏检现象的出现，证明此算法在背景复杂与雾霾天气条件下仍然能够取得显著的检测效果。

由于单张图片检测时间可达１２． ３ ｍｓ，因此ＤＭＳＡＮｅｔＹＯＬＯｖ７ 算法可以更好地应用于实时检测中，基于ＹＯＬＯ 算法的特性，此算法搭载至无人机进行航拍检测，可在不断电的情况下进行缺陷检测，极大地保证了生产生活安全，对实时检测具有极大的现实意义。

４ 结论

针对复杂背景及雾霾天气下绝缘子缺陷检测精度较低，未达到动态实时检测的要求，提出基于ＹＯＬＯｖ７ 的改进网络模型，主要结论如下：

① 改进主干网络模块Ｃ３ 模块增加含有Ｍｉｓｈ激活函数的卷积，并替换Ｅ-ＥＬＡＮ 模块，进一步提高视觉表达能力，从而有效地促进自注意学习增强输出聚合特征图的表达能力。

② 针对绝缘子及其缺陷的特点，引入ＤＭＳＡＮｅｔ注意力机制，使模型提高绝缘子缺点的关注度，提高目标检测的精度，并将预测框回归损失函数更换为Ｗｉｓｅ-ＩＯＵ 损失函数，使非单调调频的潜力得到充分发挥，从而提高模型的预测精度，使改进后的网络更适合实时检测。

③ 在同一实验条件下，对ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法与其他深度学习算法进行对比实验，实验结果显示ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法虽然失去了一部分检测速度，但在检测精度与性能方面取得了更好的平衡，进一步提高巡检自动化程度和效率。

④ 由于在巡检过程中会遇到大风天气使得拍摄器材抖动镜头无法对焦，造成图像模糊，鉴于此类弱点及局限性，可以在图像预处理阶段使用深度学习的方法进行图像去噪，以提高图像的清晰度。

参考文献

［１］ 陈奎，刘晓，贾立娇，等． 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［Ｊ／ ＯＬ］． 高电压技术：１－１４［２０２３ － ０５ － １７ ］． ｈｔｔｐｓ：∥ ｄｏｉ． ｏｒｇ ／ １０． １３３３６ ／ ｊ． １００３ －６５２０． ｈｖｅ． ２０２２１６５２．

［２］ 苟军年，杜愫愫，刘力． 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［Ｊ］． 电工技术学报，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，张世恒，袁斌霞，等． 基于改进ＹＯＬＯｖ５ 的轻量化玻璃绝缘子自爆缺陷检测研究［Ｊ］． 高电压技术，２０２３，４９（１０）：４３８２－４３９０．

［５］ 李斌，屈璐瑶，朱新山，等． 基于多尺度特征融合的绝缘子缺陷检测［Ｊ］． 电工技术学报，２０２３，３８（１）：６０－７０．

［６］ 张国宝，杨为，赵恒阳，等． 基于Ｘ 射线三维成像技术的在役ＧＩＳ 盆式绝缘子缺陷检测［Ｊ］． 高压电器，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］ 倪昌双，李林，罗文婷，等． 改进ＹＯＬＯｖ７ 的沥青路面病害检测［Ｊ ］． 计算机工程与应用，２０２３，５９ （１３ ）：３０５－３１６．

［９］ 宋智伟，黄新波，纪超，等． 基于Ｆｌｅｘｉｂｌｅ ＹＯＬＯｖ７ 的输电线路绝缘子缺陷检测和故障预警方法［Ｊ］． 高电压技术，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］ 杨锦辉，李鸿，杜芸彦，等． 基于改进ＹＯＬＯｖ５ｓ 的轻量化目标检测算法［Ｊ］． 电光与控制，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．

作者简介

王海群 女，（１９６８—），硕士，副教授，硕士生导师。主要研究方向：智能控制与应用、机器学习。

王 康 男，（１９９８—），硕士研究生。主要研究方向：深度学习与图像处理。

基金项目：河北省自然科学基金（Ｆ２０２１２０９００６）