張 梅,齊至家,何盼霞

(安徽理工大學(xué)電氣與信息工程學(xué)院,安徽 淮南 232001)

絕緣子是輸電線路中的重要電力設(shè)備之一,其主要作用是負(fù)責(zé)機(jī)械的固定、電線與電纜的連接和輸電線路的電氣絕緣。架設(shè)在戶外的輸電線路極容易發(fā)生事故,從而引發(fā)絕緣子的爆破、破損、放電等,給國民經(jīng)濟(jì)帶來重大的損失。為保證輸電質(zhì)量與電力系統(tǒng)正常運(yùn)行,須定期對絕緣子及其缺陷部分進(jìn)行巡檢。

傳統(tǒng)的電網(wǎng)維護(hù)很大程度上依靠人工巡檢,但會受到巡檢人員自身視覺和地理環(huán)境因素的影響。誤檢、漏檢等錯誤屢見不鮮,極易造成巨大的人員損傷與財(cái)產(chǎn)損失,難以適應(yīng)智能電網(wǎng)發(fā)展需求。無人機(jī)巡檢主要利用無人機(jī)搭載高清攝像頭、紅外設(shè)備等,通過操作飛行獲取目標(biāo)檢測的電力設(shè)備圖像及影像,并利用圖像處理和測量技術(shù)從多種角度對電力設(shè)備進(jìn)行巡檢。與傳統(tǒng)巡檢相比,無人機(jī)巡檢不僅降低了巡檢過程中的危險(xiǎn)系數(shù),同時(shí)也減少了因主觀因素造成的錯誤判斷,從而提高了巡檢的效率。隨著深度學(xué)習(xí)技術(shù)的興起和5G技術(shù)的發(fā)展,在電力巡檢方面無人機(jī)巡檢逐漸替代了傳統(tǒng)人工巡檢[1-2]。目前,在絕緣子缺陷檢測技術(shù)方面主要有兩種方法。一種是基于圖像形態(tài)特征的處理,采用傳統(tǒng)數(shù)字圖像處理與傳統(tǒng)目標(biāo)檢測相結(jié)合的方式進(jìn)行目標(biāo)檢測。另一種檢測技術(shù)是基于深度學(xué)習(xí)的目標(biāo)檢測方式,其主要算法分為單階段和兩階段檢測算法。兩階段檢測代表算法有R-CNN(Region-based Convolutional Neural Network)系列算法[3-5];單階段檢測的代表算法有SSD(Single Shot MultiBox Detector)[6]和YOLO(You Only Look Once)[7-8]系列。

采用深度學(xué)習(xí)目標(biāo)檢測的代表性成果有:文獻(xiàn)[9]提出一種改進(jìn)的YOLOv3算法,可以更好地采集無人機(jī)拍攝的絕緣子圖像數(shù)據(jù)集的數(shù)據(jù)特征以提升算法性能;文獻(xiàn)[10]通過改進(jìn)YOLOv4的空間金字塔結(jié)構(gòu)和平均交叉熵的方式提升了網(wǎng)絡(luò)的檢測精度;為了更好地提高模型的泛化能力與精度,文獻(xiàn)[11]結(jié)合GAM(Global Attention Mechanism)注意力模塊與自適應(yīng)特征融合ASFF(Attentional Semantic Feature Fusion)模塊改進(jìn)了YOLOv5算法。雖然以上研究成果在檢測精度上取得了不錯的提升,但依舊存在檢測目標(biāo)單一,誤檢、漏檢率高的問題,難以滿足實(shí)際工程中對缺陷檢測的高標(biāo)準(zhǔn)。

針對絕緣子檢測時(shí)出現(xiàn)的復(fù)雜背景干擾以及實(shí)際運(yùn)用中存在的誤檢、漏檢問題,本文以YOLOv5 6.2版本中的YOLOv5s算法為基礎(chǔ)算法,對絕緣子缺陷檢測進(jìn)行研究。首先,用全維動態(tài)卷積(Omni-Dimensional Dynamic Convolution,ODConv)來替換原網(wǎng)絡(luò)中的部分卷積層,在提高算法模型在復(fù)雜環(huán)境下對絕緣子缺陷檢測的準(zhǔn)確率的同時(shí)保持其有效的推理速度[12];其次,將原檢測頭替換為YOLOX所提出的解耦檢測頭,以避免因頭部耦合給絕緣子缺陷檢測算法性能帶來損失[13]2;最后,為提升算法在復(fù)雜背景下的特征提取能力來避免誤檢、漏檢問題,引入CA(Content-based Attention)注意力機(jī)制,并通過實(shí)驗(yàn)對比驗(yàn)證后確定將CA注意力模塊嵌入至算法骨干網(wǎng)絡(luò)部分中,使其更加有效地關(guān)注目標(biāo)信息[14]。本文組織結(jié)構(gòu)如下:第一部分簡要介紹了YOLOv5算法各層網(wǎng)絡(luò)結(jié)構(gòu);第二部分描述了YOLOv5算法的改進(jìn)方法;第三部分介紹了數(shù)據(jù)集,并進(jìn)行了一系列實(shí)驗(yàn)來驗(yàn)證所提出改進(jìn)方法的可行性和優(yōu)越性;最后對全文進(jìn)行總結(jié)。

1 YOLOv5目標(biāo)檢測算法

YOLOv5是一種單階段目標(biāo)檢測算法,吸取了很多檢測算法的優(yōu)點(diǎn),自2020年發(fā)布以來一直在活躍更新迭代中。根據(jù)網(wǎng)絡(luò)的深度和寬度將YOLOv5依次遞增分為YOLOv5n、YOLOv5s、YOLOv5m等體量不同的版本。YOLOv5s在保證了較高的檢測精度與速度的同時(shí)又擁有較小的參數(shù)量,更加容易在嵌入式端口部署,所以本文選擇YOLOv5s為基礎(chǔ)進(jìn)行相關(guān)的改進(jìn)。YOLOv5s算法主要由Input、Backbone、Neck、Output組成,其主要網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOv5s的網(wǎng)絡(luò)結(jié)構(gòu)圖

在輸入端采用了Mosaic和Mixup等相結(jié)合的數(shù)據(jù)增強(qiáng)方式對數(shù)據(jù)集進(jìn)行預(yù)處理,同時(shí)對不同數(shù)據(jù)集采用自適應(yīng)錨框技術(shù)與自適應(yīng)圖片縮放。在主干網(wǎng)絡(luò)(Backbone)中,通過CBS(Constraint-Based Search)、C3和SPPF(Shared Packed Parse Forest)模塊對數(shù)據(jù)的特征進(jìn)行提取,進(jìn)行下采樣操作,生成不同尺度的3種不同的特征圖并輸入到下一層。算法的Neck部主要是由FPN(Feature Pyramid Network)和PAN(Path Aggregation Network)相互結(jié)合的結(jié)構(gòu),這兩種結(jié)構(gòu)分別采用自上而下與自下而上兩種互補(bǔ)的采樣方式來傳遞上層的語義特征與下層的強(qiáng)定位特征。從不同的主干層對檢測層的參數(shù)進(jìn)行聚合來增強(qiáng)特征圖的層次結(jié)構(gòu),從而增強(qiáng)網(wǎng)絡(luò)的特征融合能力。輸出層為預(yù)測大、中、小的特征圖,采用CIOU(Complete IoU)函數(shù)作為邊界框的損失函數(shù),并且采用非極大值抑制(Non-Maximum Suppression,NMS)來篩選多目標(biāo)框,避免檢測目標(biāo)相互遮擋問題。

2 改進(jìn)的YOLOv5目標(biāo)檢測算法

針對在復(fù)雜背景下絕緣子缺陷檢測存在的誤檢、漏檢與精度較低等問題,本文在YOLOv5s網(wǎng)絡(luò)中加入了以下改進(jìn),具體改進(jìn)后的算法網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。首先,在原算法的Neck部分引用全維動態(tài)卷積ODConv替換一部分傳統(tǒng)卷積;然后,在檢測頭處將原算法的耦合檢測頭替換為解耦檢測頭,并在算法網(wǎng)絡(luò)中融合CA注意力機(jī)制;最后,將3種改進(jìn)方法融合,并得到最終的絕緣子目標(biāo)檢測算法YOLOv5s-ODC(ODConv+Decoupling head+Coordinate Attention)。下面將逐一介紹改進(jìn)內(nèi)容。

圖2 YOLOv5s-ODC的網(wǎng)絡(luò)結(jié)構(gòu)圖

2.1 全維動態(tài)卷積ODConv

在傳統(tǒng)卷積中,為了提高模型性能,大多數(shù)是采用堆疊或增加卷積層的方法,這種方式不僅會使算法計(jì)算成本增加,還會影響絕緣子缺陷檢測的檢測效率。為了在提升性能的同時(shí)不增加過多的參數(shù)量和計(jì)算成本,本文向算法中引入了全維動態(tài)卷積ODConv。與傳統(tǒng)的動態(tài)卷積只關(guān)注在卷積核維度上的注意力不同,ODConv在卷積中以并行的方式加入了多個(gè)維度的互補(bǔ)注意力,因此被稱為全維動態(tài)卷積。ODConv結(jié)構(gòu)如圖3所示。

圖3 ODConv結(jié)構(gòu)圖

ODConv利用一種新的多維注意力機(jī)制,以并行的方式計(jì)算了4種類型的注意力,其中ODConv對動態(tài)卷積的定義為

y=(αw1⊙αf1⊙αc1⊙αs1⊙W1+…+αwn⊙αfn⊙αcn⊙αsn⊙Wn)*x

(1)

式中,αw1為對卷積核Wi維度的注意力,αs1為沿卷積核空間維度的注意力,αc1為沿輸入通道維度的注意力,αf1為沿輸出通道維度的注意力。 ⊙表示沿核空間不同維度的乘法操作。x表示與一個(gè)多頭注意力模塊進(jìn)行計(jì)算。這4類不同的注意力是相輔相成的,按照位置、通道、濾波器和核等維度依次乘以卷積核Wi并且累加,使卷積運(yùn)算相對于輸入x的所有空間位置、輸入信道、濾波器和內(nèi)核存在差異性,保證捕獲豐富的上下文線索。由于卷積的特征提取能力得到了增強(qiáng),與擁有多個(gè)內(nèi)核的動態(tài)卷積對比,ODConv仍然擁有競爭力甚至更有優(yōu)勢,并且減少了額外的參數(shù)。

2.2 頭部解耦

在目標(biāo)檢測中,分類與回歸任務(wù)的沖突問題受到了關(guān)注。隨著YOLO系列目標(biāo)檢測算法的不斷更新,其檢測頭依舊是耦合的。根據(jù)文獻(xiàn)[13]2可知,算法的性能會因檢測頭的耦合導(dǎo)致?lián)p壞,將YOLO的檢測頭替換成解耦頭可以提高收斂速度,且在端到端的YOLO版本中,使用解耦頭進(jìn)行訓(xùn)練時(shí),其精度下降要遠(yuǎn)遠(yuǎn)低于使用耦合頭的版本。

為了避免分類與回歸任務(wù)的沖突,提高算法模型的性能,本文將解耦檢測頭引入到Y(jié)OLOv5s來代替原有的耦合檢測頭(見圖4)。

圖4 解耦檢測頭結(jié)構(gòu)圖

解耦頭首先采用1×1卷積層將輸入特征中的每一層特征通道減少到256個(gè),然后增加了兩個(gè)平行的3×3卷積層分支,分別負(fù)責(zé)分類和回歸任務(wù),最后再經(jīng)過1×1卷積層將通道數(shù)調(diào)整為預(yù)測目標(biāo)類別數(shù)。其中,Cls分支完成分類任務(wù),Reg負(fù)責(zé)輸出預(yù)測框的回歸參數(shù),Obj負(fù)責(zé)判斷預(yù)測框中是否含有絕緣子缺陷目標(biāo)。

2.3 CA注意力機(jī)制

本文引入了帶注意力機(jī)制的ODConv雖然提升了算法的特征提取能力,但對較為復(fù)雜背景下的絕緣子檢測仍然有誤檢、漏檢情況。為了排除背景的干擾提高對小目標(biāo)的檢測效果,合理利用算法的視覺信息處理資源并且進(jìn)一步提升算法的特征提取能力,本文在YOLOv5s中引入了CA注意力機(jī)制。

與傳統(tǒng)通道注意力機(jī)制不同,CA注意力不僅關(guān)注權(quán)衡不同通道的重要性,還考慮了對空間信息進(jìn)行編碼。首先,CA模塊對給定的輸入值x分別以水平和垂直坐標(biāo)方向進(jìn)行編碼。第C個(gè)通道在高度H和寬度W處的輸出可以表示為:

(2)

(3)

這兩種轉(zhuǎn)換可以在高度和寬度方向上都得到兩個(gè)特征圖。其次,將兩種聚合特征圖連接起來發(fā)送到共享的1×1卷積變換函數(shù)F1中,從空間方向進(jìn)行上下采樣,得到特征圖f,其中包含了兩個(gè)坐標(biāo)方向的中間特征。再次,將f分為獨(dú)立的兩個(gè)張量,再通過1×1卷積將兩個(gè)張量變換為相同通道的張量并輸入到x中。最后,將輸出的gh和gw展開,作為注意力的兩個(gè)權(quán)重,得出坐標(biāo)注意力yc。計(jì)算公式如下:

f=δ(F1([zh,zw]))

(4)

gh=σ(Fh(fh))

(5)

gw=σ(Fw(fw))

(6)

(7)

式中,δ為非線性激活函數(shù),[…,…]表示zh和zw是沿空間維度的拼接運(yùn)算,F1、Fh和Fw為1×1卷積,fh和fw兩個(gè)獨(dú)立的的張量,σ表示為Sigmoid函數(shù)。CA模塊結(jié)構(gòu)如圖5所示。

圖5 CA注意力模塊

由圖5可知,通過式(2)～式(7)的轉(zhuǎn)換,CA可以沿著一個(gè)空間方向(X)捕獲到遠(yuǎn)程的相關(guān)性,同時(shí)可以在另一個(gè)方向(Y)上保留精確的位置信息,從而提高對感興趣目標(biāo)的表達(dá)能力。因此,可以在不需要過多計(jì)算開銷的同時(shí)極大的減少復(fù)雜背景對檢測目標(biāo)的干擾。

很多學(xué)者已經(jīng)通過實(shí)驗(yàn)證明了在卷積神經(jīng)網(wǎng)絡(luò)中嵌入CA注意力模塊可以有效提升目標(biāo)檢測任務(wù)的性能,但是將CA嵌入到網(wǎng)絡(luò)結(jié)構(gòu)中的哪一個(gè)部分并沒有統(tǒng)一的答案。本文基于2.1節(jié)和2.2節(jié)兩種改進(jìn)后的算法YOLOv5s-OD(ODConv+Decoupling head),將CA注意力模塊分別嵌入到算法網(wǎng)絡(luò)的不同部位進(jìn)行驗(yàn)證。具體方法如圖6所示,分別產(chǎn)生了4種新的網(wǎng)絡(luò)模型:

圖6 CA注意力模塊4種嵌入方式

1)將CA注意力層嵌入至骨干部分的池化層上一層構(gòu)成算法YOLOv5s-OD-A,如圖6(a)所示;

2)將CA注意力層嵌入至檢測頭的前一層構(gòu)成YOLOv5s-OD-B算法,如圖6(b)所示;

3)將CA注意力層融入了C3模塊的add操作之后構(gòu)成算法YOLOv5s-OD-C,如圖6(c)所示;

4)將CA注意力模塊融入了C3模塊的Concat操作之后的算法YOLOv5s-OD-D,如圖6(d)所示。

通過實(shí)驗(yàn)得出,只有YOLOv5s-OD-C的改進(jìn)方式可以提升算法性能。因此,本文采用圖6(c)的CA注意力融合方式,得到最終優(yōu)化算法YOLOv5s-ODC。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)的操作系統(tǒng)為Windows 10 64位,采用Pytorch1.8.2+cu111深度學(xué)習(xí)框架,python編程語言,Cuda版本為11.1,cudnn版本為8.0.5。硬件配置為:CPU為12th Gen Intel?CoreTMi9-12900K 3.20GHz,NVIDIA GeForce RTX 3080 10GB顯存,32GB運(yùn)行內(nèi)存。改進(jìn)后算法訓(xùn)練的超參數(shù)設(shè)置為:動量為0.937,初始學(xué)習(xí)率為0.01,迭代次數(shù)為300次,batchsize為16,權(quán)重衰減為0.000 5。

3.2 數(shù)據(jù)集

本文的數(shù)據(jù)集由兩種不同的數(shù)據(jù)集融合而成,分別為:

1)CPLID是由國家電網(wǎng)公司提供的高壓絕緣子航拍圖像集,包含正常絕緣子圖像600張與爆破絕緣子圖像248張;

2)絕緣子缺陷圖像數(shù)據(jù)集EPRI,包含絕緣子閃絡(luò)故障、破損故障和良好的絕緣體外殼圖片共1 684張。通過數(shù)據(jù)清洗,剔除高度相似的圖像、低清晰度的圖像,得到可用圖像485張。

為避免數(shù)據(jù)集樣本過少造成過擬合影響算法對絕緣子及其缺陷部位檢測效果,并模擬復(fù)雜環(huán)境對絕緣子檢測的影響,本文對融合后的數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng),通過旋轉(zhuǎn)、隨機(jī)裁剪、模糊與亮度調(diào)整等方式將圖像擴(kuò)充至3 996張。

本文使用LabelImage標(biāo)記工具來對融合后的數(shù)據(jù)集進(jìn)行標(biāo)記,并將數(shù)據(jù)集圖像目標(biāo)分為4大類,按照8∶1∶1的比例,將標(biāo)記好的數(shù)據(jù)集隨機(jī)分成訓(xùn)練集、驗(yàn)證集和測試集。經(jīng)過數(shù)據(jù)集處理,各類目標(biāo)的名稱與數(shù)量如下:insulator類5 124個(gè),defect類714個(gè),broken類961個(gè),flash類1 943個(gè)。

3.3 模型算法評價(jià)指標(biāo)

為了對模型算法的性能進(jìn)行客觀評判,實(shí)驗(yàn)采用準(zhǔn)確率(precision,P)、召回率(recall,R)、多類別平均精度(mean average precision,mAP)、占用儲存空間大小(單位:MB)、檢測速度(單位:ms)等指標(biāo)衡量算法的優(yōu)越性。P、R、mAP具體計(jì)算如下:

(8)

(9)

(10)

式中,TP為正樣本目標(biāo)被正確檢出的數(shù)量;FP為正樣本目標(biāo)被錯誤檢出的數(shù)量;FN為樣本未被檢出的數(shù)量;n為類別數(shù);AP為某個(gè)類別的平均精度。

3.4 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文提出的3種改進(jìn)方式的有效性,分別設(shè)計(jì)了融合注意力模塊驗(yàn)證實(shí)驗(yàn)、消融實(shí)驗(yàn)、主流算法對比實(shí)驗(yàn)和圖像檢測結(jié)果對比實(shí)驗(yàn)。

1)融合注意力模塊的實(shí)驗(yàn)分析 為探究注意力模塊在算法不同部分對算法性能的影響,本文將CA注意力模塊分別嵌入到算法網(wǎng)絡(luò)YOLOv5s-OD(ODConv)的4個(gè)不同部分,形成了圖7中提出的4種算法,將4個(gè)算法的檢測結(jié)果與原算法進(jìn)行對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如表1所示。

表1 融合注意力模塊驗(yàn)證實(shí)驗(yàn)

圖7 平均精確率對比圖

由表1可知,只有YOLOv5s-OD-C算法的平均檢測精度相較于原模型有所提高,雖然檢測速度有所降低,但是提升了0.5個(gè)百分點(diǎn)的平均檢測精度。該實(shí)驗(yàn)表明在網(wǎng)絡(luò)結(jié)構(gòu)特征融合add之后嵌入注意力模塊可以提升算法的檢測效果,證明了方法的可行性,因此,本文采用YOLOv5s-OD-C的注意力融合方式。

2)消融實(shí)驗(yàn) 本文針對YOLOv5s算法提出了3種改進(jìn)方法,分別為O(ODConv)、D(解耦檢測頭)和C(CA),在原數(shù)據(jù)集上設(shè)計(jì)了消融實(shí)驗(yàn)。分別驗(yàn)證3種模塊單獨(dú)加入算法時(shí)的有效性和同時(shí)采用3種改進(jìn)在算法上的有效性。消融實(shí)驗(yàn)具體結(jié)果如表2所示。

表2 消融實(shí)驗(yàn)結(jié)果

表2中“√”代表引用該方法,“×”表示未引用該方法。由表2可知,相比于原模型,引用解耦檢測頭對算法的平均精度提升最為明顯,平均檢測精度提升了2.0個(gè)百分點(diǎn),但是對模型體積影響較大(增加了14MB),檢測速度增加了1.8ms。引入ODConv后平均檢測精度增加了0.8個(gè)百分點(diǎn),體積沒有影響,檢測速度也僅增加了1ms。當(dāng)向網(wǎng)絡(luò)里融合了CA注意力機(jī)制后,平均檢測精度提升了0.9個(gè)百分點(diǎn),體積提升了0.1MB,檢測速度增加了0.9ms。由此證明了3種改進(jìn)單獨(dú)加入網(wǎng)絡(luò)中的有效性。改進(jìn)后算法與原算法的性能對比如圖7所示。

由圖7和表2可知,改進(jìn)后的算法在性能上明顯優(yōu)于原算法,本文提出的YOLOv5s-ODC算法與原算法相比,平均檢測精度提升了2.5個(gè)百分點(diǎn),模型體積提升了14.2MB,檢測速度增加了6.3ms。說明改進(jìn)后的算法在滿足實(shí)際運(yùn)用的要求的基礎(chǔ)上擁有更高的檢測精度。

3)對比實(shí)驗(yàn) 為了證明本文算法相較于主流目標(biāo)檢測算法的有效性與優(yōu)越性,本文將最終算法模型與主流目標(biāo)檢測模型和嵌入不同的注意力機(jī)制CBAM(Convolutional Block Attention Module)[15]、SE(Squeeze-and-Excitation)[16]在本文所用數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)對比,結(jié)果如表3所示。

表3 不同算法模型在本文數(shù)據(jù)集上的性能對比

由表3可知,YOLv5s-ODC算法擁有最高的平均檢測精度。在檢測精度方面SSD算法雖然擁有最高的準(zhǔn)確率,但是在平均檢測精度上只有58.1%,無法在實(shí)際條件下應(yīng)用。在檢測速度上原算法YOLOv5s有優(yōu)勢,但是它的平均檢測精度相較于本文所提算法相差2.5個(gè)百分點(diǎn)。在不同的注意力機(jī)制上,本文所引用的CA注意力機(jī)制在平均檢測精度上有著明顯的優(yōu)勢。

綜上所述,與主流目標(biāo)檢測算法相比較,本文所提出的YOLOv5s-ODC算法擁有最高的檢測精度,并擁有相對輕量的體積,有利于算法在嵌入式設(shè)備上的植入,在絕緣子缺陷目標(biāo)檢測領(lǐng)域中具備一定的競爭力。

4)圖像檢測結(jié)果對比實(shí)驗(yàn) 為了驗(yàn)證本文所提出的算法相對于原算法在絕緣子缺陷檢測上的優(yōu)勢,本文將隨機(jī)選取包含絕緣子缺陷的圖片對兩種算法進(jìn)行驗(yàn)證實(shí)驗(yàn),部分檢測結(jié)果如圖8所示。

圖8 檢測結(jié)果

由圖8可知,第一組和第二組檢測圖片中原算法都存在著誤檢和漏檢現(xiàn)象,但在改進(jìn)后的算法檢測中都改善了這些錯誤。第二組和第三組的圖像比較中,改進(jìn)后的算法所檢測出的故障目標(biāo)置信度都有所提高,其中第二組類別broken(絕緣子破損類)的檢測置信度從0.64上升到了0.79,第三組類別flash(絕緣子閃絡(luò)類)的檢測置信度也比原算法分別高出0.08、0.08和0.13。

綜上所述,改進(jìn)后的算法YOLOv5s-ODC有效地解決了原算法的誤檢、漏檢現(xiàn)象,并且有效地提升了算法在復(fù)雜環(huán)境下對絕緣子故障的識別精度。

4 結(jié)論與展望

本文提出了一種基于改進(jìn)YOLOv5的絕緣子故障檢測算法YOLOv5s-ODC,分別以在算法Neck部分引入全維動態(tài)卷積ODConv、采用解耦檢測頭來替換原算法的耦合檢測頭、融合CA注意力模塊的方式對YOLOv5s模式進(jìn)行改進(jìn)。實(shí)驗(yàn)結(jié)果證明經(jīng)過改進(jìn)后的算法在絕緣子故障數(shù)據(jù)集上相較于原模型,檢測精度提高了2.5個(gè)百分點(diǎn),同時(shí)改善了誤檢、漏檢問題。改進(jìn)后算法在主流的目標(biāo)檢測算法的對比中有更明顯的優(yōu)勢,更加符合實(shí)時(shí)檢測的高精度、實(shí)時(shí)性的要求。

改進(jìn)后的算法滿足了實(shí)際工作中的需求,但在檢測速度上與原算法相比還有所不足。今后工作應(yīng)著重于提升算法檢測速度、優(yōu)化算法體積,以實(shí)現(xiàn)算法在邊緣計(jì)算設(shè)備中的部署。