摘 "要： 針對(duì)絕緣子小目標(biāo)特征信息不足導(dǎo)致的檢測(cè)精度低、模型體積大不利于硬件移植等問題，提出一種多尺度檢測(cè)算法MPH?YOLO。MPH?YOLO首先通過擴(kuò)充小目標(biāo)檢測(cè)尺度，提高小目標(biāo)感知能力；其次使用SIoU損失函數(shù)代替YOLOv8s中的CIoU損失函數(shù)作為邊框損失函數(shù)，增強(qiáng)對(duì)目標(biāo)的定位精度；最后引入更低成本的Ghost卷積代替網(wǎng)絡(luò)結(jié)構(gòu)中的傳統(tǒng)卷積，輕量化模型的體積。改進(jìn)后的算法在絕緣子數(shù)據(jù)集上的檢測(cè)精度和模型輕量化均有提升，檢測(cè)精度mAP50?95為86.2%，模型體積僅有4.7 MB。實(shí)驗(yàn)結(jié)果表明，MPH?YOLO不僅能夠有效改善小目標(biāo)檢測(cè)，而且更加輕量化有利于硬件移植，具有較高的實(shí)用價(jià)值。

關(guān)鍵詞： 絕緣子； 多尺度檢測(cè)； 小目標(biāo)； YOLOv8s； SIoU； Ghost卷積

中圖分類號(hào)： TN911.23?34； TP391.4 " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A " " " " " " " " "文章編號(hào)： 1004?373X（2024）15?0133?06

Multi?scale object detection algorithm based on improved YOLOv8s

WEN Siyu1， 2， 3， ZHANG Shang2， 3， ZHANG Chaoyang2， 3， RAN Xiukang2， 3

（1. Chongqing University of Technology， Chongqing 400054， China;

2. Hubei Key Laboratory of Intelligent Vision Based Monitoring for Hydroelectric Engineering， Yichang 443002， China;

3. Hubei Province Engineering Technology Research Center for Construction Quality Testing Equipments， Yichang 443002， China）

Abstract： In view of the low detection accuracy caused by insufficient feature information of small objects like insulators and the large model size that is not conducive to hardware transplantation， a multi?scale detection algorithm MPH?YOLO （multiple prediction head?you only look once） is proposed. The algorithm MPH?YOLO improves the detection ability of small objects by expanding the detection scale of small object first， and then the CIoU loss function in YOLOv8s is replaced with the SIoU loss function as the edge loss function， so as to enhance the positional accuracy of the object. The Ghost convolution with lower cost is introduced instead of the traditional convolution in the network structure， so as to lighten the volume of the model. In terms of the improved algorithm， both its detection accuracy and model lightweight on the insulator dataset are improved， with a detection accuracy of 86.2% for mAP50?95 and a model volume of only 4.7 MB. The experimental results show that the MPH?YOLO not only can improve the detection of small objects effectively， but also be more lightweight for hardware transplantation， so it has high practical value.

Keywords： insulator; multi?scale detection; small object; YOLOv8s; SIoU; Ghost convolution

0 "引 "言

絕緣子是輸電線路的重要組成部分，具有提供絕緣和機(jī)械強(qiáng)度的功能。長(zhǎng)期暴露在污染、雨水、風(fēng)等惡劣環(huán)境條件下，絕緣子容易受到影響并產(chǎn)生缺陷。電力系統(tǒng)檢查的常見方法是維護(hù)人員步行巡邏，但使用傳統(tǒng)方法進(jìn)行絕緣子檢測(cè)效率低下、耗時(shí)且成本高昂[1]。基于人工智能的計(jì)算機(jī)技術(shù)已經(jīng)廣泛應(yīng)用于目標(biāo)檢測(cè)和分類中，為絕緣子檢測(cè)的發(fā)展提供了強(qiáng)大的支持。與傳統(tǒng)的基于機(jī)器學(xué)習(xí)[2]的目標(biāo)檢測(cè)算法相比，深度學(xué)習(xí)[3?4]具有更快的識(shí)別速度和更高的效率，現(xiàn)已逐漸成為目標(biāo)檢測(cè)的主流方法。隨著基于深度學(xué)習(xí)的算法在圖像識(shí)別領(lǐng)域的不斷突破，許多具有代表性的目標(biāo)檢測(cè)算法被不斷提出并廣泛應(yīng)用。文獻(xiàn)[5]開創(chuàng)性地提出了兩階段目標(biāo)檢測(cè)算法R?CNN，主要思想是將目標(biāo)檢測(cè)分為兩個(gè)步驟：生成候選框后進(jìn)行特征提取；然后使用支持向量機(jī)[6]對(duì)目標(biāo)進(jìn)行分類。然而R?CNN訓(xùn)練內(nèi)存消耗大并且非常耗時(shí)。為了加快推理速度以達(dá)到更好的檢測(cè)精度，S. Ren團(tuán)隊(duì)提出了Faster R?CNN[7]。Faster R?CNN算法使用提取候選區(qū)域網(wǎng)絡(luò)選擇性搜索生成感興趣區(qū)域?？偟膩碚f，兩階段檢測(cè)算法需要分兩步完成，速度相對(duì)較慢，難以實(shí)現(xiàn)實(shí)時(shí)推理。為了解決兩階段探測(cè)算法的問題，文獻(xiàn)[8]提出了一種單階段檢測(cè)算法YOLO，對(duì)圖像進(jìn)行分割劃分為網(wǎng)格單元，并將每個(gè)單元視為一個(gè)候選框檢測(cè)物體。YOLO與Faster R?CNN相比，省略了候選框生成并實(shí)現(xiàn)了端到端檢測(cè)，大大提高了檢測(cè)速度。隨后的單階段檢測(cè)算法都繼承了這一思想，例如SSD[9]以及后續(xù)的YOLO[10]系列算法。

在絕緣子目標(biāo)檢測(cè)實(shí)際應(yīng)用中，選取準(zhǔn)確性高且具有實(shí)時(shí)性檢測(cè)的算法是故障診斷首要考慮的因素。文獻(xiàn)[11]利用空洞卷積層替換原始卷積層對(duì)YOLOv3進(jìn)行改進(jìn)，并結(jié)合k?means聚類算法進(jìn)行聚類，有效提高了絕緣子檢測(cè)精度。文獻(xiàn)[12]采用輕量化網(wǎng)絡(luò)MobileNetv2替換YOLOv4主干網(wǎng)絡(luò)，提高了模型推理速度，提升了絕緣子故障的檢測(cè)速度。文獻(xiàn)[13]通過在YOLOv5中改進(jìn)BiFPN特征金字塔結(jié)構(gòu)，使網(wǎng)絡(luò)能夠?qū)W習(xí)絕緣子的不同重要性輸入特征。文獻(xiàn)[14]通過對(duì)YOLOv7添加注意力機(jī)制網(wǎng)絡(luò)，降低了檢測(cè)中的漏檢率。但是，上述方法沒有考慮到實(shí)際檢測(cè)過程中由于小目標(biāo)導(dǎo)致的檢測(cè)精度降低，并在檢測(cè)精確度和模型輕量化上有待進(jìn)一步提高。

為了更好地對(duì)絕緣子進(jìn)行實(shí)時(shí)性檢測(cè)，本文基于YOLOv8s目標(biāo)檢測(cè)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行改進(jìn)，貢獻(xiàn)如下：

1） 對(duì)原有檢測(cè)尺度進(jìn)行擴(kuò)充，實(shí)現(xiàn)了四尺度檢測(cè)，提高檢測(cè)網(wǎng)絡(luò)對(duì)小目標(biāo)的檢測(cè)能力，提高了檢測(cè)效果。

2） 引入SIoU作為邊框損失函數(shù)，加快檢測(cè)網(wǎng)絡(luò)收斂，增強(qiáng)對(duì)目標(biāo)的定位精度。

3） 對(duì)模型的主干網(wǎng)絡(luò)進(jìn)行了輕量化替換，降低了檢測(cè)網(wǎng)絡(luò)的計(jì)算量和檢測(cè)速度。

4） 在無人機(jī)拍攝的絕緣子缺陷圖像數(shù)據(jù)集上校驗(yàn)改進(jìn)算法的性能，并與多個(gè)模型進(jìn)行對(duì)比。

1 "YOLOv8網(wǎng)絡(luò)

YOLOv8是YOLO系列算法最新推出的檢測(cè)算法，它能夠完成檢測(cè)、分類和分割任務(wù)。YOLOv8的網(wǎng)絡(luò)結(jié)構(gòu)由輸入端（Input）、主干網(wǎng)絡(luò)（Backbone）、頸部網(wǎng)絡(luò)（Neck）、預(yù)測(cè)網(wǎng)絡(luò)（Prediction）四個(gè)部分組成。相比之前的YOLO算法，YOLOv8采用了更為優(yōu)秀的網(wǎng)絡(luò)結(jié)構(gòu)?？偟膩碚f，YOLOv8的推出對(duì)目標(biāo)檢測(cè)任務(wù)具有重要的意義，但在絕緣子檢測(cè)精度和模型輕量化上仍然具有進(jìn)步空間。

2 "多尺度檢測(cè)算法設(shè)計(jì)

2.1 "增加小目標(biāo)檢測(cè)尺度

在無人機(jī)捕獲絕緣子的場(chǎng)景中，由于無人機(jī)總是在不同的高度飛行，目標(biāo)尺度變化很大，給網(wǎng)絡(luò)的優(yōu)化帶來了負(fù)擔(dān)[15]。在觀察無人機(jī)拍攝的絕緣子數(shù)據(jù)集中，發(fā)現(xiàn)它包含許多非常小的實(shí)例，因此添加了一個(gè)160 pixel×160 pixel的檢測(cè)尺度來檢測(cè)小目標(biāo)。新增的檢測(cè)頭P2與其他三個(gè)預(yù)測(cè)頭共同組成的多尺度結(jié)構(gòu)，可以減輕劇烈的物體尺度變化造成的負(fù)面影響。如圖1所示，本文添加的檢測(cè)尺度是從淺層、高分辨率特征圖生成的，對(duì)微小物體更敏感。

添加額外的檢測(cè)尺度后，雖然計(jì)算和內(nèi)存成本增加，但絕緣子小目標(biāo)檢測(cè)的性能得到了較大的提升。通過在YOLOv8s的檢測(cè)層中增加小目標(biāo)檢測(cè)尺度，增強(qiáng)了網(wǎng)絡(luò)局部感知能力，擴(kuò)大了檢測(cè)范圍，促使特征融合，提高了模型小目標(biāo)檢測(cè)能力。此外，MPH?YOLO還通過改進(jìn)損失函數(shù)與引入輕量化網(wǎng)絡(luò)使模型進(jìn)一步提升，在檢測(cè)精度和模型輕量化方面都取得了最優(yōu)化。

2.2 "改進(jìn)邊界框損失函數(shù)

YOLOv8的邊框回歸損失使用CIoU損失函數(shù)[16]進(jìn)行計(jì)算，然而CIoU損失函數(shù)在定義時(shí)未考慮到真實(shí)框與預(yù)測(cè)框之間的角度影響。SIoU損失函數(shù)的引入進(jìn)一步考慮了真實(shí)框和預(yù)測(cè)框之間的向量角度，其包含的參數(shù)和示意圖如圖2所示。使用SIoU損失函數(shù)增強(qiáng)了錨定框?qū)δ繕?biāo)的定位準(zhǔn)確度，加快了模型的收斂速度。

[LossSIoU=1-IoU+Δ+Ω2] （1）

式中：IoU為交并比損失；[Δ]與[Ω]分別為損失函數(shù)距離損失與形狀損失。

2.2.1 "角度損失

角度損失首先會(huì)嘗試將預(yù)測(cè)框帶到與真實(shí)框[x]軸或[y]軸水平（以最接近者為準(zhǔn)），然后沿著相關(guān)軸繼續(xù)接近，角度損失的計(jì)算公式如下：

[Λ=1-2?sin2arcsinCx σ-π4] （2）

[Cx σ=sin α] （3）

式中：[σ]為預(yù)測(cè)框中點(diǎn)與真實(shí)框中點(diǎn)之間的距離；[Cx]為兩框中點(diǎn)之間的高度差。

2.2.2 "距離損失

考慮到角度因素，SIoU損失函數(shù)重新對(duì)距離損失進(jìn)行了定義，具體的距離損失計(jì)算公式如下：

[Δ=t=x，y（1-e-γρt）=2-e-γρx-e-γρy] （4）

式中：[γ=2-Λ]；[ρx]為[Cx]與[Cw]之比的平方；[ρy]為[Cy]與[Ch]之比的平方。由于角度損失的影響，當(dāng)預(yù)測(cè)框和真實(shí)框臨近水平時(shí)，距離損失的貢獻(xiàn)較小，中心點(diǎn)之間的夾角[α]越接近45°時(shí)，距離損失的貢獻(xiàn)越大。

2.2.3 "形狀損失

形狀損失由預(yù)測(cè)框和真實(shí)框的寬度差、高度差和參數(shù)來計(jì)算，并采用調(diào)整的數(shù)值控制對(duì)形狀損失的關(guān)注程度。

[Ω=（1-e-ωw）θ+（1-e-ωh）θ] （5）

式中：[ωw]為預(yù)測(cè)框和真實(shí)框的兩框?qū)挾炔畹慕^對(duì)值與最大值之比；[ωh]為預(yù)測(cè)框和真實(shí)框的兩框高度差的絕對(duì)值與最大值之比；[θ]為形狀損失的權(quán)重系數(shù)。

MPH?YOLO通過改進(jìn)SIoU損失函數(shù)，提高了訓(xùn)練的準(zhǔn)確性。相比YOLOv8原始CIoU損失函數(shù)，SIoU損失函數(shù)考慮了角度因素，增強(qiáng)了對(duì)目標(biāo)的定位精度。

2.3 "引入Ghostnet輕量化網(wǎng)絡(luò)

加深網(wǎng)絡(luò)層數(shù)后，模型的檢測(cè)精度有較大提升，但存在檢測(cè)速度較慢的缺點(diǎn)。卷積操作生成了大量冗余的特征圖，這些特征圖被傳遞到下一個(gè)卷積層進(jìn)行進(jìn)一步的處理。上述過程產(chǎn)生了大量網(wǎng)絡(luò)參數(shù)，導(dǎo)致計(jì)算資源的巨大消耗。Ghostnet考慮到這些冗余特征信息可能是模型的重要組成部分，嘗試使用更低成本的計(jì)算來獲取這些冗余的特征信息。為了得到更輕量化的模型，MPH?YOLO的主干網(wǎng)絡(luò)通過引入Ghost卷積替換傳統(tǒng)卷積結(jié)構(gòu)。Ghost卷積將傳統(tǒng)卷積操作分為兩部分，如圖3所示。

Ghost卷積第一步使用少量卷積核進(jìn)行卷積操作；第二步對(duì)逐個(gè)特征圖使用廉價(jià)的線性運(yùn)算[Φ]，最終將第一部分作為一份恒等映射，與廉價(jià)的線性運(yùn)算的結(jié)果進(jìn)行Concat操作。GhostC2f模塊則是將C2f模塊里普通卷積替換為Ghost卷積得到的，用于替換原有主干網(wǎng)絡(luò)里的C2f模塊。

MPH?YOLO通過引入Ghostnet輕量化網(wǎng)絡(luò)，采用低成本的計(jì)算來獲取冗余特征信息，并利用更少的參數(shù)生成更多的特征圖。改進(jìn)后的MPH?YOLO網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，在保證檢測(cè)性能的同時(shí)，采用輕量化主干網(wǎng)絡(luò)減小了模型的參數(shù)量和計(jì)算量。

3 "實(shí)驗(yàn)與結(jié)果分析

3.1 "實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集

本實(shí)驗(yàn)訓(xùn)練過程在Windows 11、Pytorch神經(jīng)網(wǎng)絡(luò)框架下進(jìn)行，調(diào)用GPU進(jìn)行訓(xùn)練，配置為NVIDIA GeForce RTX 3050。本文使用的數(shù)據(jù)集來自于無人機(jī)采集的圖像，共4 829張圖像。圖像共有4個(gè)種類，包括針式絕緣子（Normal Pin Insulator）、盤式絕緣子（Normal Disc Insulator）、損壞的針式絕緣子（Defective Pin Insulator）以及損壞的盤式絕緣子（Defective Disc Insulator），訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)集按表1劃分。

3.2 "評(píng)價(jià)指標(biāo)

圖像目標(biāo)檢測(cè)常用的評(píng)價(jià)指標(biāo)主要有精準(zhǔn)率[P]（Precision）、召回率[R]（Recall）、平均精度AP（Average Precision）、平均精度均值mAP（mean Average Precision）、每秒傳輸幀數(shù)FPS（Frames Per Second）。其中，精準(zhǔn)率[P]和召回率[R]的計(jì)算公式如下：

[P=TPTP+FP] （6）

[R=TPTP+FN] （7）

式中：TP為正確定位目標(biāo)的數(shù)量；FP為背景區(qū)域被錯(cuò)誤識(shí)別為目標(biāo)的數(shù)量；FN為目標(biāo)尚未被預(yù)測(cè)數(shù)量。[PR]曲線是以精準(zhǔn)率為縱坐標(biāo)、召回率為橫坐標(biāo)繪制成的曲線，其中平均精度AP是[PR]曲線與坐標(biāo)所圍成的面積，AP的均值則為mAP值。

[AP=01PRdR] （8）

[mAP=1Ci=1CAPi] （9）

式中：[APi]為[i]類目標(biāo)的AP值；[C]為檢測(cè)的種類數(shù)量。AP值反映網(wǎng)絡(luò)對(duì)某類目標(biāo)的檢測(cè)效果，而mAP值則表示整體的檢測(cè)效果。設(shè)置不同的IoU閾值，可以取得相應(yīng)的mAP值。本文所用mAP包括mAP50值以及mAP50?95值，其中，mAP50?95值是IoU閾值為50%到IoU閾值為95%期間，每間隔5%取1個(gè)mAP值，然后對(duì)這10個(gè)值取平均得到。mAP50?95值相比mAP50值更加嚴(yán)格，對(duì)絕緣子準(zhǔn)確定位要求更高。

3.3 "MPH?YOLO網(wǎng)絡(luò)的消融實(shí)驗(yàn)

本文匯集了各種技巧來提高算法的性能，包括增加小目標(biāo)檢測(cè)尺度充分考慮淺層特征信息，改進(jìn)SIoU損失函數(shù)實(shí)現(xiàn)邊界框的精確回歸，引入Ghostnet輕量化主干網(wǎng)絡(luò)減少模型的參數(shù)量。在絕緣子數(shù)據(jù)集上進(jìn)行了消融實(shí)驗(yàn)，以判斷每個(gè)改進(jìn)點(diǎn)的有效性，如表2所示。增加了四個(gè)檢測(cè)尺度后，可以增強(qiáng)網(wǎng)絡(luò)對(duì)小目標(biāo)的感知能力，然而模型體積相比原始模型更加臃腫。增加了檢測(cè)尺度后，神經(jīng)網(wǎng)絡(luò)加深，卷積所花費(fèi)的時(shí)間延長(zhǎng)，進(jìn)而導(dǎo)致檢測(cè)速度下降。通過改進(jìn)SIoU損失函數(shù)與Ghostnet輕量化網(wǎng)絡(luò)后，MPH?YOLO最終在檢測(cè)精度和模型輕量化方面都取得了較大的提升。與YOLOv8s相比，提出的算法MPH?YOLO在平均精度mAP50?95上提高了0.94%，模型縮小至4.7 MB。輕量化的主干網(wǎng)絡(luò)縮短了繁雜卷積所消耗的時(shí)間，去除冗余參數(shù)，在檢測(cè)精度和速度方面均取得了不錯(cuò)的效果。結(jié)果表明，MPH?YOLO的檢測(cè)結(jié)果比較全面，對(duì)絕緣子缺陷圖像具有良好的檢測(cè)效果。

3.4 "與經(jīng)典目標(biāo)檢測(cè)算法的性能對(duì)比

為了驗(yàn)證MPH?YOLO算法的先進(jìn)性，將本文算法與經(jīng)典目標(biāo)檢測(cè)算法進(jìn)行比較，如表3所示。

與經(jīng)典兩階段目標(biāo)檢測(cè)算法Faster R?CNN相比，MPH?YOLO作為單階段目標(biāo)檢測(cè)算法在精度上有很大的領(lǐng)先，速度成倍增長(zhǎng)。

與經(jīng)典單階段目標(biāo)檢測(cè)算法SSD相比，MPH?YOLO在各項(xiàng)指標(biāo)上仍有很大的提升。與YOLOv7和YOLOv8相比，MPH?YOLO在精度和速度上也做到了最優(yōu)化。MPH?YOLO在檢測(cè)精度指標(biāo)mAP50、mAP50?95上分別比YOLOv8s提高了0.3%和0.94%。總的來說，MPH?YOLO算法在模型體積、檢測(cè)速度、平均檢測(cè)精度上均有巨大優(yōu)勢(shì)，能夠滿足絕緣子實(shí)時(shí)檢測(cè)需求。

MPH?YOLO的精度提升具體表現(xiàn)在復(fù)雜背景小目標(biāo)檢測(cè)上，小目標(biāo)缺陷攜帶的特征很少，因此很難提取絕緣子的有效特征。如圖5所示，對(duì)于前兩行的簡(jiǎn)單背景大目標(biāo)絕緣子，幾乎所有的目標(biāo)檢測(cè)算法都表現(xiàn)良好。然而在復(fù)雜背景下的小目標(biāo)檢測(cè)上，不同算法存在較大差距。在第3行復(fù)雜背景小目標(biāo)絕緣子圖像中，其他目標(biāo)檢測(cè)算法出現(xiàn)了錯(cuò)檢甚至漏檢。其中YOLOv8原模型將最左側(cè)損壞的針式絕緣子判斷為沒有缺陷，而改進(jìn)后的MPH?YOLO對(duì)最左側(cè)的絕緣子判斷正確。MPH?YOLO的良好性能可歸因于改進(jìn)多尺度檢測(cè)，學(xué)習(xí)到了小目標(biāo)的重要特征信息。SIoU損失函數(shù)進(jìn)一步增強(qiáng)對(duì)目標(biāo)的定位精度，使MPH?YOLO的檢測(cè)精度有較大的提升?？芍狹PH?YOLO算法在當(dāng)前主流算法具有競(jìng)爭(zhēng)力，能夠滿足不同應(yīng)用環(huán)境進(jìn)行調(diào)節(jié)，特別在復(fù)雜背景下的小目標(biāo)檢測(cè)具有優(yōu)異的檢測(cè)效果。

4 "結(jié) "語

為了提升絕緣子的檢測(cè)能力，本文提出了一種多尺度的絕緣子檢測(cè)算法MPH?YOLO。算法通過構(gòu)建多尺度檢測(cè)網(wǎng)絡(luò)、改進(jìn)損失函數(shù)以及引入Ghost卷積，在檢測(cè)精度和模型輕量化上取得了優(yōu)異的成效。改進(jìn)后的算法在提高絕緣子檢測(cè)準(zhǔn)確率的前提下，保證了檢測(cè)的實(shí)時(shí)性，為絕緣子檢測(cè)任務(wù)提供了技術(shù)支持，并且相較于其他經(jīng)典目標(biāo)檢測(cè)算法，MPH?YOLO在語義信息比較少的小目標(biāo)絕緣子檢測(cè)上取得了不錯(cuò)的效果，其輕量化加高精度的特點(diǎn)能夠滿足對(duì)絕緣子的高質(zhì)量檢測(cè)。

注：本文通訊作者為張上。

參考文獻(xiàn)

[1] RAHMAN E U， ZHANG Y H， AHMAD S， et al. Autonomous vision?based primary distribution systems porcelain insulators inspection using UAVs [J]. Sensors， 2021， 21（3）： 974.

[2] 申振騰，陳建平，杜厚棟，等.基于機(jī)器視覺的絕緣子RTV涂層質(zhì)量檢測(cè)方法研究及應(yīng)用[J].電瓷避雷器，2018（5）：233?240.

[3] 白曉靜，謝雅祺，趙淼，等.基于局部特征深度信息的絕緣子小樣本缺陷檢測(cè)[J].電網(wǎng)技術(shù)，2024，48（2）：740?752.

[4] 卞建鵬，李凡，郝培旭，等.復(fù)雜環(huán)境下輸電線路絕緣子的破損識(shí)別與定位[J].高電壓技術(shù)，2022，48（2）：681?688.

[5] 鄭若君.基于R?CNN的破損絕緣子識(shí)別研究與應(yīng)用[D].恩施：湖北民族大學(xué)，2021.

[6] CHAUHAN V K， DAHIYA K， SHARMA A. Problem formulations and solvers in linear SVM： A review [J]. Artificial intelligence review， 2019， 52（2）： 803?855.

[7] 廖金，董國(guó)芳，劉暢.基于深度學(xué)習(xí)的架空線路絕緣子掉串識(shí)別研究[J].現(xiàn)代電子技術(shù)，2022，45（2）：167?171.

[8] WANG C Y， BOCHKOVSKIY A， LIAO H Y M. YOLOv7： Trainable bag?of?freebies sets new state?of?the?art for real?time object detectors [C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2023： 7464?7475.

[9] 王建燁，續(xù)欣瑩，謝剛，等.改進(jìn)SSD模型的絕緣子自爆故障檢測(cè)[J].現(xiàn)代電子技術(shù)，2022，45（14）：115?121.

[10] TALAAT F M， ZAINELDIN H. An improved fire detection approach based on YOLO?v8 for smart cities [J]. Neural computing and applications， 2023， 35（28）： 20939?20954.

[11] 彭闖，張紅民，王永平.一種基于YOLOv3的絕緣子串圖像快速檢測(cè)方法[J].電瓷避雷器，2022（1）：151?156.

[12] 黨宏社，薛萌，郭琴.基于改進(jìn)的YOLOv4絕緣子掉片故障檢測(cè)方法[J].電瓷避雷器，2022（1）：211?218.

[13] 王紅君，王金云，趙輝，等.一種改進(jìn)YOLOv5s的自爆絕緣子檢測(cè)算法研究[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2023，37（4）：235?244.

[14] 張劍銳，魏霞，張林鍹，等.改進(jìn)YOLOv7的絕緣子檢測(cè)與定位[J].計(jì)算機(jī)工程與應(yīng)用，2024，60（4）：183?191.

[15] 王新良，紀(jì)昂志，李自強(qiáng).基于旋轉(zhuǎn)框定位的絕緣子污穢檢測(cè)算法[J].計(jì)算機(jī)工程與應(yīng)用，2023，59（21）：319?326.

[16] ZHENG Z H， WANG P， REN D W， et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation [J]. IEEE transactions on cybernetics， 2022， 52（8）： 8574?8586.

作者簡(jiǎn)介：文思予（1999—），女，重慶萬州人，碩士，研究方向?yàn)槟繕?biāo)檢測(cè)。

張 "上（1979—），男，湖北宜昌人，博士，副教授，研究方向?yàn)槲锫?lián)網(wǎng)技術(shù)、目標(biāo)檢測(cè)。