摘 要：針對復雜環(huán)境與霧霾天氣下絕緣子缺陷過小，傳統(tǒng)目標檢測算法難以識別造成誤檢、漏檢等情況，提出一種以ＹＯＬＯｖ７ 為基礎模型并改進的缺陷檢測算法。在圖像預處理部分采用暗通道先驗去霧算法，提高模型對特征的可分辨性與魯棒性；為提高模型特征提取能力和識別小目標能力，在主干網(wǎng)絡結構后端引入雙重多尺度注意力機制（Ｄｕａｌ ＭｕｌｔｉＳｃａｌｅ Ａｔｔｅｎｔｉｏｎ Ｎｅｔｗｏｒｋ，ＤＭＳＡＮｅｔ）；為減小模型尺寸，提高模型識別速度，采用基于ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ 改進的Ｃ３ 模塊替代Ｅ-ＥＬＡＮ 模塊；在預測部分使用Ｗｉｓｅ-ＩＯＵ 損失函數(shù)，提高模型收斂效率。實驗結果表明，ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法相較于原ＹＯＬＯｖ７ 算法平均準確率、準確率以及召回率分別提高６． ３％ 、７． ９％ 、１２． ３％ ，單張圖片檢測速度達到１２． ３ ｍｓ，參數(shù)量為３７． ７ Ｍ。在提高檢測精度的同時確保檢測速度和性能的平衡，能夠更好地搭載至無人機及其他平臺，滿足絕緣子及其缺陷的實時動態(tài)檢測需求。

關鍵詞：絕緣子缺陷；目標檢測；注意力機制；ＹＯＬＯｖ７；暗通道先驗去霧算法

中圖分類號：ＴＭ２１６；ＴＰ３９１． ４ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０６－１４３１－０９

０ 引言

絕緣子在高壓輸電網(wǎng)中發(fā)揮著至關重要的作用，由于所處環(huán)境較為惡劣，因此絕緣子時常出現(xiàn)破損、掉串、腐蝕和裂痕等缺陷［１］，給電網(wǎng)安全運行帶來極大的不穩(wěn)定因素。作為輸電線網(wǎng)中的重要元器件，定期巡檢成為電網(wǎng)公司的首要任務。由于絕緣子所處復雜的自然環(huán)境，且近年霧霾天氣頻發(fā)，給線路巡檢帶來了極大困難，因此如何設計出一種滿足實時性、魯棒性的絕緣子缺陷檢測算法成為亟待解決的問題［２］。

在目標檢測算法中深度學習是目前常見的前沿技術，其中包括一階段（ＯｎｅＳｔａｇｅ）目標檢測算法和二階段（Ｔｗｏ-Ｓｔａｇｅ）目標檢測算法，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。由于一階段目標檢測算法相比二階段目標檢測算法識別速度快，更適合應用于實時檢測，因此成為現(xiàn)階段的研究熱點。

目前國內(nèi)外已有不少研究使用目標檢測算法在絕緣子缺陷識別上取得不菲的成績。王道累等［４］提出一種基于ＹＯＬＯｖ５ 的輕量化檢測模型，對主干網(wǎng)絡中的殘差模塊進行改進并添加可分離卷積，設計ＤＣ-ＳＰＰ 模塊使網(wǎng)絡在不損失細節(jié)信息的情況下增大感受野，提高模型檢測性能。李斌等［５］提出一種基于多尺度的特征融合網(wǎng)絡，使用殘差注意力網(wǎng)絡獲取絕緣子不同分辨率的缺陷特征，并且使用Ｆｏｃａｌ 損失和高斯非極大抑制方法進一步提升檢測效果。張國寶等［６］提出使用傳統(tǒng)的光線法智能定位裝置，由此開發(fā)絕緣子缺陷檢測的三維成像技術，此理論可以更好地將絕緣子全面覆蓋檢測。Ｚｈｅｎｇ 等［７］提出改進的ＹＯＬＯｖ７ 模型，基于Ｋｍｅａｎｓ＋＋對絕緣子數(shù)據(jù)集目標框進行聚類，引入坐標注意（ＣｏｏｒｄＡｔｔ）模塊和ＨｏｒＢｌｏｃｋ 模塊增強特征提取能力，利用ＳＩＯＵ 和焦點損失函數(shù)加速模型收斂，并改進非最大抑制方法，提高檢測精度。上述研究模型雖然相較于原網(wǎng)絡模型的速度和精度有一定的提升，但是仍無法滿足現(xiàn)實需求，與要求存在一定的差距，且在霧霾天氣與環(huán)境復雜的條件下，檢測速度過慢精度較低，使得模型難以應用于動態(tài)實時檢測工作。

因此，針對復雜環(huán)境和霧霾天氣下絕緣子缺陷尺寸過小等問題造成檢測精度較低，無法滿足動態(tài)實時檢測要求，采用較為新穎的ＹＯＬＯｖ７ 網(wǎng)絡為基礎模型，在頭部網(wǎng)絡引入基于自注意力機制的改進Ｃ３ 模塊，并融合ＤＭＳＡＮｅｔ 注意力機制，使用Ｗｉｓｅ-ＩＯＵ 損失函數(shù)充分發(fā)揮非單調(diào)調(diào)焦機制的潛力，降低高質(zhì)量錨框的競爭力，并掩蓋低質(zhì)量樣本的影響，提高絕緣子缺陷的檢測的效率。

１ ＹＯＬＯｖ７ 算法原理

ＹＯＬＯｖ７ 算法網(wǎng)絡結構如圖１ 所示，此算法基于ＹＯＬＯｖ５ 算法，引入模型重新參數(shù)化思想，并增加深度監(jiān)督技術，改進了動態(tài)標簽分配策略，提出了由粗到精的引導標簽分配策略等［８］。其中，模型再參數(shù)化的作用是在訓練過程中將整個模塊拆分為幾個相同或不同的模塊分支，在推理過程中將多個分支模塊整合為一個完全等價的模塊。模型再參數(shù)化的好處是可以獲得更好的特征表示，減少計算量和參數(shù)量，提高推理速度。

由于深層網(wǎng)絡可以更有效地學習和收斂，因此ＹＯＬＯｖ７ 引入ＥＬＡＮ 結構并改進為Ｅ-ＥＬＡＮ，可以通過控制最短和最長梯度路徑，使網(wǎng)絡有效地學習到更多特征，并具有更強的魯棒性。Ｅ-ＥＬＡＮ 可以完全不改變原有架構梯度傳輸路徑，利用群卷積增加特征基數(shù)，并以Ｓｈｕｆｆｌｅ 和Ｍｅｒｇｅ 基數(shù)的方式將不同組的特征組合起來。這種操作方式可以增強不同特征圖學習到的特征，以提高參數(shù)和計算的使用。

在結構上，Ｅ-ＥＬＡＮ 只改變計算塊的體系結構，而過渡層的體系結構完全不變。此策略使用群卷積進行擴展計算塊的通道和基數(shù)，將計算層的所有計算塊使用相同的組參數(shù)和信道乘法器，緊接著每個計算塊計算出的特征圖按照設定的組參數(shù)進行洗牌，再將其拼接在一起。此時，每組特征圖中的通道數(shù)將與原架構中的通道數(shù)相同。Ｅ-ＥＬＡＮ 除保持原有的ＥＬＡＮ 設計架構外，還可以引導不同組的計算塊學習更多樣化的特性，通過擴展、洗牌、合并基數(shù)策略，在不破壞原有梯度路徑的前提下，不斷增強網(wǎng)絡的學習能力。ＹＯＬＯｖ７ 與以往ＹＯＬＯ 結構不同，其結構中ＭＰ 層同時使用Ｍａｘｐｏｏｌｉｎｇ 和３×３ 卷積進行下采樣，得到的輸出通過并聯(lián)進行連接，這使得網(wǎng)絡能夠更好地提取特征［９］。

２ ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 的提出

２． １ 改進Ｃ３ 模塊

在ＹＯＬＯｖ７ 中，ＥＬＡＮ 模塊用于從輸入特征映射中提取特征。然而，對于絕緣子缺陷的種類和大小存在巨大差異，不同種類缺陷之間也存在相似之處，并且絕緣子材質(zhì)的不同以及光照影響，在拍攝過程中所得到的圖像也會有所變化，因此ＥＬＡＮ 模塊不能更好地提取有效特征。同時ＥＬＡＮ 模塊包含更多卷積模塊和殘差連接，使得計算量增大，降低了推理速度。

基于上述原因，將ＹＯＬＯｖ５ 中的Ｃ３ 模塊如圖２所示，改進的Ｃ３Ｃ２ 模塊［１０］如圖３ 所示。Ｃ３Ｃ２ 模塊的設計靈感來源于ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ 的網(wǎng)絡結構。它在原有Ｃ３ 模塊的基礎上，將殘差分支卷積模塊改為簡單的卷積結構，并去除歸一化層和激活函數(shù)層，以減少參數(shù)計算量。鑒于Ｍｉｓｈ 激活函數(shù)比ＳｉＬＵ 激活函數(shù)具有更好的抑制過擬合的能力，因此Ｍｉｓｈ 激活函數(shù)對不同的超參數(shù)具有更強的魯棒性。鑒于以上優(yōu)點，將最終卷積模塊中的激活函數(shù)由原來的ＳｉＬＵ 激活函數(shù)改為Ｍｉｓｈ 激活函數(shù)，并在最后的并聯(lián)操作后輸入卷積模塊，增強了網(wǎng)絡的非線性變化。

２． ２ ＤＭＳＡＮｅｔ 注意力機制

在目標檢測模型中引入注意力機制，可以避免模型計算能力向無價值的部分進行偏移，選擇性地加強重要特征并抑制無用特征，降低圖像干擾信息的影響，從而提高檢測效果。

現(xiàn)有注意力機制難以做到對性能和模型復雜度之間的良好平衡，在兼顧通道和空間注意機制的同時帶來額外的計算負擔。因此引入雙重多尺度注意力機制（Ｄｕａｌ Ｍｕｌｔｉ Ｓｃａｌｅ Ａｔｔｅｎｔｉｏｎ Ｎｅｔｗｏｒｋ，ＤＭＳＡ-Ｎｅｔ）［１１］，其結構如圖４ 所示，由兩部分組成：① 提取不同尺度的特征并對其進行聚合；② 使用空間與通道注意力模塊對局部特征與全局依賴項進行自適應整合。

第一部分借鑒ＳＫｎｅｔ［１２］與Ｓａ-Ｎｅｔ［１３］的觀點，將輸入特征映射Ｘ 與通道尺寸分為Ｎ 部分，對于每個分裂部分，網(wǎng)絡具有Ｃ０ ＝ ＣＳ 的共同頻道，并且第ｉ 個特征映射是Ｘｉ ∈RＣ０×Ｈ×Ｗ ，各個特征在傳遞到２ 個不同的分支之前進行融合。

第二部分由空間和通道注意力模塊組成，用于語義分割。通道注意模塊用于選擇性地加權每個通道的重要性，從而產(chǎn)生最佳的輸出特征，此方法可以有效降低參數(shù)量。網(wǎng)絡首先建立一個空間注意矩陣，此矩陣對特征圖像的任意２ 個像素之間的空間關系進行建模；其次對注意矩陣與原始特征矩陣之間進行矩陣乘法；最后對得到的矩陣和原始特征進行逐元素求和運算。

在網(wǎng)絡的最后一部分中，所有子功能都被聚合，使用“通道洗牌”運算符來啟用沿通道維度的跨組信息流。模塊最終輸出與輸入的輸出大小相同，使注意力模塊與其他網(wǎng)絡較為容易的集成。

通過式（１）定義的拼接方式，可以得到整個多尺度預處理特征圖：

Ｆ ＝ Ｃｏｎｃａｔ（［Ｅ１ｊ，Ｅ２ｊ］）， （１）

式中：Ｆ∈CＣ×Ｈ×Ｗ 為得到的多尺度特征圖，Ｅ１ｊ、Ｅ２ｊ 為通道注意力機制與空間注意力機制輸出結果。ＤＭ-ＳＡＮｅｔ 注意力機制在特征描述符的引導下，跨通道自適應選擇不同的空間尺度。該操作定義如下：

最后，將重新校準的多尺度通道注意力權重ａｔｔｉ 與相應尺度Ｆｉ 的特征圖相乘：

Ｙｉ ＝ Ｆｉ ⊙ａｔｔｉ， （３）

式中：ｉ ＝ １，２，３，…，Ｓ－１，⊙表示相乘。

ＤＭＳＡＮｅｔ 注意力機制與大多數(shù)現(xiàn)有模型相比，不僅達到了最佳性能，而且參數(shù)更少，由于其輕量級的特性，ＤＭＳＡＮｅｔ 注意力機制可以很容易地與其他卷積神經(jīng)網(wǎng)絡集成。

２． ３ Ｗｉｓｅ-ＩＯＵ 損失函數(shù)

邊界框回歸（ＢｏｕｎｄｉｎｇＢｏｘ Ｒｅｇｒｅｓｓｉｏｎ，ＢＢＲ）損失函數(shù)是目標檢測的一大關鍵，對目標檢測至關重要，檢測性能很大程度上依賴于損失函數(shù)的設計，而邊界框損失函數(shù)作為其重要組成部分，其準確定義可以使檢測網(wǎng)絡擁有顯著的性能提升。因此選擇較為合適的損失函數(shù)成為目標檢測的首要任務。

Ｗｉｓｅ-ＩＯＵ 損失函數(shù)［１４］是一種動態(tài)非單調(diào)調(diào)頻損耗，可以降低高質(zhì)量錨框的競爭力，同時減少低質(zhì)量樣本產(chǎn)生的有害梯度，使Ｗｉｓｅ-ＩＯＵ 損失函數(shù)可以更好地提高網(wǎng)絡的檢測性能。當Ｗｉｓｅ-ＩＯＵ 損失函數(shù)應用于ＹＯＬＯｖ７ 模型中，ＭＳ-ＣＯＣＯ 數(shù)據(jù)集中ＡＰ７５提高２． ７７％ ，因此本文選擇Ｗｉｓｅ-ＩＯＵ 損失函數(shù)作為ＢＢＲ 損失函數(shù)，如圖５ 所示。

ＩＯＵ 損失定義為：

式中：Ｂ 為預測邊界框，Ｂｇｔ 為真實邊界框。

由于訓練數(shù)據(jù)中包含低質(zhì)量樣本，距離和縱橫比等幾何因素會加重對低質(zhì)量樣本的懲罰，從而降低模型泛化性能。當錨框與檢測框吻合良好時，良好的損失函數(shù)應能減弱幾何因素的懲罰，而較少的訓練干預將使模型獲得更好的泛化能力。RＷｉｓｅ-ＩＯＵ ∈［１，ｅ），將顯著放大一般質(zhì)量錨框的LＩＯＵ 。LＩＯＵ ∈［０，１］將顯著降低高質(zhì)量錨框的Ｗｉｓｅ-ＩＯＵ ，并在錨框與目標錨框重合時，其關注中心點之間的距離。因此得到Ｗｉｓｅ-ＩＯＵ 損失函數(shù)的距離損失公式：

式中：Ｗｇ、Ｈｇ 為最小封閉框大小，ｘ、ｙ 為預測框中心點坐標，ｘｇｔ、ｙｇｔ 為真實框中心點坐標。為了防止RＷｉｓｅ-ＩＯＵ 產(chǎn)生阻礙收斂的梯度，Ｗｇ、Ｈｇ 從計算圖中分離出來（上標*表示此操作）。

非單調(diào)聚焦系數(shù)ｒ 定義為：

式中：β 為離群度，表征回歸框的質(zhì)量； LＩＯＵ 為動量為ｍ 的滑動平均值，其動態(tài)更新使整體β 保持較高水平，可以有效解決訓練后期收斂速度較慢的問題；α、δ 為超參數(shù)，當回歸框的離群度滿足β ＝ Ｃ（Ｃ 為預設值）時，回歸框可以獲得最高的梯度增益。同時由于LＩＯＵ 是動態(tài)更新的，回歸框的質(zhì)量劃分標準也是動態(tài)調(diào)整的，使得Ｗｉｓｅ-ＩＯＵ 可以在訓練中隨時做出最符合當前狀況的梯度增益分配策略。

綜上所述，Ｗｉｓｅ-ＩＯＵ 損失定義為：

LＷＩＯＵ ＝ ｒ· RＷｉｓｅ-ＩＯＵL ＩＯＵ 。（８）

２． ４ 去霧算法

由于霧霾天氣的影響使得絕緣子缺陷檢測更為困難，因此本文算法采用暗通道先驗（Ｄａｒｋ ＣｈａｎｎｅｌＰｒｉｏｒ）去霧算法［１５］在圖像輸入網(wǎng)絡之前進行圖像預處理。去霧效果對比如圖６ 所示，由于在圖像中至少存在一個顏色通道且亮度值極低，因此結合霧成像模型與軟摳圖插值方法進行去霧處理，式（９）為暗通道先驗：

式中：Ｊｄａｒｋ（ｘ）為暗通道趨于０，Ｊｃ（ｙ）為Ｊ 的顏色通道，Ω（ｘ）為以ｘ 為中心的局部區(qū)域。

由于透光量較少，直接恢復場景亮度容易產(chǎn)生噪點，因此設定傳輸ｔ（ｘ）限制在一個下限ｔ０ ，因而在霧霾嚴重的地方保留了少量的霧霾。

經(jīng)過公式推演，去霧算法如式（１０）所示：

式中：Ｊ（ｘ）為無霧圖像，Ｉ（ｘ）為有霧圖像，Ａ 為全球大氣光值，ｔ（ｘ）為透射率。

經(jīng)過以上改進得到ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 模型如圖７ 所示。圖片在預處理階段進行去霧操作以提高模型的識別能力與魯棒性，進一步增強ＹＯＬＯｖ７ 網(wǎng)絡結構的特征提取和融合能力［１６］，提高推理速度，使得網(wǎng)絡更適合應用于絕緣子及絕緣子缺陷動態(tài)實時檢測。

３ 實驗結果及數(shù)據(jù)分析

３． １ 數(shù)據(jù)集處理

本實驗使用網(wǎng)絡開源數(shù)據(jù)集與自采數(shù)據(jù)集，共計１ ０２２ 張。由于圖片數(shù)量較少，在進行試驗時容易因數(shù)據(jù)不足造成模型泛化能力差，導致過擬合現(xiàn)象出現(xiàn)，從而影響實驗結果。因此通過亮度增強、水平翻轉、隨機角度、馬賽克和灰度圖等方法進行數(shù)據(jù)擴充并使用算法將正常圖片霧化處理。圖像增強實例如圖８ 所示。

經(jīng)過數(shù)據(jù)增強最終得到８ １７６ 張絕緣子圖片，數(shù)據(jù)集規(guī)模不僅成倍擴充，還提高了網(wǎng)絡模型的泛化能力。本文將數(shù)據(jù)集按照８ ∶ １ ∶ １ 的比例劃分為訓練集、驗證集和測試集，訓練集與驗證集將用于網(wǎng)絡模型的訓練，而測試集則用于檢驗網(wǎng)絡模型的識別準確率。

３． ２ 模型評估

本實驗使用的模型評估指標分別為ＦＰＳ、準確率（Ｐｒｅｃｉｓｉｏｎ，Ｐ）、召回率（Ｒｅｃａｌｌ，Ｒ）和平均準確率（ｍｅａｎ Ａｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ，ｍＡＰ）作為評估指標進行網(wǎng)絡模型的性能評估。相關評估指標計算如下：

式中：Ｆｒａｍｅｕｍ 表示檢測圖片總數(shù)，ＥｌａｐｓｅｄＴｉｍｅ 表示檢測所花費的總時間，ＴＰ 表示正樣本正確識別為正類的數(shù)量，ＦＰ 表示負樣本錯誤識別為正類的數(shù)量，ＦＮ 表示正樣本錯誤識別為負類的數(shù)量，Ｎ 表示數(shù)據(jù)集中樣本類別數(shù)量。

３． ３ 實驗環(huán)境

本實驗采用的操作系統(tǒng)為Ｌｉｎｕｘ Ｕｂｕｎｔｕ 發(fā)行版，ＣＰＵ 型號為１５ 核心Ｉｎｔｅｌ（Ｒ）Ｘｅｏｎ（Ｒ）Ｐｌａｔｉｎｕｍ８３７５Ｃ，內(nèi)存為８０ ＧＢ，ＧＰＵ 選擇ＮＶＩＤＩＡ ＧｅｆｏｒｃｅＲＴＸ ４０８０，顯存為２４ ＧＢ。環(huán)境配置為Ｃｕｄａ １１． ０，對應的深度學習框架為ＰｙＴｏｒｃｈ １． ７． ０，編程語言環(huán)境為Ｐｙｔｈｏｎ ３． ８． ０。

３． ４ 模型主干網(wǎng)絡實驗

模型主干網(wǎng)絡實驗數(shù)據(jù)對比如表１ 所示，在引入Ｗｉｓｅ-ＩＯＵ 損失函數(shù)后平均準確率、準確率和召回率相比原ＹＯＬＯｖ７ 網(wǎng)絡分別提高２． ７％ 、２． ２％ 、７． ８％ ，從數(shù)據(jù)可以體現(xiàn)出Ｗｉｓｅ-ＩＯＵ 損失函數(shù)可以更好地將預測框貼合真實框，降低高質(zhì)量錨框的競爭力，并掩蓋低質(zhì)量樣本的影響，從而達到快速準確地預測目標。

使用改進的Ｃ３Ｃ２ 模塊更換原ＥＥＬＡＮ 模塊后平均精度、準確率和召回率分別提高４． １％ 、３． １％ 、１０． ９％ ，這證明Ｃ３Ｃ２ 模塊可以充分探索鄰近的上下文信息，以一種高效的方式提升自注意力的學習，從而提高輸出特征的表達能力，提高網(wǎng)絡檢測精度使其更好地應用于小型無人機進行動態(tài)實時檢測，極大方便電力工人的巡檢工作。

３． ５ 注意力機制實驗

為驗證本文所提出的引入ＤＭＳＡＮｅｔ 注意力機制相較其他注意力機制的優(yōu)勢設計此實驗。不同的注意力機制對比實驗數(shù)據(jù)如表２ 所示，在主干網(wǎng)絡后引入其他２ 種較為常見的注意力機制進行對比，分別為ＣＢＡＭ［１７］、ＧＡＭ［１８］。

不同注意力機制熱力圖如圖９ 所示，對比熱力圖可以發(fā)現(xiàn)，ＤＭＳＡＮｅｔ 注意力機制對于絕緣子及絕緣子缺陷的關注度更高，發(fā)散程度更低。從可視化角度說明，ＤＭＳＡＮｅｔ 注意力機制相較于其他注意力機制更為優(yōu)越，對于絕緣子缺陷檢測效果更好，可以有效地提高網(wǎng)絡模型對目標的關注度，降低了復雜背景對絕緣子及其缺陷的檢測的影響，更好地提升了模型性能。

由表２ 中數(shù)據(jù)與熱力圖可得出結論，對于絕緣子及其缺陷在引入注意力機制后，檢測效果顯著提高，而ＤＭＳＡＮｅｔ 注意力機制相較于其他注意力機制提升效果最大，與原網(wǎng)絡相比ｍＡＰ 提升６． ３％ ，單張圖片檢測時間可達１２． ３ ｍｓ，雖相較于原網(wǎng)絡速度有所下降，但大幅提高了精度，可以更好地應用于絕緣子缺陷實時檢測之中。

３． ６ 模型對比試驗

為進一步驗證本文所提算法的優(yōu)越性，設計各類模型對照試驗，其中選取二階段算法Ｆａｓｔｅｒ Ｒ-ＣＮＮ 與一階段算法ＳＳＤ、ＹＯＬＯｖ４、ＹＯＬＯｖ５、ＹＯＬＯｖ７ 與改進算法進行比較，結果如表３ 所示。改進算法在檢測精度與檢測速度上具有較大優(yōu)勢，相較于其他５ 類算法模型全部達到了最先進的結果，ｍＡＰ 分別提高３９． ９％ 、４５． １％ 、６． ５％ 、４． ５％ 、６． ２％ ，且檢測速度相較于其他網(wǎng)絡表現(xiàn)更為優(yōu)異，ＦＰＳ 達到８１，因此本文所提出的算法可以更好地保證動態(tài)實時檢測的效果，更加準確便捷地對絕緣子缺陷進行檢測。

３． ７ 消融實驗

為驗證ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法的各項改進對絕緣子及其缺陷檢測的影響，進行消融實驗，對各個改進點進行評估，評估結果如表４ 所示。

表４ 第一行為原網(wǎng)絡檢測結果。通過表４ 可以看出，引入Ｗｉｓｅ-ＩＯＵ 損失函數(shù)，ｍＡＰ 與原網(wǎng)絡相比提高１． ７％ ，準確率與召回率分別提高３． ８％ 、８． ７％ ，不僅提高了模型預測精度，而且預測框更加的符合真實框；將Ｃ３Ｃ２ 模塊引入主干網(wǎng)絡后，ｍＡＰ提高５． １３％ ，準確率與召回率分別提高４． ９％ 、６． １％ ，證明Ｃ３Ｃ２ 模塊對網(wǎng)絡主干起到正向作用，使檢測精度進一步提高；而在主干網(wǎng)絡之后加入ＤＭＳＡＮｅｔ 注意力機制ｍＡＰ、準確率與召回率進一步提高４． ７％ 、６． １％ 、１０． ６％ ，證明ＤＭＳＡＮｅｔ 注意力機制可以更好地關注絕緣子及其缺陷目標，達到更好的檢測效果；采用Ｋｍｅａｎｓ 聚類算法后提高了定位精度，使訓練更加穩(wěn)定，在不影響檢測速度的情況下ｍＡＰ、準確率以及召回率分別提高６． ３％ 、７． ９％ 、１２． ３％ 。消融實驗結果表明Ｗｉｓｅ-ＩＯＵ 損失函數(shù)、Ｃ３Ｃ２ 模塊、ＤＭＳＡＮｅｔ 注意力機制以及Ｋ-ｍｅａｎｓ 聚類算法對原網(wǎng)絡檢測精度均有正面影響。

圖１０ 為ＹＯＬＯｖ７ 算法與本文改進算法在霧霾天氣下與背景較為復雜的環(huán)境下對目標的檢測效果圖，ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法基于ＹＯＬＯｖ７模型并加以改進，對霧霾天氣下絕緣子及其缺陷的檢測效果相比原ＹＯＬＯｖ７ 算法具有顯著的提高。

圖中數(shù)據(jù)結果表明，改進后的算法對霧霾天氣與復雜背景下的檢測效果有了明顯提升，本文所提算法，顯著提高了模型的特征提取能力，使算法可以快速準確地檢測出目標，有效地減少了誤檢、漏檢現(xiàn)象的出現(xiàn)，證明此算法在背景復雜與霧霾天氣條件下仍然能夠取得顯著的檢測效果。

由于單張圖片檢測時間可達１２． ３ ｍｓ，因此ＤＭＳＡＮｅｔＹＯＬＯｖ７ 算法可以更好地應用于實時檢測中，基于ＹＯＬＯ 算法的特性，此算法搭載至無人機進行航拍檢測，可在不斷電的情況下進行缺陷檢測，極大地保證了生產(chǎn)生活安全，對實時檢測具有極大的現(xiàn)實意義。

４ 結論

針對復雜背景及霧霾天氣下絕緣子缺陷檢測精度較低，未達到動態(tài)實時檢測的要求，提出基于ＹＯＬＯｖ７ 的改進網(wǎng)絡模型，主要結論如下：

① 改進主干網(wǎng)絡模塊Ｃ３ 模塊增加含有Ｍｉｓｈ激活函數(shù)的卷積，并替換Ｅ-ＥＬＡＮ 模塊，進一步提高視覺表達能力，從而有效地促進自注意學習增強輸出聚合特征圖的表達能力。

② 針對絕緣子及其缺陷的特點，引入ＤＭＳＡＮｅｔ注意力機制，使模型提高絕緣子缺點的關注度，提高目標檢測的精度，并將預測框回歸損失函數(shù)更換為Ｗｉｓｅ-ＩＯＵ 損失函數(shù)，使非單調(diào)調(diào)頻的潛力得到充分發(fā)揮，從而提高模型的預測精度，使改進后的網(wǎng)絡更適合實時檢測。

③ 在同一實驗條件下，對ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法與其他深度學習算法進行對比實驗，實驗結果顯示ＤＭＳＡＮｅｔ-ＹＯＬＯｖ７ 算法雖然失去了一部分檢測速度，但在檢測精度與性能方面取得了更好的平衡，進一步提高巡檢自動化程度和效率。

④ 由于在巡檢過程中會遇到大風天氣使得拍攝器材抖動鏡頭無法對焦，造成圖像模糊，鑒于此類弱點及局限性，可以在圖像預處理階段使用深度學習的方法進行圖像去噪，以提高圖像的清晰度。

參考文獻

［１］ 陳奎，劉曉，賈立嬌，等． 基于輕量化網(wǎng)絡與增強多尺度特征融合的絕緣子缺陷檢測［Ｊ／ ＯＬ］． 高電壓技術：１－１４［２０２３ － ０５ － １７ ］． ｈｔｔｐｓ：∥ ｄｏｉ． ｏｒｇ ／ １０． １３３３６ ／ ｊ． １００３ －６５２０． ｈｖｅ． ２０２２１６５２．

［２］ 茍軍年，杜愫愫，劉力． 基于改進掩膜區(qū)域卷積神經(jīng)網(wǎng)絡的輸電線路絕緣子自爆檢測［Ｊ］． 電工技術學報，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，張世恒，袁斌霞，等． 基于改進ＹＯＬＯｖ５ 的輕量化玻璃絕緣子自爆缺陷檢測研究［Ｊ］． 高電壓技術，２０２３，４９（１０）：４３８２－４３９０．

［５］ 李斌，屈璐瑤，朱新山，等． 基于多尺度特征融合的絕緣子缺陷檢測［Ｊ］． 電工技術學報，２０２３，３８（１）：６０－７０．

［６］ 張國寶，楊為，趙恒陽，等． 基于Ｘ 射線三維成像技術的在役ＧＩＳ 盆式絕緣子缺陷檢測［Ｊ］． 高壓電器，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］ 倪昌雙，李林，羅文婷，等． 改進ＹＯＬＯｖ７ 的瀝青路面病害檢測［Ｊ ］． 計算機工程與應用，２０２３，５９ （１３ ）：３０５－３１６．

［９］ 宋智偉，黃新波，紀超，等． 基于Ｆｌｅｘｉｂｌｅ ＹＯＬＯｖ７ 的輸電線路絕緣子缺陷檢測和故障預警方法［Ｊ］． 高電壓技術，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］ 楊錦輝，李鴻，杜蕓彥，等． 基于改進ＹＯＬＯｖ５ｓ 的輕量化目標檢測算法［Ｊ］． 電光與控制，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．

作者簡介

王海群 女，（１９６８—），碩士，副教授，碩士生導師。主要研究方向：智能控制與應用、機器學習。

王 康 男，（１９９８—），碩士研究生。主要研究方向：深度學習與圖像處理。

基金項目：河北省自然科學基金（Ｆ２０２１２０９００６）