摘" 要：為解決傳統(tǒng)巡檢圖像檢測方法對電力設備小目標缺陷檢測能力弱、錯檢和漏檢率高、淺層網(wǎng)絡語義信息不足等問題，提出針對電力設備小目標缺陷的多尺度特征融合增強檢測模型（multi-scale feature fusion enhanced you only look once，MFFE-YOLO）。該方法設計了一種多尺度特征融合增強機制（multi-scale feature fusion enhancement，MFFE），能夠更全面地捕捉目標特征。研究表明：在C2f-EF模塊中嵌入跨空間學習多尺度注意力機制EMA以及FasterNet Block，能夠優(yōu)化模型的運行效率；MFFE-YOLO方法的平均精度、參數(shù)量和幀率指標均優(yōu)于其他方法，能夠?qū)崿F(xiàn)高精度與實時性之間的良好平衡。

關鍵詞：電力巡檢；電力設備缺陷；小目標檢測；特征融合增強；YOLO；多尺度特征

中圖分類號：TP391.4" " " " " " " " " 文獻標志碼：A" " " " " " " "文章編號：1008-0562（2024）05-0625-08

A multi-scale feature fusion enhanced detection model MFFE-YOLO

PENG Jishen1， MA Longze1， SUN Mengyu1， LIU Jinlong2

（1.Faculty of Electrical and Control Engineering， Liaoning Technical University， Huludao 125105， China;

2. Software College， Liaoning Technical University， Huludao 125105， China）

Abstract： In order to solve the problems of weak detection ability of small target defects of power equipment， high 1 detection and missed detection rate， and insufficient shallow network semantic information in traditional inspection image detection methods， a feature fusion enhanced detection method for small target defects of power equipment （multi-scale feature fusion enhanced you only look once， MFFE-YOLO） is proposed. This method designs a multi-scale feature fusion enhancement mechanism （multi-scale feature fusion enhancement， MFFE）， which can capture target features more comprehensively. The study shows that embedding the cross-space learning multi-scale attention mechanism EMA and FasterNet Block in the C2f-EF module can optimize the operation efficiency of the model; the average accuracy， parameter amount and frame rate indicators of the MFFE-YOLO method are better than that of other methods， and can achieve a good balance between high accuracy and real-time performance.

Key words： power inspection; power equipment defects; small target detection; feature fusion enhancement; YOLO; multiscale feature

0" 引言

在電力系統(tǒng)中，確保電力設備的健康狀態(tài)和電網(wǎng)的穩(wěn)定運行至關重要。輸電線路、變電站以及電力桿塔等設備長期暴露于戶外惡劣環(huán)境中，必然面臨機械磨損、氣候侵蝕、老化和外力破壞等多種風險。無人機巡檢和深度學習技術的快速發(fā)展為電力設備的遠程監(jiān)測提供了新的解決方案[1-2]。搭載高分辨率相機的無人機可對廣闊的輸電線路進行定期巡檢，獲取大量的圖像數(shù)據(jù)[3]。然而，無人機拍攝的部分圖像具有大視場屬性[4]，在該場景中，缺陷檢測面臨背景復雜以及缺陷目標較小等問題[5]。

復雜背景、小目標檢測問題[6]是基于深度學習的電力缺陷目標檢測算法[7-9]亟需解決的重點和難點。針對這些問題，WANG等[10]提出了一種多尺度信道信息與全局-局部注意力模塊，能夠提取并利用多尺度特征圖的信息，捕捉全局上下文信息以及局部空間細節(jié)，從而增強網(wǎng)絡的學習能力。YUAN等[11]在YOLOv5中嵌入注意力機制與小目標檢測層，降低了對輸電線路小缺陷的漏檢率，增強了模型對小目標的敏感度。盡管上述方法在檢測精度和降低漏檢率方面取得了進展，但未能有效減少計算資源的需求，這是在邊緣計算設備上部署應用的主要障礙。為適配邊緣計算，GU等[12]提出一種YOLO-SSFS小目標檢測器，通過特定結構和損失函數(shù)優(yōu)化，能有效提高復雜背景下小目標檢測的精度和速度。楊錦輝等[13]通過引入RFB-Bottleneck結構增強特征提取并使用GhostConv來減少參數(shù)量，在保證高速檢測的同時，顯著提高了檢測精度。WANG等[14]提出一種YOLO-SS-Large高性能輕量級變電站缺陷檢測模型，該模型融合FasterNet Block結構、NWD-CIoU損失函數(shù)和動態(tài)頭部模塊，實現(xiàn)了檢測精度、處理速度和模型參數(shù)量的優(yōu)化。SHAO等[15]提出TL-YOLO方法，通過全維度動態(tài)卷積、特征融合框架和自適應訓練樣本選擇策略，實現(xiàn)對電力傳輸線上異物的高精度檢測。這些輕量化改進提升了模型部署的靈活性，但存在檢測精度降低、漏檢率增大的缺陷。

現(xiàn)有研究在小目標檢測領域已取得顯著成效，但仍存在一定局限性?，F(xiàn)有模型淺層網(wǎng)絡語義信息不足，對小尺度目標特征不夠敏感且模型在邊緣計算環(huán)境下部署時，既要保證檢測精度，又要控制計算資源消耗，這對模型設計提出了更高的要求。針對復雜背景和小目標條件下電力設備缺陷檢測存在高精度與實時性難以有效平衡、淺層網(wǎng)絡語義信息不足等問題，提出一種多尺度特征融合增強檢測模型（multi-scale feature fusion enhanced you only look once，MFFE-YOLO），以期能夠更全面地捕捉目標特征，實現(xiàn)高精度與實時性之間的良好平衡。

1" MFFE-YOLO總體框架

MFFE-YOLO的主要特點如下。

（1）采用多尺度特征融合增強機制（multi-scale feature fusion enhancement，MFFE），將不同尺度特征平行重采樣以獲取同一尺度的高分辨率特征。

（2）MFFE模塊建立了自下而上的路徑，將低層語義信息分布到所有層，使淺層語義網(wǎng)絡可以獲取更全面的目標特征。

（3）C2f-EF模塊在原始的C2f中嵌入跨空間學習多尺度注意力機制EMA[16]，以更高效的神經(jīng)網(wǎng)絡FasterNet Block[17]替換原模塊中的Bottleneck來減輕模型的參數(shù)量和計算負擔，優(yōu)化運行效率。

MFFE-YOLO在滿足電力設備缺陷檢測高精度要求的同時，還能夠保證檢測的實時性，適應邊緣計算設備的資源限制，實現(xiàn)高精度和實時性的良好平衡。MFFE-YOLO網(wǎng)絡結構主要包括3部分，分別為主干網(wǎng)絡、多尺度特征融合增強機制和檢測頭，見圖1。

2" 模型描述

2.1" 模型總體設計

MFFE-YOLO是一種專門針對電力設備小目標

缺陷檢測的深度學習方法，其在YOLO框架的基礎上進行了多項創(chuàng)新，旨在提高檢測精度和實時性，減少計算資源的消耗。MFFE-YOLO的核心機制和工作原理如下。

（1）輸入圖像預處理。MFFE-YOLO接收無人機或其他設備采集的圖像并將其作為輸入圖像。由于這些圖像包含復雜的背景和小目標電力設備缺陷，模型首先須對輸入圖像進行預處理，例如縮放、歸一化，使其適應后續(xù)的網(wǎng)絡處理。

（2）主干網(wǎng)絡提取信息。主干網(wǎng)絡與多尺度特征融合增強模塊共同作用，對經(jīng)過預處理的圖像進行特征提取與融合，通過自下而上的特征傳播和平行重采樣策略提取多維度特征[18]，使MFFE- YOLO能夠在不同層次上捕捉目標的細節(jié)信息，為后續(xù)特征融合與增強技術提供良好的基礎。

（3）頸部網(wǎng)絡設計。頸部網(wǎng)絡是YOLO模型中連接主干網(wǎng)絡和檢測頭的重要組成部分，能夠?qū)μ卣鬟M行多層次融合和優(yōu)化，頸部網(wǎng)絡設計見圖2。YOLOv8的頸部網(wǎng)絡通過融合不同尺度的特征圖來提高目標檢測的精度，從而有效處理多尺度目標。

（4）C2f模塊改進。在骨干網(wǎng)絡和頸部網(wǎng)絡中改進C2f模塊，見圖3。在C2f模塊中嵌入跨空間學習多尺度注意力機制EMA，采用FasterNet Block替換原模塊中的Bottleneck，在保證檢測精度的前提下減少計算量和內(nèi)存占用量，優(yōu)化模型的運行效率。

（5）檢測頭。檢測頭能夠?qū)⑻崛〉奶卣鬓D(zhuǎn)化為具體的檢測框，實現(xiàn)從特征到具體檢測結果的快速、準確映射。其中，YOLOv8檢測頭對頸部網(wǎng)絡輸出的不同尺度特征進行檢測；MFFE-YOLO檢測頭將經(jīng)過特征融合增強后的同一特征生成不同大小的候選區(qū)域，通過回歸和分類操作確定目標的位置和類型，提高模型對多尺度目標的識別精度。

（6）損失函數(shù)計算。在訓練階段模型會計算預測標簽與真實標簽的差異，MFFE-YOLO沿用YOLO系列模型的損失函數(shù)，即

（1）

式中： 為位置損失； 為置信度損失； 為分類損失。通過式（1）評估預測框的定位精度和分類準確性，指導網(wǎng)絡權重更新，令誤差最小化。

MFFE-YOLO能夠提高對復雜背景下小目標的識別能力，保證實時檢測速度，在電力設備小目標缺陷檢測領域優(yōu)勢顯著。

2.2" 多尺度特征融合增強機制

YOLO模型通過檢測不同層級的特征圖，確保模型能夠同時處理大目標和小目標，但由于低分辨率高層次特征在檢測小尺度物體時效果較差，導致傳統(tǒng)YOLO模型小目標檢測的性能不佳。因此，本文提出一種多尺度特征融合增強機制MFFE模塊。

MFFE模塊作為MFFE-YOLO的核心組件，通過平行重采樣不同尺度的特征圖來獲取高分辨率特征，保證模型能夠有效檢測不同大小的目標，尤其是在檢測電力設備的小目標缺陷時優(yōu)勢更顯著。MFFE模塊建立了自下而上的路徑，允許低層的細粒度信息被傳播到所有層，這樣即使是淺層網(wǎng)絡也能獲取更全面的目標特征，提高模型對小目標的檢測能力。

考慮到檢測性能與計算資源消耗，選擇 作為最高層次的特征。將主干網(wǎng)中3個C2f-EF模塊輸出的特征記作

（2）

式中：Cn、Hn、Wn分別為第n層特征圖的通道數(shù)、高度和寬度。在第3層中，通過特征重采樣后的 可表示為

（3）

式中： 為上采樣操作； 為C2f-EF模塊。得到最高層次的特征表示后，通過特征融合增強后的其余層特征 可表示為

（4）

式中， 為拼接操作。

令 表示各個尺度經(jīng)特征融合增強而得到的同一尺度的高分辨率特征，即

（5）

式中， 為多尺度特征融合增強操作。

對上述特征進行融合，由檢測頭模塊將特征圖轉(zhuǎn)換為實際的檢測結果，得到最終的特征 ，即

（6）

式中， 為最終融合操作中的全部卷積操作。

2.3" C2f-EF模塊

C2f-EF模塊是YOLO模型的重要結構組件，能夠提高模型的特征提取能力和計算效率。為提高模型在復雜背景下提取目標特征的能力，在C2f-EF模塊中嵌入跨空間學習的高效多尺度注意力機制EMA。EMA將輸入特征圖分為多個子特征圖，并在每個子特征圖上應用不同的注意力權重來實現(xiàn)多尺度信息的聚合，這種方法既能保留每個通道的信息又能減少計算量，可動態(tài)調(diào)整對輸入圖像不同部分的關注度，使模型能夠聚焦關鍵區(qū)域。為進一步優(yōu)化C2f-EF模塊，以更高效的神經(jīng)網(wǎng)絡FasterNet Block替換原模塊中的Bottleneck，在保證檢測精度的前提下減少計算量和內(nèi)存占用量，優(yōu)化模塊的特征提取能力，有效捕捉圖像的重要特征，提高模型的檢測性能。

EMA通過并行處理方式規(guī)避長時間順序計算的缺陷，提高網(wǎng)絡架構的增強深度，在高分辨率特征圖中能夠提供精細的像素級注意力，進而提高特征提取的質(zhì)量，EMA結構見圖4。

EMA由兩個并行分支組成，其中，一個分支采用1×1卷積核，用來編碼全局信息并重新校準每個并行分支中的通道權重；另一個分支采用3×3卷積核，用來響應多尺度的空間結構信息，捕獲局部跨通道語義，并利用上下文信息提高模塊對特征的表達能力。

傳統(tǒng)卷積（DWConv、Gconv等）雖然計算量有所減少，但可能增加內(nèi)存訪問的次數(shù)，導致額外的延遲。FasterNet Block是一種創(chuàng)新的神經(jīng)網(wǎng)絡模塊，由PConv和1×1卷積層組成，其結構見圖5。

PConv只對輸入特征圖的一部分通道執(zhí)行卷積操作，其余通道保持不變，能夠減少不必要的計算和內(nèi)存訪問，顯著提高神經(jīng)網(wǎng)絡的運行速度和計算效率。在C2f-EF模塊中，F(xiàn)asterNet Block對EMA的輸出特征進行提取與壓縮，在減少參數(shù)量和計算量的同時保持或提升模型的表達能力。

3" 實驗與分析

3.1" 實驗環(huán)境與參數(shù)設置

實驗平臺的操作系統(tǒng)為ubuntu18.04，訓練顯卡為NVIDIA RTX 3090，CUDA版本為11.6，PyTorch框架版本為1.12.0，Python版本為3.9，集成開發(fā)工具為VScode。超參數(shù)配置見表1。

3.2" 實驗數(shù)據(jù)集

通過無人機、監(jiān)控設備等采集數(shù)據(jù)圖像，數(shù)據(jù)集包含5類缺陷，分別為絕緣子破損、桿塔構件銹蝕、鳥巢、表計破損、呼吸器硅膠筒破損。不同類型的電力設備缺陷圖像共計11 580張，按7∶1∶2劃分為訓練集、驗證集和測試集，各類樣本劃分情況見表2。

3.3" 評價指標

模型評價指標為均值平均精度mAP、模型參數(shù)量和幀率。其中，模型參數(shù)量為神經(jīng)網(wǎng)絡中需要學習的所有參數(shù)的總數(shù)量，可反映模型的復雜度；幀率為每秒鐘模型能夠處理的圖像幀數(shù)，是衡量模型實時處理能力的指標，可反映模型的運行效率。

均值平均精度的計算式為

（7）

（8）

（9）

式中：TP為真正例（true positives），即真實情況和預測情況同為正例的數(shù)量；FP為假正例（1 positives），即模型錯誤地將負例預測為正例的數(shù)量；FN為假負例（1 negatives），即模型錯誤地將正例預測為負例的數(shù)量；P為模型預測的精確率；R為模型預測的召回率。

3.4" 消融實驗

為分析MFFE-YOLO模型中MFFE、C2f-EF/EMA以及C2f-EF/FasterNet Block對目標檢測任務的影響，開展模型消融實驗，以便直觀地驗證和解釋各組件的有效性。評估的性能指標為mAP@0.5（在IoU閾值設置為0.5時所有測試樣本的均值平均精度）、參數(shù)量和幀率，消融實驗結果對比見表3。

由表3可知，YOLOv8s模型的mAP@0.5為77.28，參數(shù)量為11.2 M，幀率為57 fps；MFFE-YOLO-L模型在YOLOv8s模型中引入多尺度特征融合增強機制，mAP@0.5顯著提升，高達84.96，參數(shù)量增至13.1 M，幀率下降至53 fps，表明 MFFE機制能夠有效提高檢測精度，但同時也增加了計算復雜度和資源消耗。YOLO-EMA模型在YOLOv8s模型中引入跨空間學習多尺度注意力機制（EMA），mAP@0.5提升至81.16，參數(shù)量減少至10.4 M，幀率提升至60 fps，表明EMA能夠提高特征提取效率和模型的整體性能。YOLO-FNB模型在YOLOv8s模型中引入更高效的神經(jīng)網(wǎng)絡FasterNet Block來替代原模塊中的Bottleneck，mAP@0.5提升至79.01，參數(shù)量減少至9.2 M，幀率提升至62 fps，表明FasterNet Block模塊能夠顯著減少模型的參數(shù)量，減輕計算負擔，優(yōu)化模型的運行效率。YOLO-MF模型在YOLOv8s模型中同時引入EMA和FasterNet Block，mAP@0.5提升至80.72，參數(shù)量減少至8.4 M，幀率提升至64 fps，表明EMA和FasterNet Block模塊的組合能夠在減少參數(shù)量、減輕計算負擔的同時，顯著提高模型的檢測精度。MFFE-YOLO模型同時引入MFFE、EMA和FasterNet Block，mAP@0.5高達85.54，參數(shù)量為10.3 M，幀率為60 fps，驗證了所有改進組件的綜合效果，實現(xiàn)了高精度和實時性的良好平衡。

通過以上分析可知，每個改進組件對模型性能均有不同程度的提升。其中，MFFE模塊顯著提高了特征提取的分辨率和精度；EMA優(yōu)化了特征提取效率；FasterNet Block模塊減少了參數(shù)量，減輕了計算負擔。MFFE-YOLO模型在滿足電力設備缺陷檢測高精度要求的同時，能夠保證檢測的實時性，適應邊緣計算設備的資源限制，實現(xiàn)實時性和高精度的良好平衡。

3.5" 對比實驗

為綜合評價MFFE-YOLO模型的有效性，在相同的實驗環(huán)境下，將其與Faster R-CNN、SSD以及YOLOv8s模型進行比較，對比實驗結果見表4。

表4可知，MFFE-YOLO模型的各項檢測指標均較優(yōu)異。與Faster R-CNN模型相比，MFFE-YOLO模型的mAP@0.5提高了22.01%，參數(shù)量、幀率均優(yōu)于Faster R-CNN模型。與SSD模型相比，MFFE-YOLO模型的mAP@0.5提高了17.29%，參數(shù)量減少了57.6%，幀率提升了71.4%。與 YOLOv8s模型相比，MFFE-YOLO模型的mAP@0.5提高了8.26%，參數(shù)量減少了8%，幀率提升了9%。通過對比可知，MFFE-YOLO模型在均值平均精度、參數(shù)量和實時處理能力方面均表現(xiàn)出色，不僅能夠減少參數(shù)量，且實時處理能力更強，檢測精度更高，優(yōu)越性顯著。

檢測效果對比見圖6。由圖6（a）可知，F(xiàn)aster R-CNN模型未檢測出塔桿構件銹蝕，SSD模型和YOLOv8s模型對桿塔構件銹蝕識別效果較差。當出現(xiàn)多個目標時，F(xiàn)aster R-CNN模型、SSD模型和YOLOv8s模型無法精準識別所有缺陷目標，但MFFE-YOLO方法能夠準確識別多處塔桿構件銹蝕。由圖6（b）可知，F(xiàn)aster R-CNN模型、SSD模型和YOLOv8s模型在多目標復雜背景下對絕緣子破損及表計破損均出現(xiàn)了漏檢情況，而MFFE-YOLO模型能夠?qū)崿F(xiàn)準確檢測。由圖6（c）可知，當兩處絕緣子重疊時，F(xiàn)aster R-CNN模型和SSD模型均未能實現(xiàn)精準檢測，YOLOv8s模型漏檢一處，MFFE-YOLO模型可以準確檢測出兩處重疊的絕緣子。通過以上分析可知，與其他經(jīng)典模型相比，MFFE-YOLO模型在多尺度復雜背景下對小目標電力元件缺陷的檢測效果提升顯著。

4" 結論

針對復雜背景下傳統(tǒng)巡檢圖像檢測方法對電力設備小目標缺陷檢測能力弱、淺層網(wǎng)絡語義信息不足和高精度與實時性平衡不佳等問題，提出了特征融合增強檢測模型MFFE-YOLO，主要結論如下。

（1）提出了一種多尺度特征融合增強機制，通過平行重采樣將不同尺度的特征轉(zhuǎn)換為同一高分辨率級別的特征。同時，建立自下而上的信息傳播路徑，將低層語義信息傳播到所有層，使淺層語義網(wǎng)絡能夠更全面地捕捉目標特征。

（2）在C2f-EF模塊中嵌入跨空間學習多尺度注意力機制EMA以及更高效的神經(jīng)網(wǎng)絡FasterNet Block，減少了模型的參數(shù)量，減輕了計算負擔，優(yōu)化了模型的運行效率。

（3）與其他經(jīng)典模型相比，MFFE-YOLO方法在確保高精度檢測電力設備小目標缺陷的同時，能夠滿足實時處理的要求，在均值平均精度、參數(shù)量和幀率指標方面表現(xiàn)優(yōu)異，實現(xiàn)了高精度與實時性的良好平衡。

（4）MFFE-YOLO方法通過技術創(chuàng)新，解決了復雜背景下電力設備巡檢中小目標缺陷檢測的難題，為維護電力系統(tǒng)的安全運行提供了更為高效、精準的工具。

參考文獻（References）：

[1] 江秀臣，許永鵬，李曜丞，等.新型電力系統(tǒng)背景下的輸變電數(shù)字化轉(zhuǎn)型[J].高電壓技術，2022，48（1）：1-10.

JIANG Xiuchen，XU Yongpeng，LI Yaocheng，et al.Digitalization transformation of power transmission and transformation under the background of new power system[J].High Voltage Engineering，2022， 48（1）：1-10.

[2] 蒲天驕，喬驥，韓笑，等.人工智能技術在電力設備運維檢修中的研究及應用[J].高電壓技術，2020，46（2）：369-383.

PU Tianjiao，QIAO Ji，HAN Xiao，et al.Research and application of artificial intelligence in operation and maintenance for power equipment[J].High Voltage Engineering，2020，46（2）：369-383.

[3] 王韻琳，馮天波，孫寧，等.融合注意力與多尺度特征的電力絕緣子缺陷檢測方法[J].高電壓技術，2024，50（5）：1933-1942.

WANG Yunlin，F(xiàn)ENG Tianbo，SUN Ning，et al.Defect detection method for power insulators based on attention and multi-scale context information[J].High Voltage Engineering，2024，50（5）：1933-1942.

[4] 黃悅華，劉恒沖，陳慶，等.基于USRNet與改進YOLOv5x的輸電線路絕緣子故障檢測方法[J].高電壓技術，2022，48（9）：3437-3446.

HUANG Yuehua，LIU Hengchong，CHEN Qing，et al.Transmission line insulator fault detection method based on USRNet and improved YOLOv5x[J].High Voltage Engineering，2022，48（9）：3437-3446.

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

BIAN Jianpeng，LI Fan，HAO Peixu，et al.Damage identification and location of transmission line insulator in complex environment[J].High Voltage Engineering，2022，48（2）：681-688.

[6] 劉穎，劉紅燕，范九倫，等.基于深度學習的小目標檢測研究與應用綜述[J].電子學報，2020，48（3）：590-601.

LIU Ying，LIU Hongyan，F(xiàn)AN Jiulun，et al.A survey of research and application of small object detection based on deep learning[J].Acta Electronica Sinica，2020，48（3）：590-601.

[7] WANG K X，ZHANG J Q，NI H J，et al.Thermal defect detection for substation equipment based on infrared image using convolutional neural network[J].Electronics，2021，10（16）：1986.

[8] YANG L，F(xiàn)AN J F，SONG S A，et al.A light defect detection algorithm of power insulators from aerial images for power inspection[J].Neural Computing and Applications，2022，34（20）：17951-17961.

[9] LU L H，CHEN Z C，WANG R F，et al.Yolo-inspection：defect detection method for power transmission lines based on enhanced YOLOv5s[J]. Journal of Real-Time Image Processing，2023，20（5）：104.

[10] WANG Y R，SONG X K，F(xiàn)ENG L L，et al.MCI-GLA plug-in suitable for YOLO series models for transmission line insulator defect detection[J].IEEE Transactions on Instrumentation and Measurement， 2024，73：9002912.

[11] YUAN J X，ZHENG X F，PENG L W，et al.Identification method of typical defects in transmission lines based on YOLOv5 object detection algorithm[J].Energy Reports，2023，9：323-332.

[12] GU Z C，ZHU K，YOU S T.YOLO-SSFS：a method combining SPD-Conv/STDL/IM-FPN/SIoU for outdoor small target vehicle detection[J].Electronics，2023，12：3744.

[13] 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.

YANG Jinhui，LI Hong，DU Yunyan，et al.A lightweight object detection algorithm based on improved YOLOv5s[J].Electronics Optics amp; Control，2023，30（2）：24-30.

[14] WANG Q，YANG L X，ZHOU B，et al.YOLO-SS-large：a lightweight and high-performance model for defect detection in substations[J]. Sensors，2023，23（19）：8080.

[15] SHAO Y Q，ZHANG R W，LV C，et al.TL-YOLO：foreign-object detection on power transmission line based on improved Yolov8[J]. Electronics，2024，13（8）：1543.

[16] OUYANG D L，HE S，ZHANG G Z，et al.Efficient multi-scale attention module with cross-spatial learning[C]//ICASSP 2023-2023 IEEE International Conference on Acoustics，Speech and Signal Processing. June 4-10，2023，Rhodes Island，Greece.IEEE，2023：1-5.

[17] CHEN J R，KAO S H，HE H，et al.Run，don’t walk：chasing higher FLOPS for faster neural networks[C]//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 17-24，2023， Vancouver，BC，Canada.IEEE，2023：12021-12031.

[18] LIN T Y，DOLLáR P，GIRSHICK R，et al.Feature pyramid networks for object detection[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition.July 21-26，2017，Honolulu，HI，USA.IEEE，2017：2117-2125.

[19] GIRSHICK R. Fast R-CNN[C]//2015 IEEE International Conference on Computer Vision. December 7-13，2015，Santiago，Chile.IEEE， 2015：1440-1448.

[20] LIU W，ANGUELOV D，ERHAN D，et al.SSD：single shot multiBox detector[M]//Lecture Notes in Computer Science. Cham：Springer，2016：21-37.