《PLOS One》：Multi-scale feature fusion network optimization and edge intelligent detection for transmission line insulator
编辑推荐：
针对边缘设备上轻量化网络导致的精度损失以及小缺陷目标难以准确检测的问题，该研究研究基于三支注意力机制（Three-Branch Attention Mechanism，TBAM）和增强多尺度特征融合网络（Enhanced Multi-Scale Feature
针对边缘设备上轻量化网络导致的精度损失以及小缺陷目标难以准确检测的问题，该研究研究基于三支注意力机制（Three-Branch Attention Mechanism，TBAM）和增强多尺度特征融合网络（Enhanced Multi-Scale Feature Fusion Network，EMSFFN）的轻量化YOLOv8（You Only Look Once version 8）输电线路绝缘子缺陷检测算法，该算法可在无人机边缘智能设备上执行高精度检测。针对当前航拍绝缘子缺陷数据集中图像类别数量差异显著的问题，通过图像数据增强扩展数据集，以生成更多少数类样本并平衡各类别样本数量。实验表明，与YOLOv7、YOLOv8、YOLOv9、检测变换器（Detection Transformer，DETR）和更快区域卷积神经网络（Faster Region-based Convolutional Neural Network，Faster R-CNN）相比，TBAM-YOLOv8-EMSFFN的模型参数和计算复杂度相对较低。其AP达到99.2%，mAP达到98.7%。因此，TBAM-YOLOv8-EMSFFN模型适用于搭载边缘智能设备的无人机实现电力巡检。
随着智能电网建设推进，输电线路规模快速扩大，绝缘子作为由陶瓷、玻璃等绝缘材料构成的关键部件，承担载流导体与地之间绝缘、承受线路机械应力及支撑等作用。绝缘子长期暴露于极端冷热、湿热交替、风沙侵蚀和空气污染等户外环境，其物理性能与电气性能可能退化，绝缘子故障在电网事故中占较大比例，因此开展定期、有效巡检维护对输电线路稳定可靠运行十分重要。无人机巡检逐步普及，但无人机边缘端算力有限，而人工智能目标检测算法较复杂，如何在有限空间和算力下压缩算法并保持高检测精度具有重要意义。现有航拍绝缘子缺陷数据还存在类别数量不均衡、小尺寸缺陷目标在复杂背景下难以准确识别等问题，轻量化网络在边缘设备上也会带来精度损失，因此研究人员开展TBAM与EMSFFN结合的轻量化YOLOv8绝缘子缺陷检测研究。研究人员将TBAM融入特征提取网络和融合网络以增强缺陷特征信息提取，设计EMSFFN引入160×160和320×320浅层特征图，并在160×160特征图后增加小目标预测头，提出EDIoU损失，结合数据增强平衡样本类别，并在边缘设备上验证部署性能。研究得出TBAM-YOLOv8-EMSFFN参数为4.12M、计算量为17.7G，AP达99.2%、mAP达98.7%，在精度、轻量化和边缘实时性之间取得较好平衡，对无人机边缘智能电力巡检具有应用意义。
关键技术方法方面，研究人员采用TBAM三支并行结构与Z-Pool操作融合通道和空间注意力，并将其嵌入YOLOv8主干特征提取网络和特征融合网络；构建EMSFFN，在路径聚合网络（Path Aggregation Network，PANet）基础上引入160×160与320×320浅层特征图，增设160×160小目标预测头并在预测头前接入TBAM；提出基于端点距离的EDIoU损失以改进CIoU（Complete Intersection over Union）损失；对航拍绝缘子数据集进行几何变换、随机旋转和加噪增强，按8:1:1划分并进行五折交叉验证，设置未见线路独立测试和跨数据集测试；在NVIDIA Jetson Xavier NX上采用TensorRT FP16半精度加速推理评估。样本队列来源为中国南方电网有限责任公司能源发展研究院（Energy Development Research Institute of China Southern Power Grid Co., LTD.）采集的输电线路绝缘子航拍图像数据集。
4.1 数据集构建与预处理：通过统计原始航拍绝缘子数据集并进行几何变换、随机旋转和加噪增强，得出原始3200幅图像扩展至6400幅，正常绝缘子2100幅、自爆缺陷1500幅、破损缺陷1400幅、闪络缺陷1400幅，类别更平衡；增强仅作用于训练集，验证集和测试集使用原图，并按8:1:1划分、五折交叉验证及未见线路独立测试，以降低数据泄漏风险。
4.2 实验环境与训练参数：通过设置Windows 10、GeForce RTX 3060（6GB）、32GB DDR5、python3.8、pytorch1.11.0、torchvision0.12.0、cudatoolkit11.3等软硬件环境及统一超参数，并采用早停策略，表明实验在统一平台下开展且早停用于降低过拟合。
4.3 注意力机制对比实验：通过比较TBAM在主干末端、特征融合网络及两处融合的位置，以及SE、ECA、CBAM等注意力机制，得出双位置融合性能最佳；仅主干末端mAP为95.7%，仅融合网络为95.2%，未融合为94.6%；TBAM使mAP提高2.1个百分点、AP提高2.2个百分点，而SE和CBAM接入后检测性能下降，CBAM精度损失和复杂度增加最大。
4.4 消融实验：通过组件级消融，得出TBAM嵌入主干末端时平均精度由94.6%升至95.7%，嵌入融合网络时升至95.2%，两处同时嵌入达98.7%；接入160×160浅层特征图及预测头后小目标检测能力显著提升，最终模型参数4.12M、计算量17.7G、mAP98.7%；接入320×320预测头使计算量翻倍且mAP降至95.9%，故最终仅保留160×160预测头；五重复实验及配对t检验p<0.01表明改进模型与基准模型差异显著。
4.5 交叉验证与未见线路泛化实验：通过五折交叉验证和未见线路验证，得出五次实验平均精度分别为98.6%、98.8%、98.7%、98.5%、98.9%，不同划分下性能波动很小；未见线路数据测试AP为98.5%、mAP为97.8%、召回率为97.6%，表明模型可覆盖未参与训练的输电线路样本。
4.6 目标检测网络对比实验：通过与其他目标检测网络及最新轻量模型比较，得出TBAM-YOLOv8-EMSFFN在AP、mAP、参数和GFLOPs方面优于YOLOv7、YOLOv8、YOLOv9、DETR、Faster R-CNN；其mAP较YOLOv10-N、YOLOv11-N和RT-DETR-R18分别高约1.5、1.2和1.9个百分点，参数与计算量最低或降低；独立测试和跨数据集测试仍保持高精度，说明高精度结果并非数据泄漏所致。
4.7 各类缺陷检测性能分析：通过分类别统计平均精度和召回率，得出正常绝缘子为99.5%和99.3%，自爆缺陷为99.3%和99.0%，破损缺陷为98.9%和98.5%，闪络缺陷为98.8%和98.3%；破损和闪络缺陷目标更小且易受复杂背景干扰，识别难度相对更高。
4.8 不同尺度目标检测分析：通过比较小、中、大目标检测性能，得出基线模型小目标平均精度93.5%、召回率92.8%，最终模型小目标为98.4%和98.0%；中目标为99.1%和98.8%；大目标为99.4%和99.2%，表明EMSFFN提升了小目标缺陷检测能力。
4.9 边缘设备部署性能分析：通过在NVIDIA Jetson Xavier NX上采用TensorRT FP16、640×640输入和500个样本进行部署测试，得出TBAM-YOLOv8-EMSFFN推理延迟21.3ms、吞吐46.9FPS，满足无人机巡检≥30FPS实时要求；较YOLOv10-N和YOLOv11-N延迟分别高1.6ms和1.3ms但精度显著提高；较RT-DETR-R18参数降低33.66%、计算量降低20.98%、推理延迟降低46.48%、功耗降低32.5%，在精度、速度和计算复杂度间取得较好平衡。
原文未单设讨论部分；结论部分表明，TBAM可抑制复杂背景等无用信息并使网络更关注缺陷表面，EMSFFN通过浅层特征和小目标预测头增强小目标感知，模型在精度、参数、计算量和边缘部署间实现平衡，未来拟引入蒸馏技术进一步降低计算和存储开销。研究结论翻译如下：为补偿轻量化网络导致的精度下降，并解决复杂背景下小尺寸缺陷目标难以准确识别的问题，该研究提出基于TBAM和EMSFFN的轻量化绝缘子缺陷检测算法，以在无人机上实现高精度实时检测。将TBAM集成到YOLOv8-EMSFFN中以抑制复杂背景等无用信息，使网络更关注缺陷表面。改进特征融合网络，设计EMSFFN，引入160×160和320×320两层浅层特征图，并在160×160尺寸特征图后增加新的分类预测网络，以增强模型对绝缘子小目标的感知能力。收集不同类型绝缘子和缺陷图像，捕获来自多样背景、角度和视角的目标图像。实验表明，与其他五种算法相比，优化后的轻量化缺陷检测模型TBAM-YOLOv8-EMSFFN取得最高AP和mAP，模型参数量和计算量分别为4.12M和17.7G，低于其他五种算法。未来工作将聚焦引入蒸馏技术，在保持性能的同时进一步降低模型计算和存储开销。
