基于改进图像增强算法的输电线路绝缘子目标检测方法

《Electronics》：Insulator Object Detection Method for Transmission Lines Based on an Improved Image Enhancement Algorithm Zhe Zheng, Wenpeng Cui, Mingxuan Li, Ming Li, Yu Liu, Qingchen Yang, Yuzhe Chen and Hao Men

　　

本文针对恶劣气象条件下绝缘子图像细节模糊、对比度低及特征退化的问题，以及现有深度学习模型部署于边缘设备时面临的高计算复杂度与实时性不足的挑战，提出了一种融合改进图像增强算法的轻量级绝缘子缺陷检测方法。该方法引入基于马氏距离（Mahalanobis Distance）的调制权重优化场景深度估计，并改进颜色衰减先验（Color Attenuation Prior, CAP）模型以有效增强雾天绝缘子图像。进一步地，研究人员设计了集成区域路由注意力机制（Region-aware Routing Attention Mechanism, BRAM）的轻量级检测网络，利用多尺度特征融合（Multi-scale Feature Fusion）策略实现精确的绝缘子识别与定位。实验结果表明，所提方法在保持检测精度的同时显著提升了推理速度，有效适应了边缘计算设备（Edge Computing Devices）。这为智能输电线路巡检系统的实时部署提供了一种可行的技术方案。

**基于改进图像增强与轻量级网络的输电线路绝缘子目标检测方法解读**

**1. 研究背景与问题**

输电线路作为现代能源基础设施的核心，其安全运行至关重要。中国的输电线路里程已位居全球首位，且多处于沙漠、戈壁等恶劣环境中，易受雷击、覆冰、山火等威胁。传统的输电线路人工巡检方法效率低下，已难以满足日益增长的维护需求。基于视觉的监测技术虽然显著减轻了人工负担，但在实际应用中面临两个核心瓶颈：一是数据采集阶段，雾霾等恶劣天气导致绝缘子图像出现严重的细节模糊、对比度低和纹理特征衰减，关键的缺陷特征被环境噪声掩盖；二是在算法部署阶段，现有高性能目标检测模型（如YOLO系列）结构复杂、计算量大，严重依赖高性能AI加速板，在电力、内存等资源受限的边缘设备（Edge Devices, 如Jetson Xavier NX）上无法实现实时推理。

因此，迫切需要开发一种适用于边缘设备部署的轻量级检测方法，以实现恶劣环境下绝缘子缺陷的实时、精确识别。

**2. 研究方法与关键技术创新**

为解决上述问题，提出了一种端到端的“增强-检测”协同解决方案。该方案的核心技术创新包括：

* **基于马氏距离（Mahalanobis Distance）的改进颜色衰减先验（Color Attenuation Prior, CAP）模型**：针对传统CAP模型在场景深度估计中易将低饱和度的绝缘子误判为浓雾区域导致去雾不足或产生光晕伪影的问题，提出引入马氏距离来调制深度估计的权重。该模型通过计算像素色度向量与典型绝缘子色度分布的协方差距离，生成一个调制权重。在绝缘子区域，该权重削弱了饱和度项的贡献，使亮度项主导深度估计，从而修正了传统模型低估透射率的倾向；在背景区域，权重衰减，模型还原为原始的亮度-饱和度差机制，保留了深度估计的准确性，有效抑制了边缘光晕伪影。

* **轻量级目标检测网络ID-YOLO**：基于YOLOv5s框架进行轻量化改造，包括：
* **轻量级骨干网络（Re-YOLO）**：为适应边缘设备部署，采用深度可分离卷积（Depthwise Separable Convolution）替换标准卷积，构建了轻量级骨干网络Re-YOLO，在牺牲极小精度的前提下大幅提升了推理速度。
* **双层路由注意力机制（Binary Route Attention Mechanism, BRAM）**：为解决标准多头自注意力机制计算量过大的问题，引入BRAM模块。该模块在粗粒度的区域级别筛选出最不相关的键值对，仅保留少量路由区域，从而显著减少冗余计算，提升特征表达能力。
* **多尺度特征融合（Multi-scale Feature Fusion）**：在颈部网络（Neck）中集成改进的多尺度特征融合策略，以增强对不同尺度绝缘子目标和缺陷的特征表示与定位能力。

* **数据来源与模型部署**：实验数据来源于中国某省级电网公司提供的输电线路绝缘子巡检数据集，包含15000张高分辨率图像（原始4K，训练推理时下采样至640×640），覆盖玻璃、复合和陶瓷三种绝缘子类型以及污闪、破损、碎片脱落等典型缺陷。模型首先在配备“SCA600”智能计算板的高性能AI服务器上进行训练，随后部署至Jetson Xavier NX边缘开发板（15W模式）进行验证。输入高清图像后，算法首先执行改进的去雾预处理，然后将增强后的图像送入ID-YOLO网络进行检测。

**3. 主要研究结果**

**3.1. 图像增强模块独立性能对比**

为客观评估改进CAP模型的去雾性能，研究人员将其与多种主流非学习/学习型去雾方法（如DehazeNet, AOD-Net, FFA-Net, DehazeFormer等）进行独立对比。结果表明，本方法无需配对数据训练、参数为零、计算开销极低，在“精度-速度-部署成本”之间建立了新的帕累托最优平衡，其核心价值在于为边缘设备上的实时检测提供了高效的去雾预处理方案。

**3.2. 整体模型对比试验**

将ID-YOLO与YOLOv3、YOLOv4、YOLOv8、Faster R-CNN、RetinaNet、SSD等模型进行对比。结果显示，ID-YOLO在检测精度（mAP50:95）和推理速度上均表现出显著优势：
* 相比YOLOv8，mAP50:95提升1.75%（78.54%对76.79%），推理速度提升215.66%（8.87 FPS对2.81 FPS）。
* 相比Faster R-CNN，推理速度提升369.31%，mAP50:95提升9.39%。
* 实验表明，ID-YOLO在保持高检测精度的同时，实现了3-4倍于主流检测模型的推理速度，验证了其在边缘设备上的部署优势。

**3.3. 与轻量级边缘检测器对比**

为验证其在边缘设备上的轻量和实时优势，研究人员将ID-YOLO与YOLOv5n、YOLOv5s、YOLOv7-Tiny、MobileNet-SSD等代表性轻量级检测器在Jetson Xavier NX平台上进行对比。结果显示：ID-YOLO在检测精度（78.54% mAP50:95）上超越所有对比模型（如超越PP-YOLOE-S 2.43%），同时推理速度（8.87 FPS）与YOLOv5s和YOLOv7-Tiny相当，但精度显著更高。这表明ID-YOLO在精度与效率之间取得了最先进的平衡。

**3.4. 消融实验**

通过消融实验逐步验证每个组件的贡献。
* **Re-YOLO骨干网络**：相比原始YOLOv5s，Re-YOLO使参数量减少41.2%，计算量（GFLOPs）减少41.8%，在PC和Xavier平台推理速度分别提升29.0%和31.6%，而mAP50:95仅下降0.71%，表明轻量化改造是有效的。
* **BRAM模块**：将BRAM模块集成到颈部网络的Neck.2位置为最佳配置。相比不带BRAM的Re-YOLO，集成BRAM使mAP50:95提升了4.12%，而推理速度仅下降了约2%，证明该注意力机制能有效提升精度且对速度影响较小。
* **改进的多尺度特征融合**：该模块引入少量参数，使mAP50:95提升了1.72%。
* **马氏距离加权的CAP去雾预处理**：作为预处理步骤，它不改变检测模型本身，但使得模型的mAP50:95再提升1.58%，验证了该去雾模块能从源头上恢复判别性纹理细节。

**3.5. 组件级消融研究**

进一步对每个核心组件进行量化贡献分析。从YOLOv5s基线开始，逐步叠加Re-YOLO、改进的多尺度特征融合、BRAM和改进的CAP，每一步都带来了正向贡献。完整ID-YOLO加上改进CAP前端后，最终mAP50:95达到80.12%，相比基线YOLOv5s提升了4.99%，同时参数量减少37.4%，推理速度提升7.0%（8.20到8.77 FPS），有力验证了设计的合理性。

**4. 讨论与结论**

**讨论部分总结**：
该工作首次系统性地将边缘部署的轻量化设计与基于物理模型的图像增强系统进行整合，验证了“先增强后检测”（enhance-then-detect）范式在恶劣天气电力视觉任务中的有效性。所提方法不仅为智能输电线路巡检提供了一个实用的低延迟、高精度解决方案，其核心思想（如马氏距离先验融合、轻量级路由注意力适配）也可推广至其他工业边缘视觉检测场景（如铁路接触网、风力发电机叶片）。该研究揭示了在边缘AI应用中，知识驱动与数据驱动方法在算法层面的协同优化，可以有效缓解硬件资源限制。

**研究结论部分翻译**：
(1) 在图像增强层面，引入基于马氏距离的自适应权重调制机制优化了传统的颜色衰减先验模型。通过显式建模绝缘子的典型色度分布，并自适应调整深度估计中亮度-饱和度差的贡献比例，有效解决了低饱和度绝缘子区域被误判为浓雾背景导致深度过估以及边缘光晕伪影等问题。实验表明，相比原始CAP，改进CAP模型在雾天验证集上的峰值信噪比（PSNR）提高了1.27 dB，结构相似性指数（SSIM）提高了0.034，复原图像纹理细节清晰、色彩保真度高。
(2) 在目标检测层面，基于轻量级骨干网络Re-YOLO设计并构建了ID-YOLO端到端检测架构。通过嵌入双层路由注意力机制（BRAM），在粗粒度空间级别筛选关键语义区域，大幅减少了冗余计算。消融实验确定BRAM模块的最佳插入点为Neck.2，这使得模型在仅增加4.4%参数和108%计算量（GFLOPs）的情况下，mAP50:95提升了4.12个百分点。最终，ID-YOLO模型在Jetson Xavier NX边缘平台上以batch size=1稳定运行，推理速度达8.87 FPS，mAP50:95达78.54%。相比YOLOv8，精度高1.75个百分点，速度快215.66%；相比Faster R-CNN，速度快369.31%，完全满足了电力线路巡检对实时性和准确性的双重要求。