输电线路异物检测的增强YOLOv8方法

《Algorithms》：An Enhanced YOLOv8-Based Approach for Foreign Object Detection on Transmission Lines Ming Gou, Weizhong Xu, Chunyu Liu, Liguang Zhang, Hao Tang, Jiwu Liu and WenLong Fu

　　

为克服现有输电线路巡检模型在复杂环境中检测精度下降、小目标与多尺度目标性能不足以及模型复杂度较高等问题，本文提出一种基于增强YOLOv8架构的输电线路异物检测方法。首先，以EfficientNetV2（高效卷积神经网络架构）替换原始YOLOv8骨干网络，在实现模型轻量化的同时提升检测性能。其次，在YOLOv8颈部网络中引入Slim-neck（轻量特征融合颈部结构），促进跨层信息传播并增强特征感知能力，从而提升小目标检测效果。同时，融合高效多尺度注意力EMA（Efficient multi-scale attention），以增强多尺度目标检测能力、降低计算开销并强化特征表示鲁棒性。最后，采用MPDIoU（minimum point distance IoU）替代原始损失函数，进一步改善预测目标的定位性能。实验结果表明，所提方法的Precision达到97.7%，Recall达到95.6%，mAP50达到97.5%，优于对比中的主流检测算法；相较于基线模型，参数量（Params）与浮点运算量（GFLOPs）分别降低32.1%和31.6%，说明该方法兼具轻量化与高精度，适用于输电线路异物检测。

输电线路作为现代电力系统的重要组成部分，长期暴露于复杂地理环境与自然气候条件之下，易受塑料薄膜、防尘网、风筝线、施工误抛异物、树木竹枝等外部异物干扰，进而引发线路跳闸与供电中断，影响电网运行安全与供电可靠性。传统巡检方式主要包括人工巡检、直升机巡检和固定摄像监控，但这些方式分别存在效率低、成本高、视野盲区多、对经验依赖强等局限，尤其难以实现对小型、半透明或远距离异物的实时识别与精确定位。随着无人机巡检的应用增多，后端图像分析仍较依赖人工判读，难以满足智能电网对高效、准确、自动化检测的需求。深度学习目标检测为此提供了有效技术路径，其中YOLO系列因推理速度快而具有明显优势，但直接用于输电线路异物检测时，仍面临背景复杂、目标尺度跨度大、样本类别不平衡等问题。基于此，研究人员以轻量化YOLOv8n为基线，围绕骨干网络、颈部特征融合、多尺度注意力与定位损失四个方面进行系统改进，构建了一种兼顾精度、速度与轻量化的检测模型。研究基于电网公司采集的输电线路异物图像数据，完成4类异物（巢穴、风筝、气球、碎屑）的检测实验，并在对比不同模型后证明该方法在复杂场景下具有更高的检测性能与更好的部署潜力。论文发表在《Algorithms》。

本研究主要采用的技术方法包括：以YOLOv8n为基线模型进行结构重构；用EfficientNetV2-B0替换骨干网络；在颈部引入Slim-neck进行特征融合优化；在特征融合后加入EMA增强多尺度感知；以MPDIoU替换原损失函数优化边界框回归；并在电网公司采集的数据集上进行数据增强、训练、消融实验与多模型对比验证。

## 1 研究结果
### 1) 数据集构建与增强
研究人员使用电网公司采集的输电线路异物图像，涵盖巢穴、风筝、气球和碎屑四类，经过旋转、噪声、亮度变化等增强后扩充至4516张，并按8:1:1划分训练集、验证集和测试集。

### 2) 消融实验
逐步引入EfficientNetV2、Slim-neck、EMA与MPDIoU后，模型性能整体提升；四项策略联合后，相较基线模型Precision提高0.9%，Recall提高0.5%，mAP50提高1.4%。

### 3) 损失函数对比
与CIoU、DIoU、EIoU、GIoU、SIoU和WIoUv3相比，MPDIoU取得最佳综合表现，Precision为97.7%，Recall为95.6%，mAP50为97.5%。

### 4) 不同检测模型对比
与YOLOv5、YOLOv8、YOLOv10、YOLOv11、YOLOv13和RT-DETR相比，所提模型在主要指标上表现更优，并在相较YOLOv8基线时显著降低Params与GFLOPs。

### 5) 可视化与混淆矩阵分析
在不同环境条件下，增强模型能够更准确地完成异物定位与分类，尤其对低对比度和小目标场景表现更稳定；混淆矩阵结果也表明其对四类异物均具有较高识别能力。

## 2 讨论与结论
本文围绕输电线路异物检测中的复杂背景、多尺度目标与轻量化部署需求，提出了多策略融合的增强YOLOv8框架。研究结果表明，EfficientNetV2有助于兼顾性能与效率，Slim-neck增强了跨层特征传递与小目标识别能力，EMA提升了多尺度目标感知与鲁棒性，而MPDIoU则改善了边界框定位精度。综合实验验证显示，该模型在保持较高推理速度的同时，实现了更优的Precision、Recall和mAP50，并显著降低参数量与计算量，说明其更适合输电线路异物检测任务。研究同时指出，小异物与复杂场景下仍存在进一步提升检测精度和减少漏检的需求，后续工作将面向无人机与边缘计算平台开展部署优化与精度提升研究。