SDS-YOLO：基于无人机且采用改进版YOLOv8n技术的输电线路异物检测模型

《Scientific Reports》：SDS-YOLO: drone-based foreign object detection model for power lines using an enhanced YOLOv8n approach

　　

摘要

为解决基于无人机的输电线路异物检测中检测精度低以及模型过重的问题，本文提出了一种优化后的异物检测算法——SDS-YOLOv8n。该算法基于YOLOv8n架构，并通过三项针对性改进来平衡检测精度与计算效率。首先，设计了一个改进的SPPF模块，该模块结合了并行全局平均池化层和最大池化层，从而提升模型对目标边缘细节的识别能力，同时减少环境背景的干扰。其次，用动态检测头替代了传统的检测头，该检测头整合了尺度感知、空间感知和任务感知的注意力机制，显著提升了模型对风筝、鸟巢等不规则物体的特征识别能力。第三，引入了无参数注意力机制（SimAM），在不增加模型参数的情况下进一步优化特征提取。在自建数据集上的实验结果表明，SDS-YOLOv8n的mAP@0.5值为95.8%，mAP@0.5:0.95值为75.1%，分别比基准模型高出1.1%和2.6%。此外，该模型在未训练过的其他数据集上也展现出较强的泛化能力。由于模型参数仅为275万，且在NVIDIA Jetson Orin Nano平台上测试时具有较高的推理速度，因此该方法为实时智能电网巡检提供了高效可靠的解决方案。