基于集成改进 YOLOv8 与深度神经随机森林框架的输电线路缺陷检测

《Scientific Reports》：Transmission line defect detection via an integrated improved YOLOv8 and deep neural random forest framework

　　

摘要

如何利用无人机（UAV）技术有效识别电力传输线路的缺陷仍然是研究的关键焦点。本文提出了一种空间可变形卷积（SDC）算法，以优化传统卷积神经网络，从而增强图像的特征提取。此外，引入了一种更全面的混合损失函数，以提高模型识别多尺度缺陷模式的能力。随后，采用深度神经决策森林（DNDF）对候选区域进行细粒度分类，输出精确的缺陷类别。实验验证表明，所提出的算法在五种情况下（正常、污渍、裂纹、划痕和表面剥落）的识别准确率均超过 92%。与几种传统检测方法相比，该算法显示出显著的改进。例如，相对于 Faster R-CNN，它将检测速度提高了 36 FPS，并将参数数量减少了 54.57%。与 YOLOv7-M、YOLOv9-C 和 YOLOv11-M 相比，尽管因算法复杂度增加导致推理速度略有降低，但平均精度均值（mAP）却分别提高了 2.6%、2.38% 和 1.9%。这些结果证实，所提出的方法可以有效识别传输线路中的多尺度缺陷。