一种适应多种天气条件的绝缘子缺陷检测目标检测网络

《Electric Power Systems Research》:A multi-weather-adapted object detection network for insulator defect detection

【字体: 大 中 小 】 时间:2026年08月30日 来源:Electric Power Systems Research 4.3

编辑推荐:

   摘要: - 提出了SSCP-YOLO,一种适应恶劣天气条件的绝缘子缺陷检测网络。 - 通过引入SobelConv(C2f-S)增强原始YOLOv8的C2f模块,显著提升了小缺陷的边缘特征提取能力。 - 设计了SC-FPN颈部架构,集成SPDConv与CSPOM,以保留微小缺

  摘要:- 提出了SSCP-YOLO,一种适应恶劣天气条件的绝缘子缺陷检测网络。- 通过引入SobelConv(C2f-S)增强原始YOLOv8的C2f模块,显著提升了小缺陷的边缘特征提取能力。- 设计了SC-FPN颈部架构,集成SPDConv与CSPOM,以保留微小缺陷的像素级细节,并解决无人机航拍图像中极端的尺度变化问题。- 将PIoU V2损失函数引入YOLOv8,取代CIoU,以提升边界框定位精度。- 对IDID数据集应用面向天气的数据增强(雾、雨、雪、强光与阴影),增强了模型鲁棒性与检测性能。引言随着各行业与日常生活中电力需求的快速增长,电网对稳定输电提出了日益严苛的要求。作为输电系统的关键部件,绝缘子同时承担着电气绝缘与机械支撑的作用[1]。因此,绝缘子缺陷检测已成为输电线路巡检中的关键任务。绝缘子容易出现污染闪络和物理损坏等问题[2],且常常暴露于恶劣环境之中——包括强烈阳光、浓雾与降雪(见图1)。这些条件给缺陷检测带来了重大挑战。因此,准确、及时地识别绝缘子缺陷,对于保障电网可靠运行至关重要。人工巡检绝缘子既效率低下,又存在显著的安全风险。常规故障检测[3]对于确保输电线路安全稳定运行极为关键。随着无人机技术的快速发展[4],基于航拍图像的自动化巡检已成为检测绝缘子缺陷的一种极具前景的替代方案。然而,此类缺陷在航拍图像中往往仅占据很小的区域[5],且恶劣天气条件会显著降低模型性能。现有方法在准确性与效率方面仍存在局限。因此,迫切需要能够在复杂背景[6]与恶劣天气条件下可靠检测小尺度绝缘子缺陷的算法,以提高检测的鲁棒性与精度。随着目标检测技术的发展[7]、[8],基于深度学习的方法在绝缘子缺陷检测领域尤为突出,特别是在小目标检测方面。两阶段检测器在该领域发挥了基础性作用。R-CNN [9]、SPPNet [10]、Faster R-CNN [11]与Mask R-CNN [12]等模型均遵循"区域提议后进行分类与定位"的流程。这些框架已被应用于绝缘子巡检任务。例如,Zhao等人[13]通过微调Faster R-CNN以应对不同的长宽比与尺度变化,并通过优化锚框生成与非极大值抑制(NMS)来处理遮挡问题。Gao等人[14]提出了IDNet,集成了BN-CBAM与特征融合模块,通过改进通道级特征表示与多级融合来增强小缺陷检测。尽管两阶段目标检测算法精度较高,但往往受到参数量庞大与推理速度缓慢的限制。为克服这些局限,Joseph等人[15]于2015年推出了YOLO——一个开创性的单阶段框架,使用单一神经网络在整个图像上同时预测边界框与类别概率。这一范式转变显著加速了实时目标检测模型的发展。后续研究已将单阶段检测器应用于解决绝缘子缺陷检测的独特挑战。Yang等人[16]通过集成空间金字塔池化与MobileNet改进YOLOv3,并结合基于Dempster-Shafer理论的特征融合策略,在复杂背景下实现了高精度检测。在此基础上,Zhang等人[17]通过引入合成雾生成算法构建SFID数据集,并整合SE注意力机制,增强了YOLOv5在雾天条件下的鲁棒性。尽管Yang等人[16]改善了视觉复杂场景下的检测效果,但其方法未考虑恶劣天气条件下的性能。Zhang等人[17]通过SE-YOLOv5与雾天专用数据增强解决了这一局限。然而,其评估仅限于单一天气条件,模型在多样化环境中的泛化能力尚未得到验证。总之,由于复杂的视觉背景与变化的天气条件,小尺度绝缘子缺陷的准确检测仍然是一项挑战。尽管注意力机制与结构优化改进了特征表示,但现有方法往往忽视了边缘、局部与全局特征的联合提取与融合。这导致跨尺度的语义与结构信息利用不充分,限制了模型在现实场景中的性能。本文的主要贡献如下:1. 针对YOLOv8骨干网络在缺陷边缘特征提取方面的固有局限,特别是恶劣天气条件下结构细节的退化问题,我们开发了C2f-SobelConv模块。通过将SobelConv集成到骨干网络的多分支结构中,该模块显式强化了对模糊绝缘子边界的表征。因此,即使在恶劣的能见度条件下,关键的结构先验也能被有效保留,从而提升模型对绝缘子缺陷的表征与检测能力。2. 我们设计了一种名为SC-FPN的颈部架构,集成了跨阶段部分全卷积模块(CSPOM)并引入了SPDConv。SPDConv被策略性地纳入以保留微小缺陷的像素级细节,而CSPOM则旨在弥合重复绝缘子模式与全局语义之间的差距。这种协同设计解决了无人机航拍图像中典型的极端尺度变化问题。3. 我们引入了PIoU V2损失函数,以应对绝缘子串独特的高长宽比所带来的严格定位要求。通过利用其非单调注意力机制,我们确保了针对细长目标的稳定回归与高精度定位,而传统的CIoU公式通常在这种情况下收敛表现次优。章节摘要相关工作绝缘子缺陷检测已从人工目视巡检发展到基于深度学习的方法,后者在准确性与效率方面显著优于传统方法[18]、[19]。通过自主学习层次化特征,深度学习模型在不同场景中展现出强大的泛化能力,并已成为主流范式。其中,YOLO系列在复杂背景下检测小尺度缺陷方面表现卓越,推动了广泛的...SSCP-YOLOSSCP-YOLO的设计灵感源于需要将低层结构先验与高层语义上下文协同起来,以应对恶劣天气条件下的绝缘子巡检。具体而言,C2f-S模块被引入骨干网络,通过基于Sobel的显式梯度增强来补偿结构边缘细节的丢失。颈部采用了原创的SC-FPN架构,集成我们自主研发的CSPOM与适配的SPDConv,以弥合语义-空间差距...图像数据集与预处理为评估本文所提出的方法,我们采用了既有基准数据集,同时解决其在捕捉多样化环境条件方面的局限。IDID数据集[32]包含1600张高分辨率绝缘子图像,标注了闪络、损坏与正常三个类别;而SFID数据集[17]包含13,718张图像,专门针对雾天条件,使用雾化算法与数据增强技术构建。鉴于实际输电线路巡检中会遇到显著的...结论本文提出了SSCP-YOLO,一种新颖的绝缘子缺陷检测算法,旨在解决复杂气候条件下小缺陷检测精度低的问题。该方法引入了三项关键创新:带有SobelConv的C2f-S模块,以增强边缘感知能力并捕捉微小缺陷;集成SPDConv与CSPOM的SC-FPN结构,以实现多尺度特征融合并改善小目标检测;以及改进的PIoU V2损失函数,可加速...CRediT作者贡献声明刘书鑫:写作——审阅与编辑、监督、资金获取。张磊:写作——原稿撰写、可视化、验证、方法论、数据整理。利益冲突声明作者声明,他们不存在已知的竞争性经济利益或个人关系,这些利益或关系可能会影响本文所报告的工作。刘书鑫|张磊
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号