《Scientific Reports》：SML-YOLO: a lightweight insulator defect detection algorithm for transmission lines under harsh weather conditions
编辑推荐：
输电线路中绝缘子缺陷的高效检测对于确保电力系统的可靠性和安全性至关重要。然而，降雨、雾霾和低光照等不利户外条件会降低目标与背景之间的对比度，导致缺陷细节模糊。同时，绝缘子往往与杆塔、导线及其他元件共存于复杂背景中，这可能导致目标分割不准确，进而造成漏检或误检。
输电线路中绝缘子缺陷的高效检测对于确保电力系统的可靠性和安全性至关重要。然而，降雨、雾霾和低光照等不利户外条件会降低目标与背景之间的对比度，导致缺陷细节模糊。同时，绝缘子往往与杆塔、导线及其他元件共存于复杂背景中，这可能导致目标分割不准确，进而造成漏检或误检。本研究提出了一种面向恶劣天气场景的轻量化绝缘子缺陷检测算法SML-YOLO。该算法基于YOLO11框架，通过三项核心创新实现性能优化。具体而言，研究人员提出了StarNet-nano作为骨干网络，在不损害模型轻量化架构的前提下提升特征感知能力，从而改善小尺度缺陷的检测效果。此外，研究人员开发了多分支调制特征金字塔网络（MMFPN）以在兼顾轻量化目标的同时优化特征融合，并采用LSCD检测头以平衡模型紧凑性与高检测精度。实验结果表明，SML-YOLO将模型体积缩小了21.1%，参数量减少了20.9%，同时检测精度提升了2.4%，检测速度提高了23.8%。此外，该算法在恶劣天气条件下表现出较强的适应性。上述研究结果证实，所提算法兼具轻量化设计、高检测性能和强泛化能力，不仅为输电线路自动化巡检提供了高效解决方案，减少了人工巡检工作量并缩短了维护停机时间，而且非常适用于资源受限的无人机（UAV）应用场景。
**SML-YOLO：面向恶劣天气的轻量化绝缘子缺陷检测算法解读**
**一、研究背景与动机**
电力电网作为国家能源传输与分配的核心基础设施，其安全稳定运行是经济社会可持续发展的重要基础。绝缘子（Insulator）在高压输电系统和高速铁路接触网系统中发挥着电气绝缘、防止泄漏电流以及提供机械支撑以抵御风荷载和覆冰等复杂外力的关键作用，是保障电力可靠传输的重要安全屏障。准确检测绝缘子缺陷是防止线路跳闸和大规模停电等严重事故的有效措施，也为极端天气事件后能源供应和交通的快速恢复提供技术支撑。
传统的绝缘子人工巡检方式存在效率低、环境条件严苛、可达性差以及安全风险大等固有缺陷，已难以满足智能电网发展的需求。随着无人机（UAV）技术的普及，基于视觉的输电线路巡检逐渐成为主流方式。然而，无人机巡检不可避免地产生海量图像数据，对后续处理和分析提出了更高要求。已有大量基于深度学习的绝缘子缺陷检测方法被相继提出，例如基于ResNeSt、YOLOv3、YOLOv5、YOLOv8的改进模型，以及基于Transformer架构的方法等。这些研究虽在提升检测精度上取得了进展，但普遍存在两方面不足：其一，多数研究主要聚焦于提高模型精度，而对移动平台的部署需求和算力约束关注不足，导致模型过于复杂；其二，部分追求轻量化的模型则往往牺牲了检测精度。如何在保持模型轻量化的同时兼顾高精度，实现两者间的有效平衡，是当前绝缘子缺陷检测领域亟待解决的关键问题。
**二、研究内容与意义**
针对上述挑战，研究人员提出了一种轻量化且高精度的绝缘子缺陷检测模型SML-YOLO。该模型以YOLO11框架为基础，通过三项核心创新——StarNet-nano骨干网络、多分支调制特征金字塔网络（MMFPN）和轻量化共享卷积检测头（LSCD）——实现了检测精度与计算效率的有效平衡。模型在仅2.04 M参数、6.3 GFLOPs和4.1 MB模型大小的条件下达到了94.6%的mAP，非常适合在移动端和资源受限设备上部署。该研究推进了绝缘子缺陷检测在精度与效率平衡方面的探索，为无人机巡检等实际应用提供了高效的技术方案。论文发表于《Scientific Reports》。
**三、主要技术方法**
研究人员主要采用了以下关键技术方法：使用公开的绝缘子缺陷图像数据集（IDID），该数据集包含三种类别共1,596张绝缘子串高分辨率图像，经亮度、色彩、对比度调整及恶劣天气模拟等增强策略扩展至7,300张，并按7:2:1划分为训练、验证和测试集；基于YOLO11基线，提出StarNet-nano替换原CSPDarknet骨干以增强细粒度特征感知；设计MMFPN替代原PANet颈部网络以优化多尺度特征融合；构建LSCD检测头以降低参数冗余和计算开销。
**四、研究结果**
**消融实验**：通过逐步引入SC Block、MMFPN和LSCD检测头的消融实验及配对t检验统计学分析（p < 0.05），研究人员证实了各模块的有效性及模块间的互补协同效应，最终配置使模型mAP@50达到94.6%，参数减少20.9%，模型体积缩减21.1%。
**对比实验**：在相同硬件条件下与多种主流轻量级模型对比，SML-YOLO在检测精度（mAP@50 94.6%）和检测速度（FPS）上均表现最佳，较基线YOLO11n精度提升2.4%，召回率提升1.7%，同时模型体积和参数分别减少21.1%和20.9%。
**检测结果可视化**：在正常天气、低照度、雾天、雨天和雪天等多种场景下的检测结果对比表明，SML-YOLO在复杂背景下对绝缘子破损、闪络等小尺度缺陷具有更高的识别精度和定位能力，显著减少了漏检和误检。
**热力图对比分析**：通过Grad-CAM和LayerCAM可视化分析，SML-YOLO的注意力分布更集中且准确地聚焦于缺陷区域，相比基线模型有效抑制了对背景区域的无关激活。
**泛化性对比实验**：在CPLID和SFID两个外部公开数据集上的跨域评估显示，SML-YOLO的mAP@50分别达到96.6%和98.9%，优于所有对比方法，展现出良好的泛化能力和环境适应性。
**五、讨论与结论**
研究人员通过Grad-CAM和LayerCAM可解释性分析发现，SML-YOLO能更准确地聚焦缺陷区域，但仍存在结构边缘偏差、上下文共现偏差以及对小尺度或低对比度缺陷响应不足等残余激活现象。研究结论表明，SML-YOLO通过整合StarNet-nano骨干、MMFPN特征融合颈部网络和LSCD检测头，有效增强了小缺陷的特征表示、改善了特征判别能力，并实现了在无人机巡检等资源受限平台上的实时部署潜力，为输电线路绝缘子缺陷的自动化检测提供了一种兼顾轻量化与高精度的有效方案。未来工作将开展更系统的失败案例分析和更具判别力的注意力机制与空间正则化策略研究，并将框架拓展至更广泛的电力设备巡检任务，引入红外或深度信息等多模态数据以进一步增强鲁棒性，同时提升在未知环境条件下的跨域泛化能力仍是重要的研究方向。
