基于改进YOLOv5s网络的绝缘子缺陷检测

doi:10.3785/j.issn.1008-973X.2024.12.006

基于改进YOLOv5s网络的绝缘子缺陷检测

李运堂^,, 张坤, 李恒杰, 朱文凯, 金杰, 章聪, 王冰清, OPPONGFrancis

中国计量大学机电工程学院，浙江杭州 310018

Insulator defect detection based on improved YOLOv5s network

LI Yuntang^,, ZHANG Kun, LI Hengjie, ZHU Wenkai, JIN Jie, ZHANG Cong, WANG Bingqing, OPPONG Francis

College of Mechanical and Electrical Engineering, China Jiliang University, Hangzhou 310018, China

收稿日期: 2023-10-30

基金资助:

浙江省属高校基本科研业务费专项资金(2020YW29).

Received: 2023-10-30

Fund supported:

浙江省属高校基本科研业务费专项资金(2020YW29).

作者简介 About authors

李运堂（1976—），男，教授，博士，从事无人机电力巡检研究.orcid.org/0000-0003-0924-8187.E-mail：Yuntangli@cjlu.edu.cn , E-mail：Yuntangli@cjlu.edu.cn

摘要

针对现有目标检测算法在复杂背景下绝缘子缺陷检测中容易出现漏检、误检和检测效率低等问题，改进YOLOv5s网络以提高绝缘子缺陷检测精度和速度. 采用K-means++聚类分析绝缘子数据集，确定网络预设锚框尺寸；利用Hard-Swish激活函数替换主干网络第3、5、7层卷积模块的SiLU激活函数，并添加卷积注意力机制(CBAM)，提高网络泛化能力；在主干网络与颈部网络间的跳跃链接添加CBAM，增强图像特征提取能力；利用交叉卷积替换颈部网络特征融合模块的残差结构，减少网络参数，提高检测速度. 实验结果表明：基于改进YOLOv5s网络的绝缘子缺陷检测精度和速度分别为88.6%和69.4帧/s，优于Faster R-CNN、YOLOv3、YOLOv4、常规YOLOv5s等主流网络，满足绝缘子缺陷检测要求.

关键词： YOLOv5s ; 绝缘子缺陷 ; 激活函数 ; 卷积注意力机制 ; 交叉卷积

Abstract

The YOLOv5s network was improved aiming at the problem of missed detection, false detection and low efficiency of existing object detection algorithms for insulator defects in complex backgrounds. K-means++ clustering was used to analyze the insulator dataset to determine the anchor box size preset by the network. The SiLU activation function of convolution module in the third, fifth, and seventh layers of the backbone network was replaced by Hard-Swish activation function, and the convolutional block attention mechanism (CBAM) was added to improve the network generalization ability. CBAMs were added to the skip links between backbone network and neck network to enhance the ability of image feature extraction. Moreover, the residual structure of feature fusion module of the neck network was replaced by the cross convolution to reduce the network parameters and improve the detection speed. The experimental results demonstrated that the detection accuracy and speed for the insulator defect by the improved YOLOv5s network were 88.6% and 69.4 frames per second, respectively, which were better than those of the popular networks such as Faster R-CNN, YOLOv3, YOLOv4 and regular YOLOv5s. The improved YOLOv5s network meets the requirements of insulator defect detection.

Keywords： YOLOv5s ; insulator defect ; activation function ; convolutional block attention mechanism ; cross convolution

PDF (2449KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

李运堂, 张坤, 李恒杰, 朱文凯, 金杰, 章聪, 王冰清, OPPONGFrancis. 基于改进YOLOv5s网络的绝缘子缺陷检测. 浙江大学学报(工学版)[J], 2024, 58(12): 2469-2478 doi:10.3785/j.issn.1008-973X.2024.12.006

LI Yuntang, ZHANG Kun, LI Hengjie, ZHU Wenkai, JIN Jie, ZHANG Cong, WANG Bingqing, OPPONG Francis. Insulator defect detection based on improved YOLOv5s network. Journal of Zhejiang University(Engineering Science)[J], 2024, 58(12): 2469-2478 doi:10.3785/j.issn.1008-973X.2024.12.006

绝缘子是输电线路组件间可靠绝缘、确保电能输送安全的重要部件. 由于长期暴露于自然环境，受温度变化、污垢腐蚀、高压作用等因素影响，绝缘子容易产生破损和闪络缺陷，影响电网稳定运行. 因此，须定期对绝缘子巡检确保供电系统安全^[1-2]. 传统巡检多采用人工作业，效率低、成本高、工作环境恶劣、安全性差. 以无人机为平台的视觉检测方法成本低、效率高、灵活性好、不受地形地貌影响，近年来在绝缘子缺陷检测中得到广泛应用.

绝缘子缺陷视觉检测大多采用基于深度学习的目标检测方法，通过卷积神经网络学习缺陷特征，利用回归分析识别和定位缺陷. 其中，以YOLO (you only look once)系列为代表的单阶段目标检测网络具有检测精度高和训练速度快的优点，在绝缘子缺陷检测领域应用较多，但基于COCO数据集的预测锚框尺寸与绝缘子缺陷大小不匹配，训练过程中容易出现难以收敛的情况. Feng等^[3]采用K-means聚类分析绝缘子数据集获得最佳锚框尺寸，解决预设锚框尺寸与绝缘子缺陷大小不匹配问题，增强YOLOv5网络泛化能力. 马进等^[4]利用K-means++聚类确定YOLOv4初始锚框尺寸，提高绝缘子缺陷定位精度.

由于绝缘子缺陷尺寸小，易受复杂背景干扰引起漏检. 利用注意力机制能够聚焦局部信息，加强特征信息关注度，肖粲俊等^[5]在YOLOv5s主干网络添加全局注意力机制，增强绝缘子缺陷特征提取能力. Gao等^[6]在ResNet主干网络嵌入卷积注意力机制(convolutional block attention mechanism, CBAM)，充分利用绝缘子缺陷通道域和空间域特征信息，提高网络检测精度.

YOLO系列网络通过下采样缩小特征图，减少运算量，但容易丢失检测目标特征信息，造成误检. 多尺度特征融合或浅层特征复用有利于弥补下采样造成的信息丢失，谢静等^[7]将Transformer编码器嵌入YOLOv5颈部网络特征融合模块，融合多尺度绝缘子缺陷特征，提高检测精度，降低误检率. Gao等^[8]采用DenseNet作为YOLOv5的主干网络，堆叠高低层特征缓解梯度消失，充分利用绝缘子缺陷浅层特征信息，误检率低，但检测速度较慢.

无人机视觉检测要求速度快、效率高，须采用轻量化结构减少模型参数，加快检测速度. 颜宏文等^[9]将轻量级ShuffleNetV2作为YOLOv5主干网络的特征提取模块，颈部网络利用深度可分离卷积替代普通卷积，加快网络训练速度，但背景复杂时容易漏检. Huang等^[10]利用感受野模块替代YOLOv5主干网络空间金字塔池化模块，通过膨胀卷积增大感受野、压缩特征通道、提高网络检测效率. 李利荣等^[11]将轻量级GhostNet作为YOLOv4主干网络，利用线性运算生成特征图，减少计算量，提高绝缘子缺陷检测速度，但存在分类不准确的问题.

现有研究在绝缘子缺陷检测领域取得了一定成果，但绝缘子缺陷形态多样，并且相对于绝缘子图像而言，像素占比小，背景复杂时容易漏检、误检. 本研究改进YOLOv5s网络，提高复杂背景下绝缘子多类别缺陷检测精度. 针对绝缘子缺陷特征复杂多样，训练网络收敛较慢的问题，采用K-means++聚类得到最优预测锚框尺寸，提高YOLOv5s网络的泛化能力，加快网络训练收敛速度；针对复杂背景下绝缘子缺陷容易漏检的问题，主干网络采用Hard-Swish激活函数并引入CBAM注意力机制，提高绝缘子缺陷检测精度；针对绝缘子缺陷尺寸较小，定位不精准的问题，颈部网络引入交叉卷积，加强网络对绝缘子缺陷轮廓信息的关注度，提高网络定位精度.

1. 改进YOLOv5s网络

1.1. 常规YOLOv5s网络结构

YOLOv5为单阶段目标检测网络^[12]，包括YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x共4个版本. 其中，YOLOv5s网络深度最浅、宽度最窄，网络参数少、运算速度快，结构如图1所示，主要包括主干网络、颈部网络和头部网络3部分.

图 1

新窗口打开| 下载原图ZIP| 生成PPT

图 1 常规YOLOv5s网络结构

Fig.1 Structure of regular YOLOv5s network

主干网络由CBS、C3和SPPF (spatial pyramid pooling-fast)模块构成. CBS包括卷积层(Conv)、批量归一化(batch normalization, BN)和SiLU激活函数. C3由2个分支构成，一分支经过CBS和多个残差结构(BottleNeck)，另一分支直接进行CBS卷积操作，最后将两分支堆叠和CBS卷积.

如图2所示，在SPPF模块中，先通过CBS卷积，再经过5×5卷积核连续3次最大池化下采样，将经过CBS卷积处理和每次池化操作所得的特征图堆叠，最后通过CBS卷积融合多尺度特征.

图 2

新窗口打开| 下载原图ZIP| 生成PPT

图 2 SPPF模块示意图

Fig.2 Schematic diagram of SPPF module

颈部网络采用特征金字塔网络(feature pyramid network, FPN)与路径聚合网络(path aggregation network, PAN)相结合的结构. FPN自顶向下上采样，使底层特征图包含更多像素信息；PAN自底向上下采样，使顶层特征图包含丰富语义信息. 多层次多尺度反复提取绝缘子关键特征，融合底层特征高分辨率和顶层特征丰富语义信息.

头部网络通过二维卷积将输出通道调整为检测类别和定位回归的张量维度，最终由头部网络YOLO Head1、YOLO Head2和YOLO Head3模块进行回归预测，每个预测模块分别输出3种不同尺寸的预测锚框，共9种锚框，常规YOLOv5s网络锚框尺寸如表1所示.

表 1 常规YOLOv5s网络锚框尺寸

Tab.1 Anchor box size of regular YOLOv5s network

特征图	尺寸	锚框尺寸
1	64×64	(10，13)，(16，30)，(33，23)
2	32×32	(30，61)，(62，45)，(59，119)
3	16×16	(116，90)，(156，198)，(373，326)

新窗口打开| 下载CSV

1.2. 改进YOLOv5s网络

常规YOLOv5s网络预设锚框基于COCO数据集训练，与绝缘子数据集标注框差异大，为了提高网络定位精度，须重新定义锚框尺寸. 同时，常规YOLOv5s网络提取绝缘子缺陷特征能力不足^[13]，在背景复杂时容易出现漏检、误检. 因此，须改进YOLOv5s网络，提高绝缘子多类别缺陷检测精度.

1.2.1. 基于K-means++聚类的预测锚框

K-means为迭代求解的聚类方法，须人为确定初始质心，难以获得全局最优解. K-means++^[14]通过随机填充初始质心，避免初始质心过密，迭代求取预测锚框尺寸. 具体步骤如下.

1)在数据集中随机选取一个样本作为初始质心.

2)计算每个样本被选为质心的概率，并通过轮盘法选出下一个质心.

(1)$ P\left( t \right) = {{{G^2}\left( t \right)}}\Big/{{\displaystyle\sum\limits_{t \in T} {{G^2}\left( t \right)} }}. $

式中：P(t)表示样本被选为质心的概率，G(t)表示样本与质心的最短距离，t表示单个样本的标注框尺寸，T表示绝缘子数据集的标注框尺寸集合.

3)重复步骤2)，直至得到k个质心为止.

4)计算每个样本与每个质心的距离，将所有样本划分到离它最近质心所对应的簇中.

5)更新簇的质心. 每个簇的质心更新为该簇所有样本的均值.

6)重复步骤4）、5），直至质心不变或达到指定迭代次数为止.

由于绝缘子图像在输入YOLOv5s前将尺寸调整为512×512，且头部网络输出9种不同尺寸预测锚框. 因此，将绝缘子数据集标注框的尺寸压缩至512以下，聚类质心数量k设为9，进行K-means++聚类迭代训练，聚类结果如图3所示.图中，x、y轴分别表示绝缘子数据集标注框的宽和高. K-means++聚类根据绝缘子数据集标注框尺寸大小和宽高比例特征将绝缘子数据集标注框划分为9簇，将每簇均值作为质心，得到9种更加适合绝缘子数据集的预测锚框尺寸，加快网络参数拟合速度，提高网络定位精度. 锚框尺寸如表2所示.

图 3

新窗口打开| 下载原图ZIP| 生成PPT

图 3 K-means++聚类结果

Fig.3 Result of K-means++ clustering

表 2 K-means++聚类锚框尺寸

Tab.2 Anchor box size of K-means++ clustering

特征图	尺寸	锚框尺寸
1	64×64	(45，43)，(116，30)，(70，82)
2	32×32	(131，128)，(283，60)，(82，391)
3	16×16	(407，102)，(465，202)，(266，442)

新窗口打开| 下载CSV

1.2.2. Hard-Swish激活函数

绝缘子在图像中像素占比少，容易受复杂背景影响导致误检. 为了增强绝缘子缺陷特征学习能力，采用Hard-Swish激活函数^[15]替换主干网络卷积模块的SiLU激活函数.

如图4所示，SiLU激活函数在输入变量为负时，梯度更新较慢，训练时间成本高. Hard-Swish激活函数具有平滑和非单调特点，使网络具有更丰富的表达能力，增强网络的稳定性，且相比SiLU激活函数运算更快，能加快网络训练速度.

图 4

新窗口打开| 下载原图ZIP| 生成PPT

图 4 SiLU与Hard-Swish激活函数曲线

Fig.4 Curves of SiLU and Hard-Swish activation function

对比主干网络不同层采用Hard-Swish激活函数的检测效果，确定改进方法，实验结果如表3所示. 表中，mAP为多类别平均精度，FPS为检测速度. 可以看出，主干网络第1层卷积模块采用Hard-Swish激活函数会导致网络检测精度下降，第3、5、7层卷积模块采用Hard-Swish激活函数能够提高网络检测精度和检测速度，表明Hard-Swish激活函数在网络深层表达能力更强且运算速率更快.

表 3 Hard-Swish激活函数实验结果

Tab.3 Experiment results of Hard-Swish activation function

方法	层1	层3	层5	层7	mAP/%	FPS/(帧·s⁻¹)
HS0	—	—	—	—	86.1	64.1
HS1	√	—	—	—	85.7	64.1
HS2	—	√	—	—	86.2	64.2
HS3	—	√	√	—	86.4	64.4
HS4	—	√	√	√	86.6	64.5

新窗口打开| 下载CSV

1.2.3. 卷积注意力机制

由于绝缘子缺陷尺寸小，网络层次加深易导致缺陷特征丢失，造成漏检. 引入CBAM，加强网络对绝缘子缺陷特征的关注度，提高网络检测精度.

如图5所示，CBAM沿着2个独立的维度(通道和空间)依次求取权值，再将输入特征图依次与通道注意力权值和空间注意力权值相乘.

图 5

新窗口打开| 下载原图ZIP| 生成PPT

图 5 卷积注意力机制

Fig.5 Convolutional block attention mechanism

通道注意力权值计算过程如图6所示，输入特征图通过最大池化和平均池化，压缩特征图尺寸，得到2个一维矢量信息，再经过共享全连接层，将2个一维矢量逐元素相加并采用Sigmoid函数将通道注意力权值矩阵中的元素转换到0~1.0.

图 6

新窗口打开| 下载原图ZIP| 生成PPT

图 6 通道注意力权值示意图

Fig.6 Schematic diagram of channel attention weights

(2)${{\boldsymbol{M}}_{\text{c}}} = \sigma \left( {{\mathrm{MLP}}\;\left( {{\mathrm{MP}}\;\left( {\boldsymbol{F}} \right);{\mathrm{AP}}\;\left( {\boldsymbol{F}} \right)} \right)} \right). $

式中：M_c表示通道注意力权值矩阵，MLP表示共享全连接层，MP (F)、AP (F)分别表示对输入特征图做最大池化运算和平均池化运算，F表示输入特征图，σ表示Sigmoid函数.

(3)$ \sigma = \frac{1}{{1+{{\mathrm{e}}^{- x}}}}. $

空间注意力权值计算过程如图7所示，输入特征图沿通道轴方向做最大池化和平均池化，得到2个二维矩阵，再经卷积层将2个二维矩阵融合并采用Sigmoid函数将空间注意力权值矩阵中的元素转换到0~1.0.

图 7

新窗口打开| 下载原图ZIP| 生成PPT

图 7 空间注意力权值示意图

Fig.7 Schematic diagram of spatial attention weights

(4)$ {{\boldsymbol{M}}_{\text{s}}} = \sigma \left( {{{\boldsymbol{f}}^{7 \times 7}}\left( {{\mathrm{MP}}\;\left( {{{\boldsymbol{F}}_{\text{c}}}} \right);{\mathrm{AP}}\;\left( {{{\boldsymbol{F}}_{\text{c}}}} \right)} \right)} \right). $

式中：M_s表示空间注意力权值矩阵，ƒ^7×7表示卷积核为7×7的卷积，F_c表示通道注意力处理后的特征图.

为了验证引入不同注意力机制对绝缘子缺陷检测结果的影响，在相同实验环境下，对比常规YOLOv5s和分别引入三元组注意力机制(triplet attention, TA)、挤压与激励注意力机制(squeeze and excitation, SE)和CBAM注意力机制的实验结果，如表4所示. 表中，M表示模型参数量. 可以看出，TA、SE和CBAM注意力机制有助于提高网络检测精度，相对于常规YOLOv5s网络，mAP分别提高0.3、0.8、1.2个百分点. 但添加注意力机制导致网络参数增加，检测速度下降.

表 4 多种注意力机制对模型性能影响的实验结果

Tab.4 Experimental results on impact of various attention mechanisms on model performance

网络	M	mAP/%	FPS/(帧·s⁻¹)
常规YOLOv5s	7025023	86.1	64.1
TA	7034513	86.4	63.7
SE	7060191	86.9	63.3
CBAM	7070153	87.3	62.5

新窗口打开| 下载CSV

如图8所示对比了常规YOLOv5s网络和分别引入3种注意力机制的热力图.可以看出，常规YOLOv5s网络在检测绝缘子缺陷时，受背景干扰较大；引入TA未能有效消除背景干扰；SE增强了网络抗干扰能力，但对缺陷特征的关注减弱；相比TA和SE，CBAM显著增强缺陷特征关注度并降低背景干扰.

图 8

新窗口打开| 下载原图ZIP| 生成PPT

图 8 多种注意力机制的热力图对比

Fig.8 Comparative heat maps of various attention mechanisms

1.2.4. 基于交叉卷积的C3X模块

绝缘子缺陷尺寸小且形态多样，常规YOLOv5s存在提取绝缘子缺陷轮廓信息能力不足的问题，利用交叉卷积替代特征融合模块的残差结构得到轻量化C3X模块，能增强网络对绝缘子缺陷轮廓信息的关注度，交叉卷积结构如图9所示.其中，Conv1和Conv2分别为1×3和3×1的卷积核，在卷积时对输入图像进行填充，确保输入和输出特征图大小一致. 交叉卷积利用非对称卷积核Conv1和Conv2依次提取特征图水平和垂直方向的梯度信息，并与原特征图进行融合. 与感受野相同的普通卷积相比，交叉卷积具有参数少、像素信息保存更完整的优点.

图 9

新窗口打开| 下载原图ZIP| 生成PPT

图 9 交叉卷积示意图

Fig.9 Schematic diagram of cross convolution

1.2.5. 改进YOLOv5s网络结构

改进YOLOv5s网络结构如图10所示. 首先将主干网络第3、5、7层卷积模块的SiLU激活函数替换为Hard-Swish激活函数并添加CBAM，提高网络特征学习能力和特征表达能力；在主干网络与颈部网络间的跳跃链接添加CBAM，提高网络特征提取能力，减少误检和漏检；最后将颈部网络特征融合模块替换为轻量化C3X模块，提高检测速度.

图 10

新窗口打开| 下载原图ZIP| 生成PPT

图 10 改进YOLOv5s网络结构

Fig.10 Structure of improved YOLOv5s network

改进YOLOv5s网络不同层特征图的输出结果如图11所示，可直观显示改进网络绝缘子缺陷检测过程. 可以看出，改进网络经过不断堆叠融合绝缘子缺陷特征后，能够准确定位绝缘子破损区域.

图 11

新窗口打开| 下载原图ZIP| 生成PPT

图 11 不同层特征图可视化结果

Fig.11 Visualization results of feature maps at different layers

2. 实验数据与网络训练

2.1. 实验环境

实验环境配置：深度学习框架Pytorch-GPU V1.7.0，深度神经网络加速库CUDNN8.3.2；GPU运算平台CUDA11.7，显卡Nvidia GeForce RTX 2080 Ti，显存11 GB，处理器Inter Core i7-9700k 3.60 GHz八核，内存32 GB；编程语言为Python3.8.15，操作系统为Windows10.

2.2. 数据集搭建

通过网络公开数据集获取绝缘子图像，分别为中国输电线路绝缘子数据集(https://github.com/InsulatorData/InsulatorDataSet)、IEEE绝缘子数据集(https://ieee-dataport.org/competitions/insulator-defect-detection)和2020届泰迪杯绝缘子数据集(https://www.tipdm.org). 数据图像包含正常绝缘子、破损绝缘子和闪络缺陷绝缘子，共1620张图像. 采用Labelimg软件标注绝缘子图像，生成包含绝缘子缺陷类别和锚框坐标信息的xml文件，如图12所示.

图 12

新窗口打开| 下载原图ZIP| 生成PPT

图 12 软件标注界面

Fig.12 Interface of software annotation

为了提高网络的泛化能力，增强数据集. 首先，将162张绝缘子图像作为测试集. 其次，对余下数据集分别采用先增强后划分和先划分后增强扩充数据集，对比分析2种方法的训练效果.

先增强后划分^[16-17]是先进行数据增强，再将数据集按9∶1的比例划分为训练集和验证集. 该方法容易造成训练集和验证集具有相似绝缘子图像，导致验证集检测结果不可靠.

先划分后增强^[18-19]是将数据集按9∶1的比例划分为训练集和验证集，再分别对训练集和验证集进行数据增强. 该方法可以有效避免训练集与验证集出现数据交叉，确保验证集检测结果的可靠性.

数据增强利用随机翻转、添加噪声、平均像素和图片缩放等操作，将数据集扩充至4890张图像. 选取Faster R-CNN、YOLOv3、YOLOv4和常规YOLOv5s验证先增强后划分和先划分后增强2种数据集增强方法，实验结果如表5所示.可以看出，Faster R-CNN、YOLOv3、YOLOv4和常规YOLOv5s先增强后划分方法的验证集与测试集结果差距大，表明训练集与验证集存在较多相似的绝缘子图像，导致验证集检测精度过高. 相比先增强后划分，先划分后增强方法的验证集与测试集结果相近，表明采用先划分后增强能够避免训练集与验证集出现数据交叉，保证训练结果的可靠性. 因此，本研究采用先划分后增强的数据集增强方法.

表 5 数据集增强实验结果

Tab.5 Experiment results of dataset enhancement

方法	网络	mAP/%
方法	网络	验证集	测试集
先增强后划分	Faster R-CNN	85.9	84.2
	YOLOv3	91.8	86.1
	YOLOv4	92.2	86.4
	常规YOLOv5s	93.5	85.9
先划分后增强	Faster R-CNN	84.5	84.4
	YOLOv3	86.3	86.3
	YOLOv4	86.7	86.5
	常规YOLOv5s	86.2	86.1

新窗口打开| 下载CSV

2.3. 网络评价指标

采用精准率P、召回率R、平均精度AP、多类别平均精度mAP和检测速度. FPS等评价指标^[20]检验网络性能.

(5)$ P{\text{ = }}\frac{{{{\mathrm{TP}}} }}{{{{\mathrm{TP}}} +{{\mathrm{FP}}} }}. $

式中：TP为正样本被正确识别的数量，FP为负样本被识别为正样本的数量.

(6)$ R = \frac{{{{\mathrm{TP}}} }}{{{{\mathrm{TP}}} +{{\mathrm{FN}}} }}. $

式中：FN为正样本被识别为负样本的数量.

(7)$ {{\mathrm{AP}}} = \int {\left( {P,\;R} \right)} . $

式中：AP指由坐标轴和精准率曲线所包围区域的面积，反映网络单个类别检测性能.

(8)$ {{\mathrm{mAP}}} = \frac{1}{N}\sum\limits_{i = 1}^N {{{{{\mathrm{AP}}} }_i}} . $

式中：mAP反映网络整体检测性能，N为检测类别总数.

2.4. 网络训练

利用迁移学习策略，将改进YOLOv5s网络在GPU上训练，采用Adam优化器更新网络参数，初始学习率为0.001，学习率衰减系数为0.0005，Batch_size为8，迭代次数E设为500. 评价指标变化如图13所示.可以看出，改进网络迭代300次后，精准率收敛于约90%；迭代400次后，召回率和检测精度分别收敛于约83%和88%. 如图14所示为损失值L变化曲线可以看出，迭代500次后，损失值最终收敛于约0.004，表明网络已经取得较好的训练结果.

图 13

新窗口打开| 下载原图ZIP| 生成PPT

图 13 改进YOLOv5s评价指标变化曲线

Fig.13 Evaluation metrics change curves for improved YOLOv5s

图 14

新窗口打开| 下载原图ZIP| 生成PPT

图 14 改进YOLOv5s损失值变化曲线

Fig.14 Loss value change curve for improved YOLOv5s

2.5. 消融对比实验

消融对比实验结果如表6所示. 其中，方法1是在常规YOLOv5s的基础上，采用K-means++聚类锚框尺寸；方法2是在方法1的基础上，将主干网络第3、5、7层卷积模块的SiLU激活函数替换为Hard-Swish激活函数并添加CBAM；方法3是在方法2的基础上，在主干网络与颈部网络间的跳跃链接添加CBAM；方法4是在方法3的基础上，利用交叉卷积替代颈部网络特征融合模块的残差结构，为最终的改进YOLOv5s网络.可以看出，方法1相比常规YOLOv5s整体检测精度提高0.3个百分点，表明采用K-means++聚类锚框尺寸可以提高网络定位精度；方法2相比方法1在绝缘子破损和闪络缺陷上的检测精度分别提高1.3、2.1个百分点，表明主干网络第3、5、7层卷积模块采用Hard-Swish激活函数并嵌入CBAM，可以增强网络特征表达能力和特征提取能力；方法3相比方法2整体检测精度提高1.0个百分点，但检测速率下降，表明在主干网络与颈部网络间的跳跃链接添加CBAM可以提高网络对绝缘子缺陷特征的关注度，但参数增多，检测耗时变长；方法4相比方法3在绝缘子破损缺陷上的检测精度提高0.8个百分点，且整体检测速度提高8.3帧/s，表明采用交叉卷积替代颈部网络特征融合模块的残差结构，能够增强网络对绝缘子缺陷轮廓信息的关注度，并且减少模型参数，提高检测速度. 最终，改进YOLOv5s精准率和召回率分别为90.2%和83.4%，检测精度和速度分别为88.6%和69.4帧/s.

表 6 消融对比实验结果

Tab.6 Results of ablation comparative experiment

网络	P/%	R/%	AP/%				mAP/%	FPS/ (帧·s⁻¹)
网络	P/%	R/%	正常绝缘子	缺陷绝缘子	破损缺陷	闪络缺陷	mAP/%	FPS/ (帧·s⁻¹)
常规 YOLOv5s	88.1	81.2	95.9	94.7	87.1	66.7	86.1	64.1
方法 1	88.3	81.6	96.2	95.0	87.3	67.1	86.4	64.1
方法 2	89.4	82.5	96.3	95.1	88.6	69.2	87.3	62.5
方法3	89.8	83.1	96.7	95.7	90.4	70.4	88.3	61.1
方法 4	90.2	83.4	96.9	95.8	91.2	70.5	88.6	69.4

新窗口打开| 下载CSV

3. 实验结果与性能分析

3.1. 对比实验结果

对比Faster R-CNN、YOLOv3、YOLOv4、常规YOLOv5s和改进YOLOv5s网络在测试集上的检测结果，如图15所示. 图15(a)中，Faster R-CNN将正常绝缘子误检为缺陷绝缘子，且存在破损绝缘子和正常绝缘子漏检的问题. 图15(b)、(c)和(d)中，YOLOv3、YOLOv4和常规YOLOv5s存在绝缘子缺陷和正常绝缘子漏检的问题. 图15(e)中，改进YOLOv5s网络可以正常检测出绝缘子缺陷，在绝缘子部分特征被遮挡情况下，仍可以准确识别和定位出绝缘子，漏检率和误检率较低，表明改进YOLOv5s网络增强了特征提取能力和抗干扰能力.

图 15

新窗口打开| 下载原图ZIP| 生成PPT

图 15 不同网络检测结果对比

Fig.15 Comparison results of different network detection results

3.2. 网络性能分析

为了验证改进网络性能，选取Faster R-CNN、Faster R-Transformer^[21]、YOLOv3、YOLOv3-SimAM^[22]、YOLOv4、YOLOv4-GhostNet^[11]、常规YOLOv5s、 YOLOv5-TR^[7]与改进YOLOv5s进行对比实验，实验结果如表7所示. 表中，S为权值文件大小.

表 7 不同网络对比实验结果

Tab.7 Comparative experimental results of different networks

网络	S/MB	P/%	R/%	mAP/%	FPS/(帧·s⁻¹)
Faster R-CNN	130.4	78.6	83.2	84.4	4.8
Faster R-Transformer	105.6	83.3	83.9	86.4	7.2
YOLOv3	59.1	85.5	81.6	86.3	23
YOLOv3-SimAM	68.2	87.9	82.2	87.1	18.9
YOLOv4	61.4	87.3	80.4	86.5	20.1
YOLOv4-GhostNet	35.9	87.5	82.6	87.4	26.7
常规YOLOv5s	13.4	88.1	81.2	86.1	64.1
YOLOv5-TR	13.6	88.5	80.5	86.9	63.5
改进YOLOv5s	12.7	90.2	83.4	88.6	69.4

新窗口打开| 下载CSV

Faster R-CNN作为双阶段网络结构，检测精度低，且参数多、检测速度慢；Faster R-Transformer召回率较高，漏检少，但精准率较低，容易误检；YOLOv3与YOLOv3-SimAM存在检测速度较慢的问题；YOLOv4召回率较低，容易出现漏检；YOLOv4-GhostNet召回率较高，但检测速度较慢；YOLOv5-TR精准率较高，但召回率较低，容易出现漏检. 与其他网络相比，改进YOLOv5s网络检测效果最优，检测精度和检测速度分别为88.6%和69.4帧/s.

3.3. GUI检测界面

为了便于对拍摄视频和图片的在线检测，基于QT搭建了GUI图形化检测界面，并对无人机航拍图像进行检测，检测界面如图16所示.

图 16

新窗口打开| 下载原图ZIP| 生成PPT

图 16 绝缘子缺陷检测界面

Fig.16 Insulator defect detection interface

4. 结　语

针对现有目标检测方法复杂背景下绝缘子缺陷容易漏检、误检的问题，改进YOLOv5s网络. 利用K-means++聚类得到最佳锚框尺寸，提高绝缘子缺陷定位精度；采用Hard-Swish函数作为主干网络第3、5、7层卷积模块激活函数并添加CBAM，增强网络学习绝缘子缺陷特征的能力；将CBAM嵌入主干网络与颈部网络间的跳跃链接，提高绝缘子缺陷特征关注度，减少误检；利用交叉卷积替代颈部网络特征融合模块的残差结构，提取特征图梯度信息，减少漏检并提高检测速度. 不同网络对比实验结果表明，改进YOLOv5s网络精准率和召回率分别为90.2%和83.4%，复杂背景下绝缘子缺陷误检和漏检少，并且检测精度和速度分别为88.6%和69.4帧/s，能够实现绝缘子缺陷的快速高精度检测.

本研究提升了绝缘子缺陷的检测精度和速度，但在绝缘子闪络缺陷上的检测精度仍须改进. 未来工作将重点提高闪络缺陷的识别率，并将优化后的网络部署到嵌入式设备上进行性能测试.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

PRATES R M, CRUZ R, MAROTTA A P, et al

Insulator visual non-conformity detection in overhead power distribution lines using deep learning

[J]. Computers and Electrical Engineering, 2019, 78: 343- 355

DOI:10.1016/j.compeleceng.2019.08.001 [本文引用: 1]

[2]

ANTWI-BEKOE E, LIU G, AINAM J P, et al

A deep learning approach for insulator instance segmentation and defect detection

[J]. Neural Computing and Applications, 2022, 34 (9): 7253- 7269

DOI:10.1007/s00521-021-06792-z [本文引用: 1]

[3]

FENG Z, GUO L, HUANG D, et al. Electrical insulator defects detection method based on YOLOv5 [C] // IEEE Data Driven Control and Learning Systems Conference . Suzhou: IEEE, 2021: 979−984.