原文发表在《电瓷避雷器》2024年第6期。
https://www.chndoi.org/Resolution/Handler?doi=10.16188/j.isa.1003-8337.2024.6.017
融合注意力与轻量化的多尺度电缆绝缘子缺陷检测
赵洋，刘青，李宁，尚英强，马宪伟
(国网北京市电力公司电缆分公司,北京 100022)
一 内容简介
针对现有绝缘子缺陷检测方法的精度低和网络复杂等问题，提出融合注意力与轻量化的多尺度电缆绝缘子缺陷检测方法。首先，在YOLOv5的主干网络中引入通道注意力，抑制复杂背景纹理，强调缺陷特征信息；其次，基于Ghost模块轻量化的特点提出Ghost-Bottleneck模块，替换YOLOv5中的Bottleneck模块，降低网络的复杂度；然后，采用K-means++算法聚类预测框的锚框坐标，同时增添并聚合多尺度耦合头，提高小缺陷目标的检测准确度；最后，通过将DIOU Loss定位损失函数修改成CIOU Loss定位损失函数来优化网络参数。实验结果表明，该算法在CPLID数据集上绝缘子缺陷检测的mAP达到99.5%，参数量相比于原始YOLOv5网络减少了33.5%，在实现对绝缘子缺陷检测的同时更容易移植到巡检终端，为绝缘子缺陷智能巡检提供更准确的新方法。
二 主要内容
绝缘子是户外电缆终端的绝缘产品之一，作为输电线路的主要构成部分，其功能是电气绝缘和线路支持等。但当绝缘子受到损坏或污染时容易出现自爆或击穿等问题，导致两端的绝缘电阻变为零，进而造成电力系统出现故障。定期检查和维护绝缘子是确保电力系统安全运行的必要手段之一，而基于智能检测方法相比人工检查不仅能降低运行成本，还可以提高工作效率。因此，致力于研究电缆绝缘子缺陷检测对于电力系统的稳定运行具有重要的应用价值。
传统算法在处理目标识别及缺陷检测等非线性任务时，容易发生误检及精度低等问题。因此，国内外已有较多学者将深度学习应用到上述任务中并展开进一步研究。基于深度学习的目标检测方法主要分成两种模型，一种是一阶段目标检测模型，另一种则是二阶段目标检测模型。对于二阶段目标检测模型，Tao等提出基于R-CNN的方法，分别进行绝缘子定位和缺陷部位检测，并增强数据提高绝缘子缺陷检测的鲁棒性，检测准确率与召回率分别达到了91%和96%。Ling等人提出了Faster R-CNN与U-net相结合的方法，Faster R-CNN对绝缘子串进行定位，U-net则对不同尺寸图像进行准确分类，准确率和召回率分别为94.9%和95.4%。二阶段目标检测模型具有较高的检测精度，但其复杂的模型结构、较慢的检测速度，不适合在线实时检测。
对一阶段目标检测模型，Vieira-e-Silva等提出SSD结合MS-PAD的检测方法，用于高分辨率电力系统图像检测，准确率高达89.2%。董召杰通过YOLOv3网络检测电力重要部件，对缺陷绝缘子的识别率达到90.2%，并自建了电力线部件的数据集。马进等运用Ghost-Net和注意力机制对骨干网络进行优化，在减少计算参数量的同时，提高骨干网络的特征提取能力，进而提高绝缘子缺陷的检测精度。Qiu等人设计一种轻量化YOLOv4绝缘子缺陷检测模型，解决了YOLOv4目标检测模型参数过多、检测速度慢等问题，准确率达到93.81%。一般来说，与基于二阶段目标检测模型相比，一阶段目标检测模型网络复杂度低、检测速度较快，但是检测精度低。
上述算法虽然可以完成绝缘子缺陷检测任务，但当应用在实际工作中时，由于其网络复杂的结构或大量的参数，容易出现工作效率低、巡检终端难以适配等问题。因此，实现轻量化的绝缘子缺陷检测算法逐渐成为该领域的重要方向。例如，朱等提出通过改进YOLOv3来完成检测网络轻量化任务，并与其它算法进行对比，但准确率较低。李等提出一种新型卷积神经网络来实现航拍图像中的绝缘子缺陷检测任务，有效减少检测时间，并将准确率和召回率提高到91%和96%。李等将ECA-GhostNet (Efficient Channel Attention)与YOLOv4结合，提出基于轻量化YOLOv4的复杂场景绝缘子缺陷检测算法，但检测精度不稳定，泛化能力低。虽然上述算法实现了网络轻量化，但准确度普遍较低，难以达到实际工作的要求。此外，上述算法未考虑网络的参数量大小，难以实用化。
为了进一步提高绝缘子缺陷检测速度和精准定位缺陷位置，本研究提出一种融合注意力与轻量化的多尺度电缆绝缘子缺陷检测方法，网络复杂度低、检测精度高。首先，将通道注意力融入到YOLOv5的主干特征网络中，通过分配不同通道特征的权重，确保增强缺陷特征信息并抑制复杂背景纹理信息；然后提出Ghost-Bottleneck模块对原有的Bottleneck模块进行替换，有效地减少网络的计算量，同时增添并聚合多尺度耦合头提高缺陷的检测准确度，更加精准的检测出绝缘子缺陷的位置。在工程部署中，实现了对绝缘子缺陷的快速精确检测，轻量化后的网络在嵌入巡检终端时更加具有优势，同时为将来机器人智能巡检与无人值守变电站的绝缘子缺陷检测工作提供了新的方法。
1理论基础
1.1YOLOv5模型原理
1.2注意力机制
1.3Ghost模块
2本研究模型
2.1网络模型
2.2多尺度检测
2.3损失函数
3实验分析
3.1实验环境与数据集
3.2评价指标
3.3消融实验
3.4实验结果分析
3.5实验结果可视化
三 结论
为了更准确、更快速地检测电缆绝缘子缺陷，本研究提出融合注意力与轻量化的多尺度电缆绝缘子缺陷检测的方法。将注意力机制加入到YOLOv5网络中，通过分配不同权重确保提取信息更加完整；提出Ghost-Bottleneck模块，替换YOLOv5中的Bottleneck模块，有效减少网络的计算量；采用K-means++算法聚类先验框的锚框坐标，将YOLOv5中的检测尺度增添到4个，使绝缘子缺陷检测更加精准。实验结果表明，本方法的检测精度达到了99.8%，mAP提高至99.5%，相对于原始网络，本研究浮点运算量减少至10.5×109 FLOPs，参数量减少到4.9×106。在后续研究中，将继续提高绝缘子缺陷的检测精度，并进一步减少网络的参数量。
作者简介
赵洋（1979—），男，博士，高级工程师，主要研究方向为高压电缆运维检修。
刘青（1984—），男，硕士，高级工程师，主要研究方向为高压电缆运维检修（通信作者）。E-mail：mxwncepu@163.com。
本文索引
赵洋，刘青，李宁，等. 融合注意力与轻量化的多尺度电缆绝缘子缺陷检测[J]. 电瓷避雷器，2024(6)：145-152.
ZHAO Yang , LIU Qing , LI Ning，et al. Multi-scale defect detection of cable insulators based on attention and lightweight[J]. Insulators and Surge Arresters， 2024(6)：145-152.
《电瓷避雷器》国际标准刊号： ISSN1003-8337， CODEN DBIIA4。国内统一刊号： CN61-1129/TM，《电瓷避雷器》由西安电瓷研究所主办，双月刊， 1958 年创刊， 2009年元月起改制后，由西安高压电器研究院有限责任公司主管。《电瓷避雷器》是我国绝缘子、避雷器行业唯一的一本国内外公开发行的期刊。主要报道国内外绝缘子、避雷器和相关行业的最新理论、科研成果及技术创新等方面的论文。2019年《电瓷避雷器》入选《能源电力领域高质量科技期刊分级目录》电工理论与装备专业T3级。
《电瓷避雷器》连续多年被评为中文核心期刊，是“中国学术期刊综合评价数据库”和“中国科学引文数据库”来源期刊。被美国《化学文摘》、《剑桥科学文摘：材料信息》以及波兰《哥白尼索引》收录。
投稿网址：www.DCBLQ.com
