摘要輸電線路是電力系統(tǒng)的核心組成部分，其安全穩(wěn)定運(yùn)行直接關(guān)系到電網(wǎng)可靠性。由于長期暴露于復(fù)雜的自然環(huán)境中，輸電線路中的金具等關(guān)鍵部件會出現(xiàn)裂紋、銹蝕等缺陷。一旦發(fā)生金具故障，可能引發(fā)斷線、短路等事故，導(dǎo)致大面積停電，甚至危及人身安全。因此，發(fā)展高效、精確的金具缺陷檢測技術(shù)對于提升電網(wǎng)運(yùn)維智能化水平、保障電力系統(tǒng)的安全運(yùn)行具有重要意義。傳統(tǒng)的金具缺陷檢測主要依賴人工巡檢或基于圖像處理的半自動識別手段，存在效率低、準(zhǔn)確性不高等問題，難以滿足現(xiàn)代電網(wǎng)的運(yùn)維需求。本文探討了利用深度學(xué)習(xí)的輸電線路典型金具缺陷檢測方法，目的是提升檢測的效率與準(zhǔn)確度。以YOLOv8模型為基礎(chǔ)框架，引入CA注意力機(jī)制與C2f-Fasternet模塊增強(qiáng)特征提取能力，并通過優(yōu)化損失函數(shù)進(jìn)一步提升模型性能。其中，CA注意力機(jī)制能更有效地融合通道與空間維度的信息，提高特征表達(dá)能力；C2f-Fasternet模塊采用了更簡單的卷積方式，減少了計算冗余；損失函數(shù)的改進(jìn)則綜合考慮了邊界框回歸的多個關(guān)鍵因素，提高模型的收斂速度與檢測精度。實(shí)驗(yàn)在輸電線路無人機(jī)巡檢數(shù)據(jù)集上進(jìn)行，該數(shù)據(jù)集包含絕緣子、鳥巢和防震錘等關(guān)鍵部件，共3,696張圖片。通過消融實(shí)驗(yàn)，驗(yàn)證了本文方法的有效性，模型在mAP@0.5指標(biāo)上達(dá)到98.2%，比原始YOLOv8模型提高了0.7%。與其他主流單階段目標(biāo)檢測器相比，改進(jìn)后的模型在精度和速度方面都有優(yōu)勢。實(shí)驗(yàn)結(jié)果表明，本文提出的方法在輸電線路典型金具缺陷檢測任務(wù)中具有優(yōu)異的性能，為實(shí)現(xiàn)高效、準(zhǔn)確的缺陷檢測提供了有效的解決方案。摘要輸電線路是電力系統(tǒng)的核心組成部分，其安全穩(wěn)定運(yùn)行直接關(guān)系到電網(wǎng)可靠性。由于長期暴露于復(fù)雜的自然環(huán)境中，輸電線路中的金具等關(guān)鍵部件會出現(xiàn)裂紋、銹蝕等缺陷。一旦發(fā)生金具故障，可能引發(fā)斷線、短路等事故，導(dǎo)致大面積停電，甚至危及人身安全。因此，發(fā)展高效、精確的金具缺陷檢測技術(shù)對于提升電網(wǎng)運(yùn)維智能化水平、保障電力系統(tǒng)的安全運(yùn)行具有重要意義。傳統(tǒng)的金具缺陷檢測主要依賴人工巡檢或基于圖像處理的半自動識別手段，存在效率低、準(zhǔn)確性不高等問題，難以滿足現(xiàn)代電網(wǎng)的運(yùn)維需求。本文探討了利用深度學(xué)習(xí)的輸電線路典型金具缺陷檢測方法，目的是提升檢測的效率與準(zhǔn)確度。以YOLOv8模型為基礎(chǔ)框架，引入CA注意力機(jī)制與C2f-Fasternet模塊增強(qiáng)特征提取能力，并通過優(yōu)化損失函數(shù)進(jìn)一步提升模型性能。其中，CA注意力機(jī)制能更有效地融合通道與空間維度的信息，提高特征表達(dá)能力；C2f-Fasternet模塊采用了更簡單的卷積方式，減少了計算冗余；損失函數(shù)的改進(jìn)則綜合考慮了邊界框回歸的多個關(guān)鍵因素，提高模型的收斂速度與檢測精度。實(shí)驗(yàn)在輸電線路無人機(jī)巡檢數(shù)據(jù)集上進(jìn)行，該數(shù)據(jù)集包含絕緣子、鳥巢和防震錘等關(guān)鍵部件，共3,696張圖片。通過消融實(shí)驗(yàn)，驗(yàn)證了本文方法的有效性，模型在mAP@0.5指標(biāo)上達(dá)到98.2%，比原始YOLOv8模型提高了0.7%。與其他主流單階段目標(biāo)檢測器相比，改進(jìn)后的模型在精度和速度方面都有優(yōu)勢。實(shí)驗(yàn)結(jié)果表明，本文提出的方法在輸電線路典型金具缺陷檢測任務(wù)中具有優(yōu)異的性能，為實(shí)現(xiàn)高效、準(zhǔn)確的缺陷檢測提供了有效的解決方案。關(guān)鍵詞：深度學(xué)習(xí)目標(biāo)檢測輸電線路金具缺陷檢測畢業(yè)設(shè)計說明書（論文）外文摘要AbstractPowertransmissionlinesarevitaltogridreliability,butprolongedexposuretoharshenvironmentscausescriticalcomponentslikehardwarefittingstodevelopcracksandcorrosion.Suchdefectsmaytriggerwirebreaksorshortcircuits,riskingwidespreadoutagesandsafetythreats.Thus,advanceddefectdetectiontechnologiesareessentialforsmartgridmaintenance.Traditionalmethodsrelyingonmanual/semi-automatedinspectionslackefficiencyandaccuracy.ThisstudyenhancesYOLOv8byintegratingaCoordinateAttention(CA)mechanismandC2f-Fasternetmoduletostrengthenfeatureextractionwhilereducingcomputationalcosts.Theoptimizedlossfunctionacceleratesconvergenceandimprovesdetectionaccuracy.EvaluatedonaUAVdataset(3,696imagesofinsulators,birdnests,andvibrationdampers),themethodachieves98.2%mAP@0.5—0.7%higherthanbaselineYOLOv8—andoutperformsotherdetectorsinaccuracyandspeed,demonstratingstrongcapabilitiesindefectidentification.Keywords:DeepLearning;ObjectDetection;PowerTransmissionLines;HardwareFittings;DefectDetectionAbstractPowertransmissionlinesarevitaltogridreliability,butprolongedexposuretoharshenvironmentscausescriticalcomponentslikehardwarefittingstodevelopcracksandcorrosion.Suchdefectsmaytriggerwirebreaksorshortcircuits,riskingwidespreadoutagesandsafetythreats.Thus,advanceddefectdetectiontechnologiesareessentialforsmartgridmaintenance.Traditionalmethodsrelyingonmanual/semi-automatedinspectionslackefficiencyandaccuracy.ThisstudyenhancesYOLOv8byintegratingaCoordinateAttention(CA)mechanismandC2f-Fasternetmoduletostrengthenfeatureextractionwhilereducingcomputationalcosts.Theoptimizedlossfunctionacceleratesconvergenceandimprovesdetectionaccuracy.EvaluatedonaUAVdataset(3,696imagesofinsulators,birdnests,andvibrationdampers),themethodachieves98.2%mAP@0.5—0.7%higherthanbaselineYOLOv8—andoutperformsotherdetectorsinaccuracyandspeed,demonstratingstrongcapabilitiesindefectidentification.Keywords:DeepLearning;ObjectDetection;PowerTransmissionLines;HardwareFittings;DefectDetection目錄TOC\o"1-3"\h\u31349第一章緒論 第一章緒論1.1研究背景與意義各類金具的完整性對輸電線路的穩(wěn)定運(yùn)行起著關(guān)鍵作用，金具屬于電力系統(tǒng)中固定、連接和保護(hù)導(dǎo)線的關(guān)鍵組成部分，其典型類別有懸垂線夾、耐張線夾、連接金具和防護(hù)金具之類，懸垂線夾把導(dǎo)線夾住，然后懸掛在桿塔絕緣子串的下方，擔(dān)負(fù)導(dǎo)線的垂直荷載；耐張線夾被安置在耐張段的終端，憑借錨固導(dǎo)線承擔(dān)起線路的張力；連接金具（像U型掛環(huán)、聯(lián)板這些）承擔(dān)起絕緣子串與線夾間的機(jī)械連接使命，保障結(jié)構(gòu)的穩(wěn)固；防護(hù)金具諸如防震錘、間隔棒等，借助抑制導(dǎo)線的震動或維持分裂導(dǎo)線的間距，減少機(jī)械磨損及電氣故障發(fā)生的概率，這些金具長時間在復(fù)雜的環(huán)境里暴露，易因材料老化、機(jī)械應(yīng)力或者外部沖擊，引發(fā)斷裂、腐蝕或位移等缺陷問題，進(jìn)而造成導(dǎo)線脫落、短路甚至斷線等事故，針對金具缺陷開展高效檢測的技術(shù)是保障輸電線路安全運(yùn)行的核心需求。傳統(tǒng)輸電線路典型金具的缺陷檢測系統(tǒng)一般依靠人工目視檢查或簡易的圖像處理算法，這些方法存在效率差、精準(zhǔn)度低以及人力需求大等問題，因?yàn)檩旊娋€路所在環(huán)境復(fù)雜、天氣反復(fù)多變，傳統(tǒng)方法在實(shí)際應(yīng)用里難以達(dá)成令人滿意的成效，采用深度學(xué)習(xí)技術(shù)去打造缺陷檢測系統(tǒng)，具備重大的現(xiàn)實(shí)意義和寬泛的應(yīng)用前景[1]。我國領(lǐng)土遼闊，跨區(qū)域的電網(wǎng)線路其長度超1000公里，橫跨眾多省份跟城市，經(jīng)過了多種多樣的地形及氣候情形，地形方面如丘陵、山地、平原、高原，同時氣象條件多變，給輸電線路的建設(shè)、運(yùn)行和維護(hù)帶來了一定挑戰(zhàn)，長時間在自然環(huán)境里暴露的輸電線路面臨多重風(fēng)險，包含內(nèi)部出現(xiàn)壓力，就像日常的機(jī)械跟電力負(fù)荷，加上外部的各類威脅，諸如環(huán)境污染、雷電沖擊、狂風(fēng)驟雨和地質(zhì)滑坡。這表明在電網(wǎng)線路的設(shè)計及維護(hù)進(jìn)程里，將這些復(fù)雜因素納入考量，以此保障輸電線路的安穩(wěn)，輸電線路的安全穩(wěn)定是保證整個電網(wǎng)系統(tǒng)順暢運(yùn)轉(zhuǎn)的核心要點(diǎn)，故而必須運(yùn)用恰當(dāng)?shù)牟呗匀?yīng)對上述挑戰(zhàn)，維持輸電線路的可靠程度，這涉及在設(shè)計階段顧及地形和氣象要素、選擇恰當(dāng)?shù)牟牧虾徒Y(jié)構(gòu)、加強(qiáng)針對外界影響的防護(hù)舉措，以及對輸電線路實(shí)施定期的檢查和維護(hù)，經(jīng)由科學(xué)規(guī)劃和高效管理途徑，可最大程度降低這些外部因素對輸電線路產(chǎn)生的影響，增進(jìn)電網(wǎng)系統(tǒng)的穩(wěn)定性和可靠水平，若不能及時辨認(rèn)和化解輸電線路潛在安全風(fēng)險，可能引起多種故障，對電力系統(tǒng)的穩(wěn)定和安全構(gòu)成極大威脅[2]。傳統(tǒng)上，人工執(zhí)行著輸電線路的巡檢工作，但近些年已逐步轉(zhuǎn)變?yōu)槭褂脽o人機(jī)開展巡檢[3]，從圖1.1中可看到，雖說這種途徑提高了巡檢的效率，但從大量無人機(jī)收集的數(shù)據(jù)里篩選出缺陷信息，依舊難度大且效率低，這成了電網(wǎng)運(yùn)維人員要去面對的一個挑戰(zhàn)，針對無人機(jī)在輸電線路巡檢的采集數(shù)據(jù)，采用深度學(xué)習(xí)相關(guān)技術(shù)進(jìn)行缺陷識別，成為處理這一問題的有效手段。（a）人工巡檢（b）無人機(jī)巡檢圖1.1電力系統(tǒng)巡檢方式伴隨科技的進(jìn)步，無人機(jī)檢測技術(shù)得到了增強(qiáng)，并且于電力行業(yè)得到了大量應(yīng)用，依舊存在部分問題要處理，就像數(shù)據(jù)處理、圖像識別準(zhǔn)確性等方面的缺陷，本文提出了借助深度學(xué)習(xí)的輸電線路關(guān)鍵部位檢測系統(tǒng)，目標(biāo)是解決現(xiàn)存檢測方式的弊端[4]，提升檢測的效率跟準(zhǔn)確度，促進(jìn)電力巡檢向智能化、自動化方向邁進(jìn)。1.2國內(nèi)外研究現(xiàn)狀隨著時間漸漸推移，計算機(jī)硬件的性能穩(wěn)步增強(qiáng)，這為深度學(xué)習(xí)的發(fā)展鋪就了道路，面對這樣的背景情形，諸如圖像識別與目標(biāo)檢測領(lǐng)域的算法，尤其是在深度學(xué)習(xí)范疇，冒出了大量法子，這些方法主要?dú)w類為兩類：兩階段與單階段的目標(biāo)檢測算法。處于雙階段目標(biāo)檢測算法當(dāng)中，代表算法有R-CNN[5]、FastR-CNN[6]以及FasterR-CNN[7]，當(dāng)運(yùn)用這些算法處理圖像識別與分析時，凸顯出了強(qiáng)勁的性能與準(zhǔn)確水平，以精準(zhǔn)度高而著稱，但受限于模型規(guī)模與檢測的快慢，后者像YOLO系列以及SSD[8]，即便在精度上或許會稍微差一點(diǎn)，但在檢測速度上表露其優(yōu)勢。YOLO系列的設(shè)計以及持續(xù)優(yōu)化在計算機(jī)視覺社區(qū)引發(fā)大量關(guān)注，自YOLOv1[9]發(fā)布以來，這一系列算法不斷蛻變，采用引入新技術(shù)以及優(yōu)化策略，取得了明顯的性能躍升和實(shí)用價值凸顯，YOLOv1作為第一個版本，研發(fā)了端到端的目標(biāo)檢測手段，將整幅圖像分成若干網(wǎng)格單元，同時對目標(biāo)實(shí)施定位和分類，體現(xiàn)出較高的實(shí)時性，由于對小目標(biāo)及密集目標(biāo)處理欠佳，YOLOv2在某些復(fù)雜場景下的表現(xiàn)不理想。YOLOv2（YOLO9000）[10]以YOLOv1為根基進(jìn)行了改進(jìn)與拓展，引入AnchorBoxes、借助更深邃的網(wǎng)絡(luò)結(jié)構(gòu)Darknet-19以及達(dá)成更多類別的目標(biāo)檢測支持，使YOLOv2的性能和多樣性出現(xiàn)明顯提高，YOLOv2的發(fā)布為后續(xù)研究和發(fā)展鋪就了基礎(chǔ)，也為實(shí)際應(yīng)用拓展了更多的可能性空間。YOLOv3[11]算法的改進(jìn)體現(xiàn)在，它把Darknet-53采納為基礎(chǔ)骨干網(wǎng)絡(luò)，并且采用特征金字塔網(wǎng)絡(luò)（FPN）以有效應(yīng)對不同尺度特征情況，它也對損失函數(shù)和預(yù)測策略予以優(yōu)化，實(shí)現(xiàn)了檢測的速度跟準(zhǔn)確性之間的平衡，這讓YOLOv3在各個方面都有了明顯提升，成為當(dāng)時目標(biāo)檢測領(lǐng)域熱度頗佳的算法之一，其性能優(yōu)勢和實(shí)用性得到了學(xué)術(shù)界與工業(yè)界的普遍認(rèn)可。最新的YOLOv4[12]在網(wǎng)絡(luò)結(jié)構(gòu)和模型設(shè)計方面有重大突破，采用CSPDarknet53、SAM加上PANet結(jié)構(gòu)等技術(shù)，YOLOv4大幅改善了檢測性能及效率，成為當(dāng)前目標(biāo)檢測領(lǐng)域里領(lǐng)先算法的其中一個，YOLOv4發(fā)布后，對目標(biāo)檢測技術(shù)的進(jìn)步起到推動作用，還為實(shí)際應(yīng)用場景奉獻(xiàn)了更強(qiáng)大的工具與支援。另一方面，YOLOv5[13]的出現(xiàn)代表著YOLO系列算法有了又一次革新，Ultralytics團(tuán)隊把YOLOv5給提出來了，依靠PyTorch框架，去除掉密集連接，實(shí)現(xiàn)了網(wǎng)絡(luò)結(jié)構(gòu)的簡化，進(jìn)而引入AutoML技術(shù)，依靠自動調(diào)整超參數(shù)提高性能，YOLOv5在目標(biāo)檢測任務(wù)中的表現(xiàn)十分出色，被普遍應(yīng)用到各類實(shí)際場景內(nèi)，呈現(xiàn)出其卓越的適應(yīng)性與實(shí)用效果，這一套的不斷革新與進(jìn)展，為目標(biāo)檢測技術(shù)的發(fā)展添加了新的活力與動力。

總的來說，YOLO系列算法憑借持續(xù)努力與不斷的創(chuàng)新，積累起豐富的技術(shù)成果和經(jīng)驗(yàn)，在實(shí)時性、準(zhǔn)確性和效率方面不斷實(shí)現(xiàn)新進(jìn)展，這一系列算法的成功，不僅揭示了深度學(xué)習(xí)在目標(biāo)檢測領(lǐng)域的強(qiáng)大潛力，也為計算機(jī)視覺技術(shù)的快速發(fā)展提供了重要的借鑒意義，跟著深度學(xué)習(xí)以及人工智能技術(shù)不斷演進(jìn)，有理由相信YOLO系列算法將持續(xù)引領(lǐng)目標(biāo)檢測領(lǐng)域的發(fā)展路徑，為各行業(yè)提供更多智能化的應(yīng)對方案，推動科技進(jìn)步及社會演進(jìn)。目標(biāo)檢測技術(shù)的不斷革新為眾多行業(yè)帶來了創(chuàng)新性的應(yīng)對方案，如在安防和社會服務(wù)這些方面的應(yīng)用，由于深度學(xué)習(xí)技術(shù)的參與，電力行業(yè)的線路巡檢問題有了新的解決思路，2017年這個節(jié)點(diǎn)，王萬國（2017）團(tuán)隊采納了DPM、SPPnet以及FasterR-CNN等相關(guān)算法，順利實(shí)現(xiàn)了電力部件的識別工作。國內(nèi)學(xué)者借助深度學(xué)習(xí)提出了多個電力部件識別的研究成果，張鷗[15]等人查看了FasterR-CNN在小型電力部件檢測中的有效性，而戚銀城（16）等人利用SSD算法來識別巡檢圖像中的多種電力設(shè)備，依托YOLO算法的驅(qū)動，郭敬東[17]等人實(shí)現(xiàn)了電力桿塔實(shí)時檢測的工作，賴秋頻（18）等人把邊緣檢測等技術(shù)結(jié)合起來，強(qiáng)化了YOLOv2網(wǎng)絡(luò)在輸電線路絕緣子缺陷診斷中的工作表現(xiàn)。于2020這個年頭，武建華（2020）等人利用YOLOv3算法在紅外圖像里檢測絕緣子故障，張永祥[20]等人采用遷移學(xué)習(xí)來改良YOLOv3，增加了檢測精度，也防止了出現(xiàn)過擬合，冉奇[21]經(jīng)由調(diào)整FasterR-CNN的錨定框策略，增強(qiáng)了對絕緣子等電力部件的辨別能力。走進(jìn)2021年，張濤（2021）等人將傳統(tǒng)的VGG-16網(wǎng)絡(luò)替換成升級過的DenseNet-32網(wǎng)絡(luò)，以SSD算法為支撐，提高了間隔棒故障的檢測水平，趙銳[23]等人對CenterNet算法做了優(yōu)化，以此實(shí)現(xiàn)高壓輸電線路巡檢故障的實(shí)時檢測，2022這個年頭，馬耀名[24]把注意力機(jī)制SKNet添加進(jìn)Faster-RCNN里面，又額外引入FRN層，有效增強(qiáng)了絕緣子識別的精確水平。不同學(xué)者的研究不光在技術(shù)方法上達(dá)成了創(chuàng)新突破，增進(jìn)了故障檢測跟分類的精度和效率，同時還凸顯了無人機(jī)與深度學(xué)習(xí)在輸電線路巡檢里的重要價值，為增強(qiáng)輸電線路運(yùn)行安全性與智能化管理水平打下了牢固根基，深度學(xué)習(xí)在電力線路巡檢與識別范疇的應(yīng)用正日趨成為趨勢，而且它檢測的精度和效果足以達(dá)到實(shí)際工作要求。為了達(dá)到更高的檢測精度，現(xiàn)今目標(biāo)檢測算法往往運(yùn)用更深層次的網(wǎng)絡(luò)模型與復(fù)雜架構(gòu)模式，造成模型參數(shù)的數(shù)量急劇增長，該模型的龐大規(guī)模以及復(fù)雜性給嵌入式設(shè)備的部署帶來了不小阻礙，為了應(yīng)對這一問題，本課題研發(fā)出更為輕量化的目標(biāo)檢測算法，努力在不損害檢測效果的基礎(chǔ)上，實(shí)現(xiàn)對輸電線路部件的可靠識別。1.3本文的研究內(nèi)容和章節(jié)安排本研究從下面幾種方式對輸電線路中的缺陷展開檢測：實(shí)施圖像的處理和分析，研究如何借助深度學(xué)習(xí)技術(shù)對輸電線路巡檢圖像開展處理與分析，以此提取出典型金具的特征內(nèi)容，并切實(shí)地區(qū)分開正常部件與存在缺陷的部件；目標(biāo)的檢測識別工作，考量怎樣設(shè)計與改良深度學(xué)習(xí)模型，以做到對輸電線路典型金具缺陷的自動篩查和識別；算法聚合與性能評定，采用不同的深度學(xué)習(xí)算法和技術(shù)進(jìn)行高效融合，以增進(jìn)輸電線路典型金具缺陷檢測系統(tǒng)的綜合能力，并通過實(shí)施實(shí)際測試和評估，驗(yàn)證其在實(shí)際工程應(yīng)用中的有效性與可靠性，深度學(xué)習(xí)技術(shù)在輸電線路典型金具缺陷檢測系統(tǒng)的應(yīng)用前景十分廣闊，將為輸電行業(yè)增添更高效、精準(zhǔn)的設(shè)備健康監(jiān)測及故障預(yù)警本領(lǐng)，論文一共劃分為六章，論文各章節(jié)的分布安排如下：

第一章：本文開頭就對研究背景及重要性加以介紹，突出了輸電線路缺陷檢測對保障電網(wǎng)安全運(yùn)行的關(guān)鍵意義，且對深度學(xué)習(xí)技術(shù)在這個領(lǐng)域的應(yīng)用潛力予以展望，對國內(nèi)外在輸電線路典型金具缺陷檢測領(lǐng)域的研究狀況進(jìn)行了全面概括，厘定了本文的研究內(nèi)容及各章節(jié)的分布安排，為讀者梳理好整體研究架構(gòu)。

第二章：實(shí)施輸電線路數(shù)據(jù)預(yù)處理，以輸電線路基礎(chǔ)知識為開端，詳細(xì)剖析了輸電線路的結(jié)構(gòu)特性，深入分析了怎樣對輸電線路相關(guān)數(shù)據(jù)做好有效的預(yù)處理，涉及數(shù)據(jù)篩選、凈化和標(biāo)注等核心環(huán)節(jié)，以讓數(shù)據(jù)質(zhì)量達(dá)到深度學(xué)習(xí)模型輸入的相關(guān)要求，本章的研究是要為輸電線路高效且精準(zhǔn)的缺陷檢測打下堅實(shí)的數(shù)據(jù)根基。

第三章：基于深度學(xué)習(xí)去設(shè)計輸電線路典型金具的缺陷檢測系統(tǒng)，本章著重探討了深度學(xué)習(xí)里的算法設(shè)計與優(yōu)化事宜，重點(diǎn)說明了模型選擇及其優(yōu)化，深入描述了深度學(xué)習(xí)的發(fā)展歷程及其在多個領(lǐng)域的應(yīng)用范疇，像自然語言處理、圖像生成這類，還提及了像Transformer模型、GAN這類新技術(shù)。借助YOLOv8算法開展輸電線路典型金具缺陷檢測，且對算法做了進(jìn)一步優(yōu)化，改進(jìn)涉及采用更單純的卷積方法、引入CA注意力機(jī)制和對損失函數(shù)做出改進(jìn)等，這些改進(jìn)的目的是提升模型檢測精度及處理速度，經(jīng)實(shí)驗(yàn)檢驗(yàn)了改進(jìn)算法的有效性，展現(xiàn)出相較于其他主流單階段目標(biāo)檢測器更高的精度與速度。

第四章：總結(jié)跟展望，對整個研究做個總結(jié)，總結(jié)出主要成果、存在的缺陷及實(shí)際意義，對未來輸電線路缺陷檢測技術(shù)的發(fā)展走向以及潛在研究方向展開展望，給出了進(jìn)一步增進(jìn)檢測性能以及實(shí)現(xiàn)算法優(yōu)化的可能途徑，依靠總結(jié)與展望，交代了研究后續(xù)工作方向以及長遠(yuǎn)目標(biāo)。第二章數(shù)據(jù)集獲取與預(yù)處理ADDINCNKISM.UserStyle2.1數(shù)據(jù)集采集輸電線路大多由導(dǎo)線、絕緣子、桿塔、金具、接地裝置、防震錘等多個組成部分構(gòu)成[25]，絕緣子承擔(dān)起支撐、絕緣導(dǎo)線的職責(zé)，切實(shí)防止了電力設(shè)施在高壓電場中的漏電與擊穿現(xiàn)象，使系統(tǒng)正常開展工作并保障其使用年限，防震錘可減輕建筑物或機(jī)械設(shè)備受外部振動及地震引發(fā)的振動程度。其作用涉及減震、降低聲響、延長產(chǎn)品壽命、保障安全性和調(diào)節(jié)振動頻率等方面，依靠吸收或減小振動，防震錘可維護(hù)結(jié)構(gòu)或設(shè)備的完整性和穩(wěn)定性，提升工作環(huán)境的舒適水平，提高使用壽數(shù)，同時調(diào)節(jié)振動頻率，達(dá)到減少振動干擾的目的[25]。輸電線路中鳥窩或許會帶來嚴(yán)重危害，鳥窩中的雜物也許會引發(fā)電線短路，增添電線受損以及設(shè)備出現(xiàn)故障的風(fēng)險，甚至?xí)鸹馂?zāi)，鳥窩有可能堵塞電線及設(shè)備，造成電力設(shè)備升溫、損壞或失去功效，影響輸電線路的正常輸送電力，甚至引起電力供應(yīng)的停止，及時清除鳥窩、加大巡檢維護(hù)力度、設(shè)置防護(hù)手段等，對預(yù)防鳥窩給輸電線路帶來的危害極為重要，作為電力系統(tǒng)重要組成部分的有輸電線路，其安全穩(wěn)定運(yùn)行對于社會經(jīng)濟(jì)活動來說至關(guān)重要[26]。因?yàn)閲鴥?nèi)外電力系統(tǒng)體現(xiàn)出敏感與保密特質(zhì)，相關(guān)數(shù)據(jù)集的獲取受嚴(yán)格訪問約束，電力部門一般不會公布其輸電線路的詳細(xì)數(shù)據(jù)，這導(dǎo)致正在實(shí)際運(yùn)行的電力線路數(shù)據(jù)以及相關(guān)圖像材料的共享受限，取得電力線路相關(guān)數(shù)據(jù)集較為棘手，現(xiàn)有的公開數(shù)據(jù)集數(shù)量少之又少，同時在多樣性表現(xiàn)上也差強(qiáng)人意。目前面向外界開放的中國輸電線路絕緣子數(shù)據(jù)集（CPLID）僅包括248張涉及絕緣子缺陷的圖像，這個數(shù)據(jù)集雖有一定價值，但樣本量少得可憐，且只關(guān)注單一的缺陷類型，不能全面體現(xiàn)輸電線路所面臨的各類復(fù)雜問題和缺陷的多樣性，需拓展數(shù)據(jù)集的容量以及添加數(shù)據(jù)集的缺陷類型。為了解決這個問題，在某電力公司的幫助下，經(jīng)過檢索并篩查歷史巡檢數(shù)據(jù)，得到了本課題的初始數(shù)據(jù)集，它一共有362張原始圖像，其中包括絕緣子、鳥巢和防震錘三個類別的數(shù)據(jù)樣本。在圖2.1中，展示了362張數(shù)據(jù)樣本的部分實(shí)例。圖2.1數(shù)據(jù)集部分實(shí)例2.2數(shù)據(jù)預(yù)處理數(shù)據(jù)獲取與預(yù)處理在深度學(xué)習(xí)模型訓(xùn)練里是極為關(guān)鍵的一步，尤其是在輸電線路缺陷檢測任務(wù)里，在對2020年7月到9月的期間加以分析后，無人機(jī)巡檢截獲的500kV輸電線路缺陷照片，共計有362張后，對這些圖像實(shí)施了裁剪、樣本標(biāo)注以及數(shù)據(jù)增強(qiáng)等一系列預(yù)處理工作，可為后續(xù)深度學(xué)習(xí)模型的訓(xùn)練與預(yù)測提供更準(zhǔn)確、充分的數(shù)據(jù)基礎(chǔ)支持，進(jìn)而提升模型在實(shí)際運(yùn)用中的性能與可靠性。2.2.1圖像裁剪針對無人機(jī)影像較大的情況，考慮到硬件配置和計算效率，將影像進(jìn)行四等分裁剪，最終獲得1448張圖像。本課題采用比較直觀的切分方法對原圖進(jìn)行分割操作，即平均四等分。圖2.2展示了四等分割的程序關(guān)鍵代碼。圖2.2四等分割程序段此程序是針對圖像處理的功能模塊，主要目的是將給定文件夾里的圖像進(jìn)行切割操作，提取圖像文件名稱以拿到其對應(yīng)的id，然后打開圖像文件以得到它的尺寸信息，算出圖像寬度與高度各自的一半，并借助雙重循環(huán)把圖像分割成四個部分。在內(nèi)部循環(huán)這個階段，借助當(dāng)前迭代的行列值計算切割框的位置坐標(biāo)，并落實(shí)圖像切割事宜，把切割后的圖像區(qū)域保存成新的圖像文件，命名是用原始id加上切割序號，并放置在名為“cut_out”的文件夾里面，依靠這一流程，程序把給定圖像文件夾中所有圖像的切割處理任務(wù)給完成了，原始圖片均由大疆無人機(jī)采集得到，所采集圖像的分辨率是5472*3076，故而對圖像裁剪后分辨率為1368*769。這一步驟不僅利于降低單張圖像分辨率，使圖像的處理及訓(xùn)練過程更為高效，同時還有利于防止大尺寸圖像引發(fā)的硬件計算壓力過大的現(xiàn)象，為后續(xù)處理提供了更恰當(dāng)?shù)臄?shù)據(jù)根基。2.2.2樣本標(biāo)注經(jīng)過對原始圖像執(zhí)行四等分割處理后，接下來進(jìn)行圖像的標(biāo)注工作。在本研究中，采用了labelImg圖像標(biāo)注工具進(jìn)行標(biāo)注。通過使用labelImg，操作者能夠在圖像中劃定對象的邊界框，并為之賦予相應(yīng)的類別標(biāo)簽。這些標(biāo)簽然后可以導(dǎo)出成不同的格式，包括YOLO（YouOnlyLookOnce）、PascalVOC等，以便用于訓(xùn)練目標(biāo)檢測模型。圖2.3lableImg標(biāo)注過程安裝了labelImg軟件以后，啟動此工具，然后點(diǎn)擊“OpenDir”這個按鈕，選擇存有待標(biāo)注圖像的文件夾，點(diǎn)擊“ChangeSaveDir”按鍵，選一個文件夾把標(biāo)注結(jié)果存起來，在軟件界面右邊的設(shè)置區(qū)域，務(wù)必選定“YOLO”格式去保存標(biāo)注文件，以保證與實(shí)驗(yàn)所用的深度學(xué)習(xí)模型格式相互兼容。開始對圖像里對象實(shí)施標(biāo)注：用鼠標(biāo)繪制矩形框，然后為其賦予預(yù)先在“c.txt”文件里定義好的標(biāo)簽，標(biāo)注事宜完成之后，點(diǎn)擊“Save”按鈕便可依據(jù)YOLO格式創(chuàng)建對應(yīng)的文本文件，該文件為各個圖像保存了一個名稱相同的.t文件，里面裝的是邊界框的坐標(biāo)和類別索引。YOLO格式要求每個標(biāo)注得有五個值：<目標(biāo)分類><框體寬度><框體高度>，這里代表類別索引，代表邊界框中心的相對位置坐標(biāo)，為邊界框的相對寬度及高度，這些值均需歸一化到0到1這個區(qū)間。完成所有圖像的標(biāo)注后，會得到一系列與圖像對應(yīng)的YOLO格式標(biāo)注文件，這些文件可以用來訓(xùn)練YOLO目標(biāo)檢測模型。最后，確保檢查生成的標(biāo)注文件以確認(rèn)所有對象都被準(zhǔn)確標(biāo)注，并且類別索引與“classes.txt”文件中定義的類別匹配。標(biāo)注過程如圖2.2所示。使用lableImg軟件對裁剪后的照片進(jìn)行樣本標(biāo)注，共獲取絕緣子類缺陷圖片1056張，防震錘類600張，鳥巢類圖片471張。通過對這些樣本進(jìn)行標(biāo)注，不僅使得每張圖像都被賦予了相應(yīng)的標(biāo)簽信息，而且為后續(xù)模型訓(xùn)練奠定了標(biāo)簽和類別的基礎(chǔ)，為深度學(xué)習(xí)模型提供了標(biāo)注準(zhǔn)確的訓(xùn)練數(shù)據(jù)，使得模型能夠更好地學(xué)習(xí)到不同缺陷類型的特征和區(qū)別點(diǎn)。2.2.3數(shù)據(jù)增強(qiáng)在開展模型訓(xùn)練期間，為提升模型對不同特征的識別力與泛化能力，采用了稱作Mosaic的數(shù)據(jù)增強(qiáng)技術(shù)，這項(xiàng)技術(shù)借助對訓(xùn)練樣本施加一系列變換，諸如進(jìn)行旋轉(zhuǎn)、更改顏色、運(yùn)用模糊效果和實(shí)施鏡像對調(diào)等，讓生成的增強(qiáng)數(shù)據(jù)在視覺呈現(xiàn)效果上更多樣。這些操作不但把數(shù)據(jù)集豐富了，增添了它的復(fù)雜特性，還模擬了現(xiàn)實(shí)世界中也許會遇到的各種變動，由此訓(xùn)練出的模型在碰到新穎或未曾接觸的數(shù)據(jù)時，同樣可以擁有更好的識別處理本事，數(shù)據(jù)增強(qiáng)屬于模擬實(shí)際應(yīng)用情形的一種手段，它憑借擴(kuò)充與豐富訓(xùn)練樣本，助力模型獲取更全面、堅實(shí)的特征表達(dá)。圖2.4圖像旋轉(zhuǎn)代碼段（a）旋轉(zhuǎn)前的圖像（b）旋轉(zhuǎn)后的圖像圖2.5旋轉(zhuǎn)前后的圖像對比圖像旋轉(zhuǎn)即讓圖像按照指定的角度實(shí)施旋轉(zhuǎn)，本數(shù)據(jù)集所采用的是旋轉(zhuǎn)45°的方式，圖2.4呈現(xiàn)的是進(jìn)行圖像旋轉(zhuǎn)的程序代碼，該程序部分采用Python的OpenCV庫來處理圖像，程序依靠“cv2.imread”函數(shù)讀取名為“i.jpg”的圖像文件。它去獲取圖像的寬度和高度，然后把這些尺寸存到變量“w”和“h”里，依靠這些尺寸內(nèi)容，算出圖像進(jìn)行旋轉(zhuǎn)的中心點(diǎn)，一般為圖像中心坐標(biāo)“(w/2,h/2)”，程序依靠“cv2.getRotationMatrix2D”函數(shù)生成一個旋轉(zhuǎn)矩陣“M”，其中把旋轉(zhuǎn)角度設(shè)成了45度，把縮放因子定為1。借助這個旋轉(zhuǎn)矩陣，程序借助“cv2.warpAffine”函數(shù)對原始圖像開展仿射變換，進(jìn)而獲取旋轉(zhuǎn)處理后的圖像，接著把它保存到“rotated_image”里，采用“cv2.imshow”函數(shù)顯示旋轉(zhuǎn)后的圖像，程序也借助“cv2.waitKey(0)”函數(shù)暫停運(yùn)行，等待用戶實(shí)施按鍵操作，以便能在窗口里查看處理好的圖像，經(jīng)過旋轉(zhuǎn)前后得到的圖像如圖2.5。色彩空間的切換，本課題運(yùn)用的是從BGR空間轉(zhuǎn)變到灰度或HSV空間，圖2.6呈現(xiàn)的是進(jìn)行圖像旋轉(zhuǎn)的程序代碼，該程序段執(zhí)行起來是這樣的：程序借助“cv2.imread”函數(shù)，從指定路徑載入名為“i.jpg”的圖片文件。若圖片成功完成加載，程序跟著把原始圖像從BGR顏色空間轉(zhuǎn)成灰度顏色空間，該轉(zhuǎn)換借助“cv2.cvtColor”函數(shù)得以達(dá)成，轉(zhuǎn)換結(jié)束后的圖像存儲在變量“gray_image”內(nèi)，這一步是圖像處理里常用的預(yù)處理手段，有利于簡化后續(xù)的圖像分析與處理工作。程序再次采用cv2.tColor函數(shù)，但這次是把原始圖像從BGR色彩空間轉(zhuǎn)換為HSV色彩空間，轉(zhuǎn)換后的圖像儲存在hsv_image變量里面保存；程序采用cv2.w分別呈現(xiàn)灰度圖像和HSV圖像這兩種顏色空間的圖像，且憑借cv2.tKey(0)函數(shù)暫停程序執(zhí)行，等待用戶按任意鍵之后關(guān)閉顯示窗口。變換前后得到的圖像如圖2.7所示。圖2.6顏色空間變換代碼段（a）變換前的圖像（b）變換后的圖像圖2.7顏色空間變換前后的圖像對比鏡像變換是將圖像進(jìn)行水平或垂直翻轉(zhuǎn)，如圖2.8所示為鏡像變化的代碼段。程序啟動后，首先引入了“cv2”模塊。接著，它使用“cv2.imread”函數(shù)載入一個命名為“image.jpg”的圖像文件，并將此圖像儲存在變量`image`中。然后，程序利用“cv2.flip”函數(shù)執(zhí)行圖像的水平翻轉(zhuǎn)操作，其中該函數(shù)的第二個參數(shù)設(shè)為1，以指示沿著y軸進(jìn)行翻轉(zhuǎn)。翻轉(zhuǎn)后的圖像被賦值給變量“flipped_image”。緊接著，程序調(diào)用“cv2.imshow”函數(shù)，在一個新窗口中展示了該水平翻轉(zhuǎn)后的圖像。并且程序會等待用戶輸入（通過cv2.waitKey(0)），直到用戶按下任意鍵終止顯示窗口。變換前后得到的圖像如圖2.9所示。圖2.8鏡像變換代碼段（a）變換前的圖像（b）變換后的圖像圖2.9鏡像變換前后的圖像對比為了削減圖像噪聲與細(xì)節(jié)，決定采用高斯模糊處理，具體實(shí)現(xiàn)依照圖2.10所示的代碼段：程序開啟時借助“cv2.imread”函數(shù)加載名為“i.jpg”的圖像文件，并把該圖像存到變量“image”里面，程序采用“cv2.GaussianBlur”函數(shù)對圖像做高斯模糊的操作，其中核的大小設(shè)定成7×7，把高斯核標(biāo)準(zhǔn)差設(shè)定為0，這樣做的好處是讓OpenCV能依據(jù)核的尺寸自動算出合適的標(biāo)準(zhǔn)差。已處理的圖像保存于變量“blurred_image”處，程序憑借“cv2.imshow”函數(shù)在窗口里展示這一模糊后的圖像，為使用戶能獲得檢視處理效果的機(jī)會，程序憑借調(diào)用“cv2.waitKey(0)”函數(shù)暫停執(zhí)行，等待用戶做鍵盤輸入動作，若用戶按下鍵，窗口關(guān)閉后程序結(jié)束，高斯模糊是圖像處理里極為常用的技術(shù)，可以高效減少圖像噪聲并實(shí)現(xiàn)圖像平滑。高斯模糊前后得到的圖像如圖2.11所示。圖2.10高斯模糊代碼段（a）模糊前的圖像（b）模糊后的圖像圖2.11高斯模糊變換前后的圖像對比憑借上述的數(shù)據(jù)預(yù)處理做法，除去沒有目標(biāo)信息的圖像，最終得出共3696張缺陷圖片，供后續(xù)模型進(jìn)行訓(xùn)練與預(yù)測，該步驟的目的是讓訓(xùn)練集中只包含有效的、有意義的數(shù)據(jù)樣本，利用清理與篩選，進(jìn)一步增進(jìn)了數(shù)據(jù)集的質(zhì)量和可靠水平，為深度學(xué)習(xí)模型的訓(xùn)練夯實(shí)更可靠的基礎(chǔ)。這些數(shù)據(jù)預(yù)處理步驟是為了籌備并優(yōu)化訓(xùn)練用數(shù)據(jù)集，進(jìn)而提升深度學(xué)習(xí)模型在輸電線路缺陷檢測任務(wù)里的性能，經(jīng)由裁剪、標(biāo)注與數(shù)據(jù)增強(qiáng)途徑，能讓模型從多樣化的樣本中領(lǐng)悟到更精確的特征，進(jìn)而在實(shí)際運(yùn)用場景里達(dá)成更有效的缺陷識別，這些步驟不僅為模型訓(xùn)練提供了更充裕且準(zhǔn)確的數(shù)據(jù)根基，同時也為模型的泛化能力與可靠性打下了穩(wěn)固基礎(chǔ)，使其可以更好地適應(yīng)多樣復(fù)雜的實(shí)際場景，進(jìn)而達(dá)成對缺陷更高效的檢測與識別。2.3本章小結(jié)本章著重構(gòu)建了數(shù)據(jù)集采集與數(shù)據(jù)預(yù)處理兩個重要部分，對輸電線路各組成部分及其重要性做了簡要介紹，包含絕緣子、鳥窩和防震錘等在輸電線路中的功能及潛在隱患，針對獲取電力系統(tǒng)相關(guān)數(shù)據(jù)集的困難點(diǎn)進(jìn)行了分析，剖析了現(xiàn)有公開數(shù)據(jù)集存在的不足。詳細(xì)說明了數(shù)據(jù)集的獲取途徑，囊括歷史巡檢數(shù)據(jù)的甄別與收集，對數(shù)據(jù)預(yù)處理這一過程予以詳細(xì)說明，含有圖像裁剪、樣本標(biāo)注以及數(shù)據(jù)增強(qiáng)等做法，在數(shù)據(jù)增強(qiáng)相關(guān)方面，采用了旋轉(zhuǎn)、色彩空間變換、鏡像操作和高斯模糊等手段，歸納了數(shù)據(jù)預(yù)處理的目的與重要性，強(qiáng)調(diào)了這些步驟對于深度學(xué)習(xí)模型性能提升的重要意義。第三章算法設(shè)計與優(yōu)化3.1模型選擇深度學(xué)習(xí)作為人工智能領(lǐng)域里的重要分支，遭逢了從起步階段到爆發(fā)式擴(kuò)增，而后邁入持續(xù)創(chuàng)新的發(fā)展階段，從應(yīng)用的維度出發(fā)，深度學(xué)習(xí)技術(shù)已擴(kuò)散到多個領(lǐng)域里，涉及到計算機(jī)視覺、自然語言處理、語音識別以及強(qiáng)化學(xué)習(xí)等[27]，深度學(xué)習(xí)的結(jié)構(gòu)也經(jīng)歷了由全連接神經(jīng)網(wǎng)絡(luò)進(jìn)化到卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等更復(fù)雜架構(gòu)的階段，這一進(jìn)步很大程度上受益于大數(shù)據(jù)的涌現(xiàn)以及計算硬件的提升[28]。Transformer模型、GAN等技術(shù)的問世推動深度學(xué)習(xí)在自然語言處理與圖像生成領(lǐng)域?qū)崿F(xiàn)突破，自監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)等方法的不斷改進(jìn)，促進(jìn)了模型泛化能力的提高，隨著計算能力跟數(shù)據(jù)規(guī)模的擴(kuò)充，深度學(xué)習(xí)會繼續(xù)創(chuàng)新突破，為人工智能技術(shù)與社會進(jìn)步貢獻(xiàn)更多力量。圖3.1YOLOv8整體框架圖本文運(yùn)用YOLOv8[29]算法來做輸電線路典型金具缺陷檢測，并對最終所得的準(zhǔn)確率展開分析，圖3.1展現(xiàn)了YOLOv8檢測模型的整體框架面貌，作為現(xiàn)階段YOLO系列中的最新版本，YOLOv8沿襲了前代模型的高效性與準(zhǔn)確性，而且在多個方面實(shí)施了創(chuàng)新性的調(diào)整，用以進(jìn)一步增強(qiáng)效能。YOLOv8算法的主要特性及更新有：采用了剛推出的SOTA（StateoftheArt）模型架構(gòu)，可供給P5640和P61280這兩種分辨率的目標(biāo)檢測網(wǎng)絡(luò)，還有依據(jù)YOLACT的實(shí)例分割模型，支持不同模型尺度，以此應(yīng)對多種使用場景；在網(wǎng)絡(luò)結(jié)構(gòu)這一層面，YOLOv8借用了YOLOv7ELAN的設(shè)計理念，采用了相較復(fù)雜的C2f結(jié)構(gòu)，進(jìn)而根據(jù)模型尺度對通道數(shù)做調(diào)整，以優(yōu)化功效。Head部分采用解耦頭這種結(jié)構(gòu)，把分類與回歸的頭隔離開來，同時把Anchor-Based替換為Anchor-Free；Loss計算采用TaskAlignedAssigner來進(jìn)行正樣本分配，還采用了DistributionFocalLoss；訓(xùn)練過程里的數(shù)據(jù)增強(qiáng)部分引入了關(guān)閉Mosiac增強(qiáng)這一操作，以增強(qiáng)精度水平。在應(yīng)用上，YOLOv8的輕量級網(wǎng)絡(luò)格局，讓其在處理大規(guī)模數(shù)據(jù)集時仍舊可以保持高效，此特性使YOLOv8在實(shí)時目標(biāo)檢測任務(wù)中表現(xiàn)得十分出色，仿若交通監(jiān)控、智能安防等范疇，處于交通監(jiān)控系統(tǒng)內(nèi)，YOLOv8可迅速識別道路上車輛、行人等目標(biāo)主體，實(shí)時監(jiān)測交通流量以及道路擁堵情形，YOLOv8的損失函數(shù)也進(jìn)行了針對性優(yōu)化，考量了分類誤差、位置誤差以及形狀誤差等多個要素，由此增強(qiáng)了目標(biāo)檢測的準(zhǔn)確性，這使得YOLOv8在諸如電力巡檢、醫(yī)學(xué)影像分析等領(lǐng)域也具備廣泛應(yīng)用前景。圖3.2YOLOv8訓(xùn)練結(jié)果展示初步對YOLOv8模型進(jìn)行訓(xùn)練與評估后，觀察到其表現(xiàn)出明顯的過度參數(shù)化現(xiàn)象，結(jié)果導(dǎo)致了模型推理速度的下降，詳見圖3.3所示實(shí)驗(yàn)數(shù)據(jù)。進(jìn)一步對YOLOv8生成的特征圖進(jìn)行視覺分析時，揭示了在模型的相同階段不同層級中，特征圖展現(xiàn)出高度相似性，詳細(xì)分析見圖3.3。針對這種現(xiàn)象，采用更為簡潔的計算方法復(fù)現(xiàn)這些特征圖，有助于減少網(wǎng)絡(luò)的計算負(fù)擔(dān)，從而加速模型的檢測過程。圖3.3特征圖冗余3.2算法改進(jìn)與優(yōu)化3.2.1改進(jìn)C2f模塊YOLOv8骨干網(wǎng)絡(luò)主要使用了常規(guī)卷積和C2f模塊，對圖像進(jìn)行特征提取?？紤]到Y(jié)OLOv8模型比較大，于是選用更簡單的卷積方法替換部分常規(guī)卷積來簡化模型。于是引入一種簡單而快速有效的PConv卷積層，在減少計算冗余和內(nèi)存訪問的情況下，還要求能夠?qū)D像進(jìn)行高質(zhì)量的特征提取。各卷積層結(jié)構(gòu)圖如圖3.4所示。（a）普通卷積（b）深度卷積（c）PC卷積圖3.4不同的卷積層結(jié)構(gòu)圖在對神經(jīng)網(wǎng)絡(luò)做特征提取的階段里，采用了一種特殊的處理途徑，其目的是提高網(wǎng)絡(luò)的運(yùn)算效率與內(nèi)存使用效率，此手法牽涉到對輸入的特征圖做精細(xì)處理：選定一部分通道，接著對這些通道進(jìn)行標(biāo)準(zhǔn)卷積操作以提取空間特性，而讓另外的通道不受波及。為了增強(qiáng)內(nèi)存連續(xù)性以及訪問效率，會專門針對一組連續(xù)通道做處理，這一般而言是特征圖里的第一組或最后一組通道，輸入跟輸出的特征圖有著相同的通道數(shù)，實(shí)現(xiàn)處理的通用效果，在設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)當(dāng)中，引進(jìn)了一個叫做Faster塊的組件，它是由一個預(yù)處理卷積（PConv）層和兩個隨后跟上的標(biāo)準(zhǔn)卷積層組成的。這三層彼此相連，生成了與倒置殘差塊類似的結(jié)構(gòu)，其中間卷積層有更多的通道，以加大特征提取的效力，為了進(jìn)一步增進(jìn)網(wǎng)絡(luò)的表現(xiàn)水平，在這些卷積層之間引入了所謂的shortcutconnection快捷連接，如此便于在網(wǎng)絡(luò)深層再次利用已有的特征，引入此類快捷連接不僅增強(qiáng)了網(wǎng)絡(luò)處理的效率，還推動了特征的輸送，對深層網(wǎng)絡(luò)性能的提升起著尤為關(guān)鍵的作用?；赑Conv，得到了新的卷積網(wǎng)絡(luò)結(jié)構(gòu)Faster，其結(jié)構(gòu)如圖3.5所示。圖3.5卷積網(wǎng)絡(luò)結(jié)構(gòu)Faster用Faster模塊替換C2f中的Bottleneck，得到了C2f-Faster模塊來替換骨干網(wǎng)絡(luò)中的最后2個，如圖3.6所示。圖3.6C2f-Faster結(jié)構(gòu)圖3.2.2引入CA注意力機(jī)制圖3.7CA注意力機(jī)制結(jié)構(gòu)圖SENet（Squeeze-and-ExcitationNetwork）[30]憑借自身卓越性能被廣泛采納，但其局限表現(xiàn)為僅對通道關(guān)系進(jìn)行建模以判定每個通道的重要性，而沒顧及位置信息對空間選擇性的影響，在部分狀況里，得考慮特征圖通道跟空間位置信息之間的聯(lián)系。為處理這一類問題，提出了一種名為Channel-Attention（CA）[31]的留意機(jī)制，可全面顧及通道和空間位置信息的關(guān)聯(lián)，CA注意機(jī)制可在基本上不增多額外計算開銷的情形里，方便地嵌入到移動網(wǎng)絡(luò)里面，進(jìn)而更全面地抓取特征圖的通道與空間相關(guān)性，增進(jìn)模型功效，參照圖3.7。CA注意力機(jī)制模塊設(shè)計目的是強(qiáng)化移動網(wǎng)絡(luò)特征表達(dá)的能力，它可對網(wǎng)絡(luò)中的任意中間特征張量起到作用，依照式(3-1)表明，通過開展特定的變換加工，并輸出體現(xiàn)相同尺寸的特征張量，如式(3-2)所說明，這種處理提高了網(wǎng)絡(luò)對重要特征的關(guān)注水平，進(jìn)而增進(jìn)了特征的表達(dá)效果，對網(wǎng)絡(luò)的整體性能起到積極的促進(jìn)效果。(3-1)(3-2)CA機(jī)制經(jīng)計算得到的是寬度與高度兩個方向上的特征圖，其中各特征點(diǎn)表示相應(yīng)方向上的平均特征數(shù)值，經(jīng)由對特征張量執(zhí)行全局平均池化操作，分別沿著寬度與高度的方向生成兩張?zhí)卣鲌D，這些特征圖利于模型更好地洞悉圖像在不同方向上的特征分布態(tài)勢，還進(jìn)一步用于對精確位置信息編碼以及獲取注意力權(quán)重，就像公式(3-3)和(3-4)所呈現(xiàn)的。(3-3)(3-4)在這一步里，首先把從寬度、高度這兩個維度拿到的全局特征圖拼接起來，然后把這些拼接后的特征圖傳入一個共享的1x1卷積層進(jìn)行處理，該共享卷積層的主要職能是對拼接的特征圖做降維處理，把其通道的數(shù)量減至原始通道數(shù)的1/r，此處提到的r代表縮放因子。將經(jīng)過批量歸一化的特征圖F1輸入到Sigmoid激活函數(shù)，最終輸出的特征圖f有著1×(W+H)×C/r的形狀規(guī)格，此處理過程可以生成一個壓縮后的特征表達(dá)，它囊括了寬度及高度方向的全局信息，為后續(xù)特征重校準(zhǔn)給予依據(jù)，這種處理辦法能讓模型在全局范圍內(nèi)捕捉特征訊息，并借助降維和激活函數(shù)操作，拿到更緊湊又有內(nèi)涵的特征表達(dá)，由此提高模型在目標(biāo)檢測等任務(wù)里的表現(xiàn)，可查看公式。(3-5)在獲取特征圖在高度以及寬度方向的注意力權(quán)重之后，下一步是針對特征圖f開展1×1尺寸的卷積操作，還原為原先的高度和寬度，這一卷積處理的目標(biāo)是把經(jīng)過通道降維的特征圖變回跟原始特征圖通道數(shù)一致的形式，處理之后的特征圖借助Sigmoid激活函數(shù)完成操作，分別生成了高度方向跟寬度方向?qū)?yīng)的注意力權(quán)重，這些注意力權(quán)重分別顯示了網(wǎng)絡(luò)在不同空間方向上的關(guān)注程度，就像公式(3-6)和(3-7)所體現(xiàn)的，采用這種途徑，網(wǎng)絡(luò)可以有效重新分配重點(diǎn)，以凸顯更關(guān)鍵的特征區(qū)域。(3-6)(3-7)通過上述步驟，成功獲得了輸入特征圖在高度和寬度方向的注意力權(quán)重。利用這些權(quán)重，可以對原始特征圖進(jìn)行加權(quán)運(yùn)算，即通過逐點(diǎn)乘法將注意力權(quán)重應(yīng)用于特征圖。這樣的處理方式能夠讓模型更加關(guān)注特定區(qū)域的特征信息，提高對目標(biāo)的定位和識別準(zhǔn)確性，公式如(3-8)所示。(3-8)3.2.3損失函數(shù)改進(jìn)YOLOv8的損失函數(shù)由多個部分組成，包括分類損失(VFLLoss)、回歸損失為CIOULoss+DFL的形式。(3-9)式中，IoU是交并比，b和bgtCIoU考量了邊界框回歸的距離、重疊面積、中心點(diǎn)偏移以及寬高比，有助于規(guī)避DIoU中心點(diǎn)重合時無法分辨的問題，加快了邊界框回歸收斂的速度，CIoU并未將真實(shí)框與預(yù)測框之間的方向不匹配納入考量，僅展現(xiàn)了寬高比的差異，而非實(shí)際的寬高關(guān)系，使得回歸質(zhì)量差的樣本影響比較大，但回歸質(zhì)量好的樣本無法進(jìn)一步優(yōu)化提升，這造成模型訓(xùn)練收斂速度緩、效率提不上去，預(yù)測框精準(zhǔn)度欠佳，引入基于距離的注意力機(jī)制，建立具有兩層注意力機(jī)制的模型：RWIOU∈[1，e），將顯著提高LIOU普通質(zhì)量的錨框；LIOU（3-10）（3-11）式中，Wg和Hg為最小的封閉盒的大小。林等人[32]為交叉設(shè)計了一種單調(diào)的FM，有效地降低了簡單樣本對損失值的貢獻(xiàn)。構(gòu)建單調(diào)的聚焦系數(shù)LIOU（3-12）由于聚焦系數(shù)的增加，WIoUv2反向傳播的梯度也發(fā)生了變化：（3-13）注意梯度增益為r=LIOUγ?∈[0,1]。在模型的訓(xùn)練過程中，梯度增益隨著L（3-14）解決訓(xùn)練后期收斂速度慢的問題。動態(tài)非單調(diào)調(diào)頻：錨框的離群度主要表現(xiàn)為：（3-15）若錨框被認(rèn)定為高質(zhì)量，即它與對應(yīng)的真實(shí)框擁有較小的異常值，那么應(yīng)當(dāng)為這一錨框分配一個較小的梯度增益。這樣的措施可以確保邊界框回歸（BBR）更多地關(guān)注那些質(zhì)量普通的錨框，從而在訓(xùn)練過程中更有效地優(yōu)化它們。同時，對于那些異常值較大的錨框，也就是與真實(shí)框的偏差較大的情況，如果分配較小的梯度增益，便可以有效避免由于大的梯度變化而引起的有害影響。構(gòu)造一個非單調(diào)的使用β的聚焦系數(shù)并將其應(yīng)用于WIoUv1：（3-16）式中，r=1,當(dāng)錨盒的離群度滿足β=C時錨盒梯度增益最大(C為常數(shù)值)。由于LIOU綜上所述，對模型進(jìn)行了C2f的改進(jìn)、引入CA注意力機(jī)制和損失函數(shù)改進(jìn)后，改進(jìn)后的模型的總體結(jié)構(gòu)如圖3.7所示。圖3.8改進(jìn)后的模型結(jié)構(gòu)圖3.3實(shí)驗(yàn)環(huán)境該實(shí)驗(yàn)使用Windows10操作系統(tǒng)，GPU為NVIDIAGeForceRTX3090，顯卡驅(qū)動為CUDA11.0，CPU為InterCorei7-12700KF@2.80GHz，編譯語言為Python3.8，集成工具Opencv等擴(kuò)展庫。模型對圖像進(jìn)行預(yù)處理后將圖像統(tǒng)一變?yōu)?40×640×3，初始學(xué)習(xí)率設(shè)定為0.01，衰減設(shè)定為0.005，批量大小為16，最大迭代數(shù)為200，開啟Mosaic數(shù)據(jù)增強(qiáng)。3.4評價指標(biāo)對于輸電線路的典型金具，模型預(yù)測的值可能和它的真實(shí)值一致，也可能不一致。模型通過置信度閾值來判定某個預(yù)測框是正樣本還是負(fù)樣本，而真假正樣本的判定則依賴于IoU閾值。本章節(jié)所有實(shí)驗(yàn)的IoU閾值設(shè)置為0.5。本文采用目標(biāo)檢測領(lǐng)域常用的評價指標(biāo)來對改進(jìn)算法進(jìn)行定量評估，其中準(zhǔn)確率（Precision，P）和召回率（Recall，R）是最基本的衡量指標(biāo)。準(zhǔn)確率P也稱查準(zhǔn)率表示模型檢測結(jié)果中，模型預(yù)測的正確樣本所占總的真實(shí)目標(biāo)的比例，計算方法為： (3-17)召回率R也稱為查全率表示算法檢測結(jié)果中，模型預(yù)測的正確樣本占該樣本分類總目標(biāo)的比例，計算方法為： (3-18)綜合式（3-17）和式（3-18）可以看出，準(zhǔn)確率代表模型可以正確預(yù)測出正樣本的能力，召回率代表模型可以預(yù)測樣本的查全能力，兩個指標(biāo)數(shù)值越高表示模型預(yù)測到的正樣本越多，而且漏檢的真實(shí)正樣本數(shù)目越少，表示模型的檢測效果越好。為全面考量本研究設(shè)計的目標(biāo)檢測模型性能，本文采用平均精度（AP）以及均值平均準(zhǔn)確率（mAP）當(dāng)作評價指標(biāo)，AP是借助引入概率閾值來算出不同閾值下的準(zhǔn)確率與召回率，進(jìn)而勾勒出一條性能曲線，也就是常說的PR曲線，AP就是PR曲線下方的面積，它凸顯了關(guān)乎模型性能的一個重要指標(biāo)。處于不同概率的閾值情況中，模型預(yù)測為正類（Positive）的概率比該閾值高，就看作正類，若未達(dá)要求，則視為負(fù)類，繪制得到的PR曲線下面積越大，說明模型在準(zhǔn)確率和召回率的平衡上表現(xiàn)更好，說明模型的性能更佳，mAP是對多個類別分別計算AP值后求平均，是衡量模型在多類目標(biāo)檢測任務(wù)綜合表現(xiàn)的指標(biāo)，AP值跟mAP值越高，彰顯目標(biāo)檢測模型的性能越超群，這兩個指標(biāo)為評估、對比不同目標(biāo)檢測模型給出了標(biāo)準(zhǔn)化的招兒，AP所采用的計算公式為： (3-19)式中，P表示準(zhǔn)確率，R表示召回率。均值平均準(zhǔn)確率mAP是對模型預(yù)測的所有類別的AP取平均值，用于評價模型對于不同類型物體、不同尺度的通用檢測效果，mAP可以評估數(shù)據(jù)集中所有類別的平均預(yù)測準(zhǔn)確率。mAP的計算公式見下式： (3-20)FPS（FramesPerSecond）是另一個重要的指標(biāo)，用于衡量處理器或系統(tǒng)在單位時間內(nèi)處理圖像幀數(shù)的能力。高FPS意味著設(shè)備能夠以更快的速度處理圖像，從而實(shí)現(xiàn)更快的實(shí)時響應(yīng)和處理能力。3.5實(shí)驗(yàn)分析3.5.1消融實(shí)驗(yàn)為了進(jìn)一步驗(yàn)證本課題所提出的改進(jìn)算法中的改進(jìn)方法對網(wǎng)絡(luò)模型性能的影響，本節(jié)在本課題第二章創(chuàng)建的數(shù)據(jù)集的基礎(chǔ)上，將各改進(jìn)方式封裝成單獨(dú)的模型進(jìn)行實(shí)驗(yàn)，消融實(shí)驗(yàn)具體結(jié)果如表3.1所示。表3.1消融實(shí)驗(yàn)的性能指標(biāo)模型C2f-FasterCA注意力機(jī)制損失函數(shù)mAP@0.5/%1×××97.52√××97.43√√×97.94√√√98.2通過表3.1消融實(shí)驗(yàn)的數(shù)據(jù)結(jié)果可以發(fā)現(xiàn)，改進(jìn)后的算法每一次改進(jìn)都會對YOLOv8模型產(chǎn)生不同程度的影響。實(shí)驗(yàn)1所代表的是原始的YOLOv8模型；在實(shí)驗(yàn)2中，C2f-Faster的設(shè)計使模型的mAP@0.5降低了0.1%。輕量化后帶來精度的下降是正?，F(xiàn)象，因?yàn)槟Ｐ涂赡芟魅趿嗽继卣鲌D之間的聯(lián)系；在實(shí)驗(yàn)3中，將YOLOv8中更換為C2f-Faster模塊后，再引入CA注意力機(jī)制，發(fā)現(xiàn)模型的mAP@0.5提高了0.5%；實(shí)驗(yàn)4是本課題所提出的改進(jìn)算法，它在實(shí)驗(yàn)3的基礎(chǔ)上改進(jìn)了損失函數(shù)，使得模型的mAP@0.5再一次提高了0.3%。綜合來看，改進(jìn)后的模型的檢測精度較原來的模型提高了0.7%。圖3.8改進(jìn)算法的P-R圖圖3.9改進(jìn)算法的損失曲線在訓(xùn)練本文所改進(jìn)模型時，整個程序代碼運(yùn)行庫給出了具體的P-R圖像和訓(xùn)練過程中的損失曲線，如圖3.8和圖3.9所示。通過實(shí)驗(yàn)結(jié)果圖可以發(fā)現(xiàn)，改進(jìn)算法對本文數(shù)據(jù)集的各類別檢測精度均比較高，而且損失函數(shù)的最低值也維持在較小的水平且持續(xù)恒定，所以可以證明本文改進(jìn)算法對檢測輸電線路的缺陷是十分有效的。3.5.2主流目標(biāo)檢測算法對比為了驗(yàn)證改進(jìn)算法的有效性，本課題與目前比較主流的單階段目標(biāo)檢測器進(jìn)行對比，分別有YOLOv5s、YOLOv6[33]、YOLOv7-Tiny[34]、和SSD，實(shí)驗(yàn)結(jié)果如表3.2所示。表3.2單階段目標(biāo)檢測模型的性能目標(biāo)檢測模型mAP@0.5/%參數(shù)量/MFPSSSD83.224.119YOLOv5s97.67.0299YOLOv696.16.54101YOLOv7-tiny96.46.01108YOLOv8n97.53.02137Ours98.22.86149通過表3.2中的實(shí)驗(yàn)結(jié)果對比可以看出，本文所提出的改進(jìn)算法的檢測準(zhǔn)確率為98.2%，比其他五種的檢測精度高，并且檢測速度為每秒149張圖片。相較于YOLOv8n，本文改進(jìn)算法的參數(shù)量減少了6%，F(xiàn)PS上升了12，檢測精度提高了0.7%，所以可以證明本文所改進(jìn)的算法比基線算法擁有更快速更精確的檢測性能。與SSD、YOLOv5s、YOLOv6和YOLOv7-tiny相比，改進(jìn)算法的檢測精度和速度都是最好的。為了更直觀的區(qū)分YOLOv8與本課題改進(jìn)算法的檢測效果，從數(shù)據(jù)集的測試集中挑選了部分的圖片進(jìn)行檢測，圖3.10展示了YOLOv8和改進(jìn)算法的檢測效果。通過觀察下述四幅像檢測后的效果可以發(fā)現(xiàn)，本文改進(jìn)的算法在每個目標(biāo)樣本檢測上的置信度基本都要比YOLOv8原始模型的置信度高，這表明本文CA注意力機(jī)制引入網(wǎng)絡(luò)對聚合目標(biāo)特征樣本是十分有用的。（a）YOLOv8檢測效果（b）改進(jìn)算法的檢測效果圖3.10檢測效果對比圖第四章總結(jié)與展望4.1總結(jié)本文通過深入研究和應(yīng)用深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)了對輸電線路典型金具的高效且準(zhǔn)確的缺陷檢測。研究圍繞圖像處理與分析、目標(biāo)檢測與識別、算法融合及性能評估等關(guān)鍵技術(shù)領(lǐng)域展開，成功地利用深度學(xué)習(xí)對巡檢圖像進(jìn)行了有效處理，提取了典型金具的特征信息，實(shí)現(xiàn)了對正常與缺陷部件的有效區(qū)分。文中特別提到了YOLOv8算法的最新進(jìn)展，該算法通過引入CA注意力機(jī)制和C2f-Fasternet模塊以及優(yōu)化損失函數(shù)，大幅提升了目標(biāo)檢測的速度和準(zhǔn)確性，展現(xiàn)出在實(shí)時監(jiān)測和安全防范領(lǐng)域的巨大潛力。通過對改進(jìn)模型進(jìn)行消融實(shí)驗(yàn)和對比實(shí)驗(yàn)，可以發(fā)現(xiàn)本文所改進(jìn)的算法在檢測輸電線路典型金具上的精確率最高、模型的推理速度也是最快的，在本課題所用的GPU設(shè)備上，精確率可以達(dá)到98.2%，推理速度可以達(dá)到每秒處理149幀，證明了本文方法的有效性。4.2展望深度學(xué)習(xí)技術(shù)在開展輸電線路缺陷檢測時優(yōu)勢明顯，不但提升了檢測的效率水平，還極大提升了檢測的精準(zhǔn)度，該缺陷檢測系統(tǒng)或許會和物聯(lián)網(wǎng)、大數(shù)據(jù)等前沿技術(shù)結(jié)合在一起，實(shí)現(xiàn)更全面智能的監(jiān)測管理工作，為電力系統(tǒng)的穩(wěn)定運(yùn)作提供可靠的技術(shù)后盾，伴隨技術(shù)發(fā)展和應(yīng)用場景不斷拓展，基于深度學(xué)習(xí)的輸電線路典型金具缺陷檢測技術(shù)在電力行業(yè)中會承擔(dān)起更關(guān)鍵的角色，促使電力系統(tǒng)朝著更高效、安全、智能的方向邁進(jìn)。參考文獻(xiàn)[1] 伍習(xí)東.基于深度學(xué)習(xí)的PCB圖像缺陷檢測研究[D].安徽理工大學(xué),2023.[2] 楊瑞鵬.輸電線路無人機(jī)巡檢系統(tǒng)對絕緣子檢測的前沿技術(shù)[J].電器工業(yè),2023,(11):65-67.[3] 王慧民.基于深度學(xué)習(xí)的輸電線路小金具缺陷檢測[D].太原理工大學(xué),2022.[4] 劉主光,諸加榮,應(yīng)偉俊等.基于無人機(jī)點(diǎn)云圖像深度學(xué)習(xí)的架空輸電線路樹障清理預(yù)測研究——評《輸電線路故障電壓行波定位與保護(hù)技術(shù)》[J].人民長江,2023,54(11):260.[5] R.Girshick,J.Donahue,T.Darrell,etal.Region-basedconvolutionalnetworksforaccurateobjectdetectionandsegmentation[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2015,38(1):142-158.[6] R.Girshick.Fastr-cnn[C]//ProceedingsoftheIEEEinternationalconferenceoncomputervision.2015:1440-1448.[7] S.Ren,K.He,R.Girshick,etal.Fasterr-cnn:Towardsreal-timeobjectdetectionwithregionproposalnetworks[J].Advancesinneuralinformationprocessingsystems,2015,28.[8] W.Liu,D.Anguelov,D.Erhan,etal.Ssd:Singleshotmultiboxdetector[C]//ComputerVision–ECCV2016:14thEuropeanConference,Amsterdam,TheNetherlands,October11–14,2016,Proceedings,PartI14.Springer.2016:21-37.[9] J.Redmon,S.Divvala,