基于深度学习的输电线路绝缘子缺陷检测算法研究.pdf

摘要

绝缘子是输电线路中的重要组成部分，其功能是在传输电流的同时防止电流通

过塔架和地面发生泄漏，起到绝缘和支撑的作用。因此，定期检测绝缘子的状态并及

时发现和处理绝缘子的缺陷是非常重要的。随着科技的进步，无人机和智能图像识别

技术正逐步代替人工巡检，然而，由于采集的图片中存在绝缘子目标小、遮挡目标比

较多、背景复杂等多种复杂情况，给绝缘子缺陷检测带来较大的困难。本文基于改进

YOLOv5s（YouOnlyLookOnceVersion-5s）进行输电线路绝缘子缺陷检测，在提升

模型检测性能与模型轻量化两方面进行改进并进行实验，使其分别适配于不同的应

用场景，最后设计了输电线路巡检系统，使本文所做工作更具有适用性。本文主要工

作如下：

首先，对基于YOLOv5s的输电线路绝缘子缺陷检测算法进行性能方面的改进，

设计了三种改进方法，分别是将网络中C3模块中的卷积替换为多头自注意力机制

(Multi-HeadSelf-Attention，MHSA)，提高算法对图像全局信息的关注；引入注意力

机制CBAM（ConvolutionalBlockAttentionModule），增强目标在通道与空间双维度

上的注意力特征融合；将网络的损失函数替换成SIoU（ScyllaIntersectionoverUnion），

在损失函数成本中引入方向性，改进算法的训练推理性能。最后将三种改进方法进行

消融实验，实验结果表明，与原YOLOv5s相比，改进后模型的平均检测精度可以达

到96.5%，验证了改进算法的有效性。

然后，对基于YOLOv5s的输电线路绝缘子缺陷检测算法进行轻量化的改进，针

对部署到无人机等设备中模型较大的问题，将网络的主干部分分别替换为当下主流

的轻量级网络，ShuffleNetV2与GhostNet，经过实验对比最终选择GhostNet作为主

干网络，可以保持精度基本不变的情况下，大幅度降低模型参数量；将GSConv模块

嵌入到特征融合阶段（Neck），可以显著降低模型参数量并保持精度。最后将两种改

进方法进行消融实验，实验结果表明，与原YOLOv5s相比，改进后模型平均检测精

度达到92.0%，模型参数量降低33.0%，检测速度提高8.3%，实现了减轻模型复杂

度的同时提高准确性，得到适合部署到内存资源有限的设备中的轻量化网络。

最后，基于PyCharm和PyQt5设计了一个输电线路巡检系统。通过Qt中UI界

面，完成了系统界面的布局与设计，可以实现数据源的选择、实时图像显示、检测操

I

作、结果统计的功能。并以检测绝缘子为例对系统进行演示，通过对原模型以及改进

后模型的调用，完成了绝缘子及其缺陷的检测。

关键词：YOLOv5s；注意力机制；损失函数；轻量化；输电线路巡检系统

II

ABSTRACT

Insulatorisanimportantpartofthetransmissionline,itsfunctionistopreventthe

currentfromleakingthroughthetowerandthegroundwhiletransmittingthecurrent,and

playtheroleofinsulationandsupport.Therefore,itisveryimportanttotestthestatusof

theinsulator