及时检测绝缘子自爆缺陷对输电线路安全可靠运行具有重要意义。针对深度学习模型对具有小目标特征的绝缘子自爆缺陷检测能力不足、模型结构复杂等问题,提出了一种基于轻量化改进YOLOv8n输电线路绝缘子自爆检测方法。以YOLOv8n网络为基...及时检测绝缘子自爆缺陷对输电线路安全可靠运行具有重要意义。针对深度学习模型对具有小目标特征的绝缘子自爆缺陷检测能力不足、模型结构复杂等问题,提出了一种基于轻量化改进YOLOv8n输电线路绝缘子自爆检测方法。以YOLOv8n网络为基础模型,通过添加小目标检测模块来捕捉绝缘子自爆的小目标细节信息,提高其检测能力;进一步,引入SIoU损失函数,解决原始CIoU损失函数未考虑真实框与预测框之间的方向问题,增强目标定位准确性;最后,使用通道剪枝方法,对改进模型进行剪枝,去除模型冗余参数、减少浮点运算量,降低模型计算成本和复杂度。在构建的绝缘子自爆数据集上的实验结果表明,轻量化改进方法的平均准确性均值达到97.1%,其浮点运算量和体积分别为4.9 G FLOPS和1.82 MB,仅为原始模型的60.5%和29.7%,合理兼顾了绝缘子自爆检测的准确性和模型复杂性。在另一个输电线路巡检数据集中,本研究方法对其他类型的小目标检测准确性也较好,具有良好的推广应用前景。展开更多
文摘及时检测绝缘子自爆缺陷对输电线路安全可靠运行具有重要意义。针对深度学习模型对具有小目标特征的绝缘子自爆缺陷检测能力不足、模型结构复杂等问题,提出了一种基于轻量化改进YOLOv8n输电线路绝缘子自爆检测方法。以YOLOv8n网络为基础模型,通过添加小目标检测模块来捕捉绝缘子自爆的小目标细节信息,提高其检测能力;进一步,引入SIoU损失函数,解决原始CIoU损失函数未考虑真实框与预测框之间的方向问题,增强目标定位准确性;最后,使用通道剪枝方法,对改进模型进行剪枝,去除模型冗余参数、减少浮点运算量,降低模型计算成本和复杂度。在构建的绝缘子自爆数据集上的实验结果表明,轻量化改进方法的平均准确性均值达到97.1%,其浮点运算量和体积分别为4.9 G FLOPS和1.82 MB,仅为原始模型的60.5%和29.7%,合理兼顾了绝缘子自爆检测的准确性和模型复杂性。在另一个输电线路巡检数据集中,本研究方法对其他类型的小目标检测准确性也较好,具有良好的推广应用前景。
