基于輕量化YOLOv5-GCDNet的航拍絕緣子掉串檢測

齊向明，葉松發(fā)

（遼寧工程技術(shù)大學(xué) 軟件學(xué)院，遼寧 葫蘆島 125105）

0 引言

絕緣子作為高壓輸電線路上不可或缺的電力設(shè)備，經(jīng)常處于復(fù)雜地理條件和惡劣氣候環(huán)境下，容易出現(xiàn)自爆、掉串、裂紋、破損和閃絡(luò)放電等缺陷，且檢測困難。因此，快速識別絕緣子缺陷對供電系統(tǒng)的穩(wěn)定運行至關(guān)重要。

目前，絕緣子缺陷檢測方式包括傳統(tǒng)檢測方法與深度學(xué)習(xí)檢測方法兩種。其中，傳統(tǒng)絕緣子缺陷檢測方法通常利用設(shè)計算子提取絕緣子圖像的紋理與形狀特征信息以定位絕緣子缺陷［1］。例如，張晶晶等［2］設(shè)計一種自底向上的聚類分析方法，將絕緣子串形態(tài)特征一致的線段劃為平行線組，計算慣性矩方差特征量與慣性矩均值特征量，檢測絕緣子缺陷；劉子英等［3］基于可見光的絕緣子圖像特征結(jié)合最小二乘法的支持向量機（LS-SVM），對絕緣子的污穢等級進行識別判斷；孫磊等［4］為了解決支持向量機在污穢識別中出現(xiàn)的誤檢與漏檢情況，設(shè)計一種雙超球數(shù)據(jù)域描述模型，該方法有效降低了誤檢與漏檢概率；趙振兵等［5］在閾值分割基礎(chǔ)上結(jié)合二值形狀特征解決復(fù)雜背景下絕緣子的定位問題；Yin 等［6］采用基于雙奇偶形態(tài)梯度的邊緣檢測算法以識別紅外線圖像中的陶瓷絕緣子串；王磊等［7］提出一種Hough 檢測結(jié)合C-V 模型的協(xié)同分割方法以解決圖像分辨低、目標(biāo)數(shù)目多的問題。雖然這些方法在不同程度上提高了絕緣子的檢測精度，但是檢測效率和實時性無法達到實際工程應(yīng)用要求。

而在基于深度學(xué)習(xí)的絕緣子缺陷檢測方法中，深度學(xué)習(xí)通過強大的神經(jīng)網(wǎng)絡(luò)建模能力，可以提取更豐富的語義信息［8］，解決了傳統(tǒng)算法因提取特征有限而導(dǎo)致的檢測效率和實時性方面的問題。例如，Zhao 等［9］通過微調(diào)Faster R-CNN 網(wǎng)絡(luò)模型，改進錨框的生成方法與非極大值抑制，提高了多尺度絕緣子互相遮擋情況下的檢測效果。Chen等［10］設(shè)計出一種使用二階全卷積網(wǎng)絡(luò)的絕緣子故障檢測方法，采用全卷積層學(xué)習(xí)圖像特征，通過形態(tài)學(xué)重構(gòu)對目標(biāo)進行定位。王紀(jì)良［11］為解決無人機巡檢污穢絕緣子檢測過程中定位不準(zhǔn)確、精度較低等難題，提出一種改進R3Det 的絕緣子污穢細粒度旋轉(zhuǎn)目標(biāo)檢測算法。楊焰飛等［12］針對人才巡檢效率低且魯棒性差等問題，YOLOv3 目標(biāo)檢測算法與Inception-Resnet-v2 分類算法構(gòu)建YOLOv3-Dense 網(wǎng)絡(luò)用于絕緣子檢測，改進了網(wǎng)絡(luò)的寬度與損失函數(shù)，提高了檢測速度，以滿足實效性。高健宸等［13］在YOLOv4 中使用混合卷積塊替換其中的卷積層，改進函數(shù)避免造成梯度消失，從而提高模型性能并減少模型的體積。劉翀豪等［14］提出輕量化YOLOv5-MBF，用于人臉口罩檢測，使用MoMobileNetV3 網(wǎng)絡(luò)替換YOLOv5s 主干網(wǎng)絡(luò)，降低了模型的參數(shù)量并提高了檢測速度，并使用GELU激活函數(shù)替換MobileNetV3 激活函數(shù)，同時添加BiFPN 特征金字塔結(jié)構(gòu)，提高了檢測精度。謝靜等［15］為了能夠更好地滿足輸電線路的實時檢測要求，使用Mish 優(yōu)化YOLOv5的激活函數(shù)，將CBAM 注意力機制融合到特征提取網(wǎng)絡(luò)中，以篩選更多有價值的特征，同時將Transformer 編碼結(jié)構(gòu)嵌入到C3 模塊中，以加強高低層網(wǎng)絡(luò)特征融合。為融合多尺度的圖像特征，Wang 等［16］基于YOLOv5 加入自適應(yīng)空間特征融合（ASFF）以改進模型，并通過引入卷積注意力模塊（CBAM）模塊提高模型性能。以上檢測方法在工程應(yīng)用中難以滿足實時檢測要求，在模型部署時需消耗大量內(nèi)存，且算法精度和檢測速度還有進一步提高的空間。

針對以上問題，本文提出一種基于輕量化YOLOv5-GCDNet 模型的航拍絕緣子掉串缺陷檢測方法。主要工作包括：①采用數(shù)據(jù)增強、高斯模糊、圖像融合等方法，構(gòu)建復(fù)雜背景下的絕緣子數(shù)據(jù)集；②采用幻象卷積和倒殘差結(jié)構(gòu)，設(shè)計新型特征提取網(wǎng)絡(luò)GCDNet，在減少參數(shù)量和復(fù)雜度的同時，提高絕緣子缺陷檢測精度；③添加激勵因子α-IoU 以優(yōu)化目標(biāo)框損失函數(shù)，加速損失值收斂；④通過消融實驗結(jié)果與不同算法的對比，驗證本文方法的絕緣子缺陷檢測性能。

1 輸電線路掉串絕緣子數(shù)據(jù)集構(gòu)建

文中實驗所用輸電線路掉串絕緣子數(shù)據(jù)集的原始圖像數(shù)據(jù)源自于兩個方面：一部分來源于網(wǎng)絡(luò)公開航拍絕緣子數(shù)據(jù)集共746 張，其中包含515 張正常絕緣子圖像與231張缺陷絕緣子圖像；另一部分來源于某電網(wǎng)公司無人機真實巡檢輸電線路航拍絕緣子圖像。數(shù)據(jù)集中包含玻璃、陶瓷、復(fù)合材料3 種不同材料的絕緣子，但總體掉串絕緣子圖像較少。

由于模型性能與訓(xùn)練輸入圖像樣本息息相關(guān)，故本文采用數(shù)據(jù)增強方法，擴充掉串絕緣子樣本，以提高模型魯棒性與避免樣本不均衡問題。具體包括：①對原始掉串絕緣子圖像進行隨機旋轉(zhuǎn)、鏡像、翻轉(zhuǎn)縮放、裁剪、仿射變換等，擴充更符合實際場景的樣本；②通過使用高斯模糊中不同大小的高斯核過濾圖像，模擬由對焦不精確的相機所拍攝的圖像；③采用交互式全分算法提取出掉串絕緣子，再將其輸入U-Net 分割網(wǎng)絡(luò)中進行訓(xùn)練，最后將其融合至輸電線路實際巡檢場景中。通過以上方法進行數(shù)據(jù)增廣，其效果如圖1所示。

Fig.1 Schematic of image augmentation圖1 圖像增廣效果

在原始數(shù)據(jù)的基礎(chǔ)上添加更多復(fù)雜背景、模糊和光照情況下的圖像樣本，以避免圖像過少、過擬合、訓(xùn)練結(jié)果不準(zhǔn)確等問題。數(shù)據(jù)增強后數(shù)據(jù)集共計2 503 張，隨后通過LabelImg 工具進行標(biāo)注，并將數(shù)據(jù)集按9∶1 的比例隨機劃分成訓(xùn)練集和驗證集，再從訓(xùn)練集隨機選取1/10 的圖片作為測試集，其具體樣本分布情況如表1所示。

Table 1 The specific distribution of the sample表1 樣本具體分布

2 輕量化YOLOv5檢測模型

YOLOv5 檢測模型是從YOLOv4［17］網(wǎng)絡(luò)演變而來的YOLO 系列最新目標(biāo)檢測模型，包含YOLOv5s、YOLOv5m、YOLOv5l 和YOLOv5x 4 個版本，而YOLOv5s 具有檢測精度高且推理速度快的特點，故本文基于該模型進行改進：首先采用幻象卷積與倒殘差瓶結(jié)構(gòu)設(shè)計GCDNet，同時使用自適應(yīng)上采樣以及激勵因子α-IoU［18］等方法改進YOLOv5s 模型，從而提出YOLOv5-GCDNet 輕量化模型，其具體結(jié)構(gòu)如圖2所示。

Fig.2 Structure of YOLOv5-GCDNet model圖2 YOLOv5-GCDNet模型結(jié)構(gòu)

2.1 GCDNet特征提取網(wǎng)絡(luò)

YOLOv5 的特征提取網(wǎng)絡(luò)CSPDarkNet53 的CSPNet 殘差結(jié)構(gòu)采用了大量的標(biāo)準(zhǔn)卷積組成，造成了大量的計算資源浪費，同時特征提取網(wǎng)中的標(biāo)準(zhǔn)卷積中生成冗余特征圖也浪費了大量計算資源，因此采用幻象卷積代替標(biāo)準(zhǔn)卷積與倒殘差結(jié)構(gòu)GCD 設(shè)計GCDNet 代替YOLOv5 中的CSPDarkNet53網(wǎng)絡(luò)。GCDNet特征提取網(wǎng)絡(luò)如表2所示。

Table 2 GCDNet network structure表2 GCDNet網(wǎng)絡(luò)結(jié)構(gòu)

在GCDNet 特征提取網(wǎng)絡(luò)中，首先在輸入端沿用YOLOv5 中的Focus 操作，原始640×640×3 的圖像輸入Focus 結(jié)構(gòu)，采用切片操作，變成640×640×12 的特征圖，達到了降低圖像維度的目的；然后使用幻象卷積代替檢測網(wǎng)絡(luò)中的普通卷積，減少模型參數(shù)量，同時將深度可分離卷積與倒殘差結(jié)構(gòu)相結(jié)合設(shè)計GCD 倒殘差結(jié)構(gòu)，并結(jié)合幻象卷積組成GCD 殘差迭代結(jié)構(gòu)，應(yīng)用于提取特征提取網(wǎng)絡(luò)中，便于提取到較全面的特征信息。其網(wǎng)絡(luò)結(jié)構(gòu)如表2所示。

2.1.1 輕量化幻象卷積模塊

為減少模型參數(shù)量和計算復(fù)雜度，采用幻象卷積（Ghost Convolution，GConv）代替?zhèn)鹘y(tǒng)卷積實現(xiàn)絕緣子缺陷檢測的輕量化以提升檢測速度。其核心為利用標(biāo)準(zhǔn)卷積操作生成幻象特征圖，然后將其進行線性組合以降低標(biāo)準(zhǔn)卷積中生成冗余特征圖時產(chǎn)生的計算資源，如圖3所示。

Fig.3 Structure diagram of GConv圖3 GConv結(jié)構(gòu)示意圖

然而，當(dāng)采用幻象卷積進行特征提取時，首先通過m個k×k標(biāo)準(zhǔn)卷積進行卷積操作，生成部分真實特征層作為原始特征Y′∈Rm×h′×w′，其中m≤n。為保證輸出大小不變，超參數(shù)設(shè)定與標(biāo)準(zhǔn)卷積相同，同時對m層通道的原始特征圖Y′進行幻象操作，通過式（1）線性運算生成s個幻象特征圖。

其中，yi′為Y′中第i層特征，Φij為第i層特征中第j個線性運算，yi，j為生成的幻象特征圖。最后采用s·m=s·n/s個d×d的線性內(nèi)核經(jīng)過s次線性運算得到特征圖Y∈Rn×h′×w′=｛y11，y12，…，yms｝，因而線性部分的參數(shù)量n=s·n/s·d·d=n·d·d，計算量為（s-1）·（n/s）·h′·w′·d·d。則標(biāo)準(zhǔn)卷積與幻象卷積的計算量比值rs計算如式（2）所示。

其中，其中d·d的大小與k·k和s·c相似。同樣，標(biāo)準(zhǔn)卷積與幻象卷積的參數(shù)量比值rc計算如式（3）所示。

因此，在絕緣子實時檢測中采用幻象卷積可以在保證精度的情況下，大幅度降低計算量和內(nèi)存消耗，使得整體檢測模型達到輕量化的效果。

2.1.2 倒殘差GCD結(jié)構(gòu)

采用深度可分離卷積與MobileNetV2［19］的倒殘差結(jié)構(gòu)設(shè)計GCD 倒殘差結(jié)構(gòu)，從而提高模型提取缺陷絕緣子特征的能力并降低網(wǎng)絡(luò)計算復(fù)雜度，其結(jié)構(gòu)如圖4所示。

Fig.4 Schematic diagram of GCD residual structure圖4 GCD殘差結(jié)構(gòu)示意圖

GCD 倒殘差結(jié)構(gòu)首先對輸入特征圖進行1×1 的幻象卷積以擴展特征圖的維度，并經(jīng)過批正則化（batch normalization，BN）與SiLU 激活函數(shù)，再利用5×5 深度可分離卷積層提取深層維度的絕緣子特征，最后再通過1×1 幻象卷積降低特征圖維度以達到與shortcut 路徑相同的通道數(shù)。為減少多余通道數(shù)帶來的特征信息損失，激活函數(shù)采用SiLU代替原ReLU 函數(shù)，并將最后一層的SiLU 替換為線性層，減少非線性激活函數(shù)ReLU 對絕緣子特征的破壞，同時輸入特征圖經(jīng)過shortcut 路徑的深度可分離卷積之后以保留上層的特征信息，從而有效地提取更細微的絕緣子特征，同時減少特征遺漏和計算復(fù)雜度。

基于上述幻象卷積（GConv）和GCD 倒殘差結(jié)構(gòu)，構(gòu)建GCDNet 輕量化倒殘差特征提取網(wǎng)絡(luò)，改進了YOLOv5 檢測網(wǎng)絡(luò)。

2.2 CARAFE自適應(yīng)上采樣結(jié)構(gòu)優(yōu)化特征融合網(wǎng)絡(luò)

由于最鄰近上采樣僅通過像素點的空間位置決定上采樣核，特征圖中各位置應(yīng)用相同的上采樣核，不僅未能利用特征圖的語義信息，還增加了大量的參數(shù)與計算量。因此，為更好地結(jié)合上采樣核尺寸與特征圖語義信息，同時達到輕量化效果，在使用GCDNet 特征提取網(wǎng)絡(luò)改進YOLOv5s 檢測算法后采用高效、輕量化的自適應(yīng)上采樣算法（Content-Aware Re Assembly of FEatures，CARAFE）［20］優(yōu)化了特征融合網(wǎng)絡(luò)，對特征圖的信息進行提取。其主要由上采樣核預(yù)測模塊與特征重組模塊組成，如圖5所示。

Fig.5 Schematic diagram of CARAFE structure圖5 CARAFE結(jié)構(gòu)示意圖

在上采樣核預(yù)測模塊中，假設(shè)輸入特征圖X∈Rc×h×w與上采樣倍率為σ，則該模塊原理為：①利用1×1 卷積將輸入特征圖的通道壓縮至Cm，減少后續(xù)運算中產(chǎn)生的計算量；②內(nèi)容編碼器將壓縮后的特征圖作為輸入，采用kenconder×kenconder的卷積層進行上采樣核預(yù)測，其中上采樣核大小為kup×kup，輸出通道數(shù)為σ2×，上采樣核尺寸為σh×σw×，當(dāng)kup越大時感受野越大，但計算量更大，本文kup取值為3；③采用Softmax 函數(shù)對上采樣核作歸一化處理，使得卷積核的權(quán)重之和為1。

而在特征重組模塊中，針對輸出特征圖中的每個位置，將其映射回輸入特征圖wl′，同時取出以l′為中心，中心點為為l（i，j）的kup×kup區(qū)域N（xl，kup），與預(yù)測出該點的上采樣核作點積，即為輸出值，其中r=kup/2，其公式如式（4）所示。

因此，在YOLOv5 中引入CARAFE 上采用輕量級上采樣方法，可以在較大的圖像特征信息中聚合上下文信息并動態(tài)生成自適應(yīng)內(nèi)核，來自局部區(qū)域中相關(guān)點的信息可以得到更多關(guān)注，同時引入?yún)?shù)較少、計算速度快，在減少模型參數(shù)量和降低計算代價的前提下，較好地捕捉到特征圖內(nèi)容信息，優(yōu)化了特征融合網(wǎng)絡(luò)。

2.3 添加α-IoU激勵因子改進目標(biāo)框損失函數(shù)

YOLOv5 算法通常使用GIoU、DIoU、CIoU［21］計算預(yù)測框和目標(biāo)框的坐標(biāo)誤差，但在實驗過程中發(fā)現(xiàn)，以上3 種損失函數(shù)在小型數(shù)據(jù)集及圖像中存在復(fù)雜噪聲的情況下，會出現(xiàn)定位不精準(zhǔn)問題，從而降低絕緣子檢測的回歸精度。

為解決該問題，本文基于DIoU 損失函數(shù)結(jié)合α-IoU參數(shù)設(shè)計出Lα-DIoU損失函數(shù)，提高預(yù)測框和目標(biāo)框交并比的損失和梯度，從而提高檢測框的回歸精度。因此，絕緣子檢測的損失值由Lα-DIoU預(yù)測框和目標(biāo)框的坐標(biāo)誤差、Lobj目標(biāo)置信度誤差和Lcls分類誤差3 部分組成，計算公式如式（5）所示。

其中，目標(biāo)置信度誤差與分類誤差均使用二進制交叉熵損失函數(shù)進行評價。原始LDIoU計算預(yù)測框和目標(biāo)框的坐標(biāo)誤差，在重疊面積的基礎(chǔ)上增加了目標(biāo)框和預(yù)測框中心點距離與長寬比的影響，通過目標(biāo)框與預(yù)測框之間的歐式距離，使得模型更快收斂。

因此，基于LDIoU引入α-IoU 激勵因子，設(shè)計Lα-DIoU損失函數(shù)以提高檢測模型的收斂速度，其公式如式（6）所示，因為α-IoU 因子中的α＞1時能夠幫助檢測器更快地自適應(yīng)于目標(biāo)中檢測框的交并比，從而提高其相對損失的權(quán)重，更加關(guān)注高交并比的目標(biāo)。

其中，α損失函數(shù)激勵因子參數(shù)，A為目標(biāo)框的面積，B為預(yù)測框的面積，ρ為目標(biāo)框與預(yù)測框中心點的歐氏距離，即圖6 中的l1，c為目標(biāo)框A和預(yù)測框B的最小外接矩形框C的對角線長度，即為圖6中的l2。

Fig.6 Schematic diagram of DIoU principle圖6 DIoU原理示意圖

改進后的Lα-DIoU與原始LDIoU損失函數(shù)對比如圖7 所示，可以看出Lα-DIoU較LDIoU具有更快的收斂速度，且當(dāng)α=2時模型收斂效果最佳，因此本文選取α=2 用于絕緣子缺陷檢測損失函數(shù)計算。

Fig.7 Comparison of loss values between Lα-DIoU and LDIoU圖7 Lα-DIoU與LDIoU損失值比較

3 實驗與結(jié)果分析

3.1 實驗平臺搭建

本文所涉及到的實驗部分均在同一個實驗環(huán)境下完成，實驗平臺包括硬件與軟件兩大部分組成，其具體參數(shù)如表3和表4所示。

Table 4 Specific parameters of software表4 軟件部分具體參數(shù)

3.2 訓(xùn)練過程與參數(shù)設(shè)置

訓(xùn)練過程與參數(shù)設(shè)計分成以下4 個步驟：①初始階段，借助遷移學(xué)習(xí)可以將已經(jīng)訓(xùn)練好的模型權(quán)重遷移到新的模型以幫助新模型訓(xùn)練，采用COCO 數(shù)據(jù)集對YOLOv5模型進行預(yù)訓(xùn)練，從而得到訓(xùn)練后的權(quán)重，在此過程中，設(shè)置批大小為32，訓(xùn)練周期為300 個epoch，初始和最后學(xué)習(xí)率分別為0.01 和0.000 1；②將預(yù)訓(xùn)練權(quán)重遷移至輸電線路航拍絕緣子數(shù)據(jù)集上進行重新訓(xùn)練，其中輸入圖像要求尺寸為640×640×3，訓(xùn)練周期100 個epoch，學(xué)習(xí)率、動量、權(quán)重衰減分別為0.015、0.9 和0.000 4，采用Adam 隨機優(yōu)化算法更新網(wǎng)絡(luò)參數(shù)，使參數(shù)更新不受梯度變化影響，同時啟用早停機制避免訓(xùn)練導(dǎo)致過擬合；③在同等條件下，對其他目標(biāo)檢測算法進行實驗，利用訓(xùn)練獲得的不同檢測模型對同一測試集圖片進行檢測，計算獲得F1-score、mAP、FPS 等性能評價指標(biāo)；④對比分析不同檢測算法模型的評價指標(biāo)，驗證輕量化改進YOLOv5 模型在檢測精度、速度與空間復(fù)雜度上的優(yōu)勢。

3.3 實驗結(jié)果比較分析

為驗證輕量化YOLOv5-GCDNet 算法模型的優(yōu)越性，將其與其他現(xiàn)有主流算法如SSD、Faster R-CNN 進行比較，同時還與現(xiàn)有輕量化YOLOv5 改進算法進行比較，通過mAP、F1-score、FPS 等性能評價指標(biāo)比較算法整體性能。

3.3.1 輕量化模塊驗證實驗

為驗證模型的輕量化效果，在YOLOv5s 檢測模型的基礎(chǔ)上，通過替換不同的輕量化特征提取網(wǎng)絡(luò)，分析模型參數(shù)量、占用內(nèi)存量、計算量對檢測精度（mAP）的影響，其結(jié)果如表5所示。

Table 5 Results of different lightweight improvements表5 不同輕量化改進結(jié)果

分析可知，將特征提取網(wǎng)絡(luò)替換成主流的Mobilen-NetV3 與ShuffleNetV2 網(wǎng)絡(luò)，模型參數(shù)量較YOLOv5-Gconv（將YOLOv5 的普通卷積替換成幻象卷積）方法分別高出1.0M、0.2M，同時檢測精度分別降低3.1%、5.3%。雖然ShuffleNetV2 的計算量比GConv 低2.3G，但mAP 降低顯著。與基礎(chǔ)YOLOv5s 相比，YOLOv5-GConv 雖然mAP 降低了0.5%，但是減少耗費2.9M 的參數(shù)量和7.1G 的浮點計算量，可以平衡參數(shù)量與檢測精度，滿足絕緣子檢測設(shè)備的輕量化需求。

3.3.2 消融實驗

為進一步驗證輕量化YOLOv5-GCDNet 在各種改進方法下的效果，開展消融實驗，如表6 所示。并且，在YOLOv5-GConv 的基礎(chǔ)上，根據(jù)不同改進方法構(gòu)建了另外5種模型，分別為YOLOv5a、YOLOv5b、YOLOv5c、YOLOv5d、YOLOv5e。YOLOv5a 模型為在YOLOv5s 的基礎(chǔ)上優(yōu)化目標(biāo)框損失函數(shù)引入激勵因子α-DIoU；YOLOv5b 模型為在YOLOv5s 的基礎(chǔ)上優(yōu)化特征提取網(wǎng)絡(luò)采用了GCDNet；YOLOv5c 在YOLOv5s 的基礎(chǔ)上引入自適應(yīng)上采樣CARAFE方法；YOLOv5d模型為在YOLOv5s的基礎(chǔ)上引入激勵因子α-DIoU 與GCDNet 特征提取網(wǎng)絡(luò)；YOLOv5e 為在YOLOv5s的基礎(chǔ)上引入激勵因子α-DIoU 及自適應(yīng)上采樣CARAFE方法。

Table 6 Results of different improvement methods表6 不同改進方法的結(jié)果

由表6 消融實驗結(jié)果分析可知，YOLOv5a 模型、YOLOv5b 與YOLOv5c 的mAP 值相較于YOLOv5 網(wǎng)絡(luò)分別上升0.9%、2.3%、1.0%，驗證出引入激勵因子α-DIoU、GCDNet 以及自適應(yīng)上采樣CARAFE 能夠提高模型檢測精度。而通過YOLOv5d 與YOLOv5e 的實驗可以發(fā)現(xiàn)，改進方法的疊加效果并不會帶來模型性能的直接疊加，而是在上一個改進的基礎(chǔ)上小幅度提升，當(dāng)同時采用3 種改進方法獲得的YOLOv5-GCDNet 模型具有最高的檢測精度（為93.6%）與檢測速度（為68FPS）。

3.3.3 不同檢測算法對比實驗

通過將改進后獲得的輕量化檢測模型YOLOv5-GCDNet 與其他主流檢測算法、現(xiàn)有輕量化YOLOv5 改進算法進行性能比較，其具體結(jié)果如表7所示。

Table 7 Results of different detection methods表7 不同檢測算法的結(jié)果

根據(jù)表7 結(jié)果可知，所提YOLOv5-GCDNet 模型的mAP 值最高達93.6，相比于原始YOLOv5s 提高了3.6%，且較其他算法明顯提高。其內(nèi)存消耗只有7.1M，遠低于Faster R-CNN、SSD，且改進后的模型內(nèi)存消耗較YOLOv5s減少了54.2%，同時與現(xiàn)有輕量化YOLOv5 絕緣子掉串檢測算法進行對比，在mAP 相當(dāng)時，本文的內(nèi)存消耗低于其他輕量化YOLOv5 算法，因此適合搭載在絕緣子缺陷邊緣檢測設(shè)備上。以一張航拍輸電線路絕緣子圖像為例，利用不同算法進行檢測，其檢測結(jié)果如圖8 所示。其中，F(xiàn)aster RCNN 與SSD 均不能檢測出絕緣子掉串缺陷，且與YOLOv5 和兩個現(xiàn)在有的輕量化改進算法相比，所提YOLOv5-GCDNet模型檢測絕緣子掉串缺陷的置信度最高。

Fig.8 Detection results of different models圖8 不同模型檢測結(jié)果

針對不同絕緣子檢測方法的空間復(fù)雜度參數(shù)和檢測速度，其對比結(jié)果如圖9 所示?？梢钥闯?，單階目標(biāo)檢測模型的檢測速度（FPS）遠高于兩階目標(biāo)檢測模型Faster RCNN。YOLOv5-GCDNet 的FPS 比最快的YOLOv5s 模型高出14FPS，同時YOLOv5-GCDNet 的參數(shù)量與計算量比YOLOv5s降低3.8M、7.7G，因此滿足實際應(yīng)用的輕量化與實時性要求。

Fig.9 Comparison of complexity and detection speed圖9 復(fù)雜度與檢測速度比較

3.3.4 YOLOv5-GCDNet算法檢測效果

為直觀表現(xiàn)本文所提輕量化YOLOv5-GCDNet 模型對絕緣子缺陷圖像的檢測結(jié)果，本文分別選取復(fù)合絕緣子、陶瓷絕緣體和玻璃絕緣子3 種圖像進行檢測結(jié)果比較，結(jié)果如圖10所示。

Fig.10 Detection results of YOLOv5-GCDNet model圖10 YOLOv5-GCDNet模型檢測結(jié)果

圖10（a）、（c）、（e）表示YOLOv5-GCDNet 模型檢測到3種正常絕緣子，且置信度都能達到90%以上。圖10（a）反映出本文模型針對復(fù)合絕緣子圖像存在一片掉串缺陷，盡管缺陷部分目標(biāo)較小，難以通過肉眼觀察到，但本文模型仍能檢測出且置信度達到92%；而且，本文模型在圖10（d）缺陷陶瓷絕緣子與圖10（f）缺陷玻璃絕緣子圖像中細小的掉串缺陷檢測上，置信度分別達到84%與91%。本文所提輕量化YOLOv5-GCDNet 模型在實際航拍的復(fù)合絕緣子、陶瓷絕緣體和玻璃絕緣子圖像上的缺陷平均精度如表8所示。根據(jù)檢測結(jié)果可知，YOLOv5-GCDNet 模型在絕緣子掉串缺陷檢測上能夠達到較高的檢測精度，有助于巡檢人員檢測絕緣子掉串缺陷。

Table 8 Average detection accuracy of various types of insulator defects表8 各類絕緣子缺陷的平均檢測精度

4 結(jié)語

本文提出一種輕量化YOLOv5-GC 檢測模型并將其用于實現(xiàn)絕緣子掉串缺陷的智能化檢測，可為實時檢測絕緣子掉串缺陷提供技術(shù)參考。通過實驗結(jié)果比較與分析，得出以下結(jié)論：①輕量化YOLOv5-GCDNet 模型的檢測精度mAP 優(yōu)于其他檢測方法，且與原始YOLOv5s 模型相比，該方法的mAP 與F1-score 分別提高了3.3%、0.047，表明所提模型的檢測精度顯著提高；②在絕緣子的檢測時間與復(fù)雜度上，本文所提方法的檢測速度可達68FPS，相比于原始YOLOv5s 的檢測速度提高了14FPS，同時模型參數(shù)量僅為YOLOv5s 的1/2，內(nèi)存消耗量僅占用7.1M，表明所提輕量級模型可應(yīng)用于絕緣子邊緣檢測。

綜上所述，所提輕量化YOLOv5-GCDNet 絕緣子檢測模型能夠為絕緣子的實時檢測作出較大貢獻，并應(yīng)用于邊緣檢測設(shè)備。未來工作中，將側(cè)重于YOLOv5-GCDNet 網(wǎng)絡(luò)的精度優(yōu)化和復(fù)雜環(huán)境下絕緣子的實時缺陷檢測。