基于YOLOV5的轻量型绝缘子缺陷检测算法研究.pdf

C o m m u n i c a t i o n&I n f o r m a t i o n T e c h n o l o g y N o.5.2 0 2 3通信与信息技术2 0 2 3 年第5 期(总第2 6 5 期)基于Y O L O V 5 的轻量型绝缘子缺陷检测算法研究杨龙欢，董效杰，黄施懿，王一帆，高仕红湖北民族大学，湖北恩施4 4 5 0 0 0摘 要：针对绝缘子缺陷检测耗费时间长的问题，提出了一种基于Y O L O V 5 s 绝缘子缺陷检测的改进算法。在保证检测精度的条件下，降低模型复杂度和计算量，提升运行速度。该算法在Y O L O V 5 s 的基础上，将浅层的F u s e d-M B c o n v和深层的M B c o n v 模块代替Y O L O V 5 s 中的特征提取网络，极大地减小了模型的参数量和计算量。B i F P N 替代原有的P A N e t,提升了特征融合能力，保障了检测精度。与Y O L O V 5 s 相比的实验结果表明，该算法在保障检测精度的情况下参数量下降了5 4.2?计算量下降了6 9.8?关键词：绝缘子缺陷检测；Y O L O V 5;E f f i c i e n t N e t V 2中图分类号：T M 7 5 5文献标识码：A文章编号：1 6 7 2-0 1 6 4(2 0 2 3)0 5-0 0 1 3-0 61 引 言输电线路一般由输电导线，线路杆塔，绝缘子，接地装置构成。其中绝缘子是非常重要的组成部件。绝缘子一般由金属和陶瓷黏合而成，它是支撑和固定母线，导线等载流导体，并起到使带电导体之间或者与大地之间有足够的隔离距离，实现绝缘。在电网运行过程中，绝缘子会受到大风，降雨，大雾等天气因素以及绝缘子所处地理环境的影响，绝缘子表面会发生污浊，导致绝缘子发生污闪，从而导致绝缘子的损坏 1。在电网中多次出现因绝缘子不能正常工作而导致线路停电的事故，所以对绝缘子进行定期的排查，具有重要意义。线路巡检分为传统的人工巡检和无人机巡检，无人机巡检是对拍摄的绝缘子高清图片进行识别，判断状态并定位，是目前高效且有用的一种检测方法，可以大大减少人工投入。在图像进行识别领域，C N N(卷积神经网络)具有很大的优势，快且精准。利用C N N 提取目标特征的检测算法可以实现精准的识别和定位 2 。利用智能算法进行目标的快速检测，对线路上受损的设备进行精确的定位与识别，降低电网维护工作的难度，提高工作效率，对保障电网的正常运行有着重要的意义。目前绝缘子缺陷检测算法有F-R C C N(快速-区域卷积神经网络)、Y O L O V 3、Y O L O V 5 s 等，这些算法的模型过大不适宜于布置在嵌入式装备上，为了解决这个检测算法的模型大小问题进而实现电网绝缘子的高效巡检，提出基于Y O L O V 5 s 高效且模型更小的绝缘子缺陷检测算法。利用E f f i c i e n t V 2 中的M B 模块和F-M B 模块代替Y O L O V 5 s 主干网络中特征提取结构中的残差模块 4,使整个网络的参数量和计算量大幅减小，得到一个更小的检测模型。2 目标检测模型2.1 Y O L O 检测算法Y O L O I?I 的核心思想就是将目标检测问题变成一个回归问题，利用整张图片作为输入，仅仅通过一个卷积神经网络模型得到目标的边界框和类别，检测速度比原有的R-C N N(区域卷积神经网络)向系列算法有非常大的提升。在2 0 1 7年，Y O L O 的作者J o s e p h 提出了Y O L O V 2 7 ,解决了Y O L O在召回率(R e c a l l)和定位精度方面的不足。Y O L O V 2 可以适应多种图片大小的输入，在识别精度和速度之间有比较好的平衡。Y O L O V 3 8 是在Y O L O V 2 的基础上又进行了一系列的改进，在特征提取上使用了d a r k n e t-5 3 替代了原有的d a r k n e t-1 9,利用特征金字塔网络结构实现了多尺度检测，收稿日期：2 0 2 3 年1 月1 0 日；修回日期：2 0 2 3 年8 月4 日基金项目：湖北省教育厅科学技术研究计划资助项目(项目编号：B 2 0 1 6 0 9 2)1 3通信与信息技术2 0 2 3 年第5 期(总第2 6 5 期)并且在分类方法上舍弃了s o f t m a x,使用了逻辑回归在保障了检测的准确性上兼顾了实时性。而这些改进带来的性能提升都与骨干网络(b a c k b o n e)有关，这也是后续研究者改进Y O L O 系列算法的核心区域。Y O L O V 3 的灵活性使得它在实际项目中深受研究者的青睐。后续提出的Y O L O V 4 9 1 是在尝试了许多深度学习常用的T r i c k s 后，在基础的Y O L O 上使用了这些技巧。使得在检测速度和精度上进一步地得到了平衡。Y O L O V 5 是在Y O L O V 4 的基础上进一步改进，对比于前代Y O L O 算法，Y O L O V 5 在速度，可部署性等方面有非常大的提升，且在公开数据集P A S C A L V O I 1 0,K a g g l e I,以及C O C O 1 1 2 上表现优异。2.2 Y O L O V 5 s 网络模型Y O L O V 5 s 网络先对图片进行m o s a i c 数据增强，是对图片进行随机缩放，随机裁剪，随机排布等方式对不同的4 张图片进行拼接。通过这种方式，能增强图片里的背景，对提高识别小目标的精确度有很好的作用，同时在后续使用b n处理图片时能一次对4 张图片进行处理。在骨干网络，Y O L O V 5 s 采用了F o c u s 操作如图1 所示。F o c u s 主要是对图片进行切片处理，以Y O L O V 5 s 为例将6 4 0*6 4 0*3 的图片输入该结构，经过切片操作后就会得到3 2 0*3 2 0*1 2 的特征图，在经过一次3 2 个卷积核的卷积操作，就会得到3 2 0*3 2 0*3 2 的特征图，这就是整个网路的输入特征图。见图1。DDBDD图1 F o c u s 操作在特征融合过程中，Y O L O V 5 s 使用了P A N e t l 1 3 (其结构如图2 所示)它是F P N 与P A N 的组合，F P N 是自顶向下的通过上采样的方式进行特征融合得到预测的特征图，P A N 是自底向上的实现了定位信息从浅层向深层进行传递，两者的组合实现了从不同的主干层对不同的检测层进行特征的聚合，这进一步提高了特征提取和融合的能力。P A N e t 的输入是经过特征提取网络后得到特征信息。P 3(P 4P 5P 6P 7图2 P A N e t 结构在头部网路，Y O L O V 5 s 采用了三个不同的输出h e a d,进行多尺度预测。输出端的边界框回归损失函数使用了C I O U 损失函数，这个损失函数不仅关注检测框重叠的区域也会关注不重叠的区域，这解决了无重叠框之间差距而导致无法检测的问题，提升了预测框回归的速度和精度。在检测层采用了S i g m o i d 激活函数，连续且平滑，便于求导。整个Y O L O V 5 s 网络结构如图3 所示。ama nmB o t t l e N e c k 1C-x/C Xa tma ta t=B a o n ds uB o t t e N e c hG 1:1 0*2 5 6 8=8 0 5 6a tG n a t0 40 2U a u m p i eaa a tca n a t8 3C 48 464 0*4 0*5 1 3G n a t国*s0 4U o u r p i eC s n a ts rC0 40*2 1 0 2 4B a d t h e n eN a c kO u t p u t图3 Y O L O V 5 s 结构图3 改进的Y O L O V 5 s3.1 改进后的网络结构基于Y O L O V 5 s 算法，经过特征提取网络结构的改进，使用E f i c i e n t N e t V 2 中的F u s e d-M B c o n v 模块和M B c o n v 替代原网络的特征提取结构，极大减小了参数量和计算量，由此提出新型的Y O L O V 5 s-E 算法。以Y O L O V 5 s-E 为基础在特征金字塔中改变了特征融合的方式，由原来的P A N e t 改为了B i F P N I 1 4 。给予不同的f e a t u r e m a p 以相应的权重值，使不同的f e a t u r e m a p 在特征融合过程的贡献最大，让不同的特征信息更好发挥相应的作用，以此来弥补精度损失，最终得到了最终算法Y O L O V 5 s-E B 算法，结构如图4 所示。mN ew mAG n a t0*waaoa 3wG n u tC 4aMpaG a waN e c k8 4eO u t p a t图4 Y O L O V 5 s-E B 结构1 4运营一线基于Y O L O V 5 的轻量型绝缘子缺陷检测算法研究3.2 特征提取网络的改进Y O L O V 5 的特征提取网络部分的输入通道很大，为了减小模型大小，本文采用E f f i c i e n t N e t V 2 网络替代原有的特征提取网络。该网络结构的输入输出通道很小而卷积核数量大，模型的参数量计算如式(1),其中当C 增大k 倍时，网络模型会增大k 2 倍，而d 增大k 倍时，模型只增加k 倍。通过设置较大卷积核数量而减少输入输出通道数的数量，就可以在保障精度的条件下减小网络模型的大小。由式(1)可知当输入通道或者输出通道增大时模型参数量也会增大。J=d*c m*k 2*c u(1)其中d 代表卷积核的数量，C m 代表输入通道，k 代表卷积核大小，C o u t 代表输出通道。E f f i c i e n t N e t V 2 网络由浅层的F u s e d-M B c o n v 和深层的M B c o n v 组成，其结构如图5 所示。w C m y l 1D e p t h w i s ec o m y 3*3*w*CS EC o n y 1*1u r w cM B C o n vi*w Cc o m*3P w*4 CS Ec o n v 1*1a w cF u s e d-M B C o n v图5 F u s e d-M B C o n v 和M B C o n v 结构F u s e d-M B C o n v 模块将M B C o n v 里的e x p a n s i o n c o n v 1*1和D e p t h w i s e c o n v 3*3 替换成一个普通的C o n v 3*3。在浅层中使用这个模块可以有效地减少参数量和计算量(F L O P s),而如果在深层使用该模块，则会大大增加参数量和计算量，所以合理地采用上述两种模块的搭配就会极大地减少参数量和计算量，而在特征提取效果方面会有所下降，这是因为更改后的特征提取网络会因为精简网络模型丢失一部分特征信息。在后续的改进中会加强特征的融合以提高准确率。E f f i c i e n t N e t V 2 在E f f i c i e n t N e t 1 5 1 的基础上设置F-M B 与M B 模块的搭配。其目的是联合优化精度，参数效率和训练效率。在E f f i c i e n t N e t V 2 原文给出的参数配置的基础上，针对绝缘子缺陷检测进行优化构筑，其具体配置如表1:表1 F u s e d-M B C o n v 与M B C o n v 参数设置模块名通道数模块堆叠次数S E 步距F u s e d-M B C o n vF u s e d-M B C o n vF u s e d-M B C o n vF u s e d-M P C o n vF u s e d-M B C o n vM B C o n vM B C o n vM B C o n vM B C o n vM B C o n vM B C o n v2 44 84 86 46 41 2 81 2 81 6 01 6 02 5 62 5 62333581 40.2 50.2 50.2 50.2 50.2 50.2 522222M B C o n v 模块采用深度可分离卷积 1 6 ,该卷积是一个卷积核负责一个输入通道，即一个通道只被一个卷积核卷积。在特征地图上得到的通道数和输入通道完全一致。该卷积由逐通道卷积(D e p t h w i s e C o n v o l u t i o n)和逐点卷积(P o i n t w i s eC o n v o l u t i o n)构成。该过程如图6 与图7 所示。3 c h a n n e l i n p u tF i l t e r*3M a p*3图6 逐通道卷积M a p*3F i l t e r*3M a p 3图7 逐点卷积该卷积与传统卷积在卷积层参数比为公式(2):w*h*c.+1*1*c m C m11(2)r=+-w*h*c*cw*hC o w在式(2)中可以清楚的看到深度可分离卷积的参数量明显少于传统卷积。在F u s e d-M B C o n v 模块与M B C o n v 模块中采用了S E 注意力机制 1 7 。S E 模块通过使用全局平均池化将特征图压缩成一个1*1*C 的向量。然后将这个向量通过一个激励(E x c i t a t i o n),最后得到的各通道权重向量。再将权重向量与原有的特征向量进行相乘(即s c a l e 操作)。得到最后的输出结果。S E 模块的结构如图8 所示：压缩(s m)1 激励(f x i u m n)1 i c轴入w u 操作出w*C图8 S E 模块结构S E 模块的属性参数量见公式(3):J=2*C*C*S E R(3)计算量见公式(4):J=2*C*C*S E R(4)其中S E R 是一个缩放参数，其目的是减少通道数从而减少参数量计算，总体来说S E 模块会增加网络的参数量。但1 5通信与信息技术2 0 2 3 年第5 期(总第2 6 5 期)是由于使用的是全连接层计算量的增加并不明显，因为对于全连接层是一个一维矩阵与前面的卷积过程的计算量相比是很小的，所以整体计算量的增加并不大。总体来说使用E f f i c i e n t N e t V 2 中的浅层F u s e d-M B c o n v 和深层M B c o n v 的组合替换Y O L O V 5 s 的特征提取网络可以在保障精确度和检测效率的情况下极大地减小模型大小。3.3 N e c k 特征融合的改进Y O L O V 5 的网络中采用F P N 和P A N 联合的P A N e t 特征融合结构，这种组合虽然可以很好地增强网络的特征融合能力，但由于输入P A N 的特征信息全是经过F P N 处理的，这会导致P A N 结构里缺少部分原始的特征信息，进而在缺少特征信息的情况下会导致学习出现偏差，这会减弱网络的检测准确率。为了解决上述结构带来的问题，使用加权双向特征金字塔(B I F P N I 1 6)结构如图9 所示：P 3P 4P 5P 6P 7图9 B i F P N 结构图9 中横向箭头为自顶向下的通路，传递的是高层特征的语义信息，向下的箭头代表底层特征的位置信息，横跨的箭头是同一层和输入结点新加的一条边。与P A N e t 对比，B i F P N 删除了只有一条输入边的节点，在这类节点上没有进行过特征融合，它对网络影响不大。可以进行删除，达到简化网络的作用。添加的紫色部分的是在可以接受的计算量增加的范围内尽可能多地进行特征融合，以求增加准确率。在传统的特征融合的思路中，一般是单纯的f e a t u r e m a p叠加或相加，比如c o n c a t,s h o r t c u t。但是不同的f e a t u r e m a p具有不同的分辨率，他们对特征融合的贡献是不同的，所以在B i F P N 中使用了一种简单高效的加权特征融合机制F a s tn o r m a l i z e d F u s i o n 这种方法类似于s o f t m a x,将范围放缩到 0,1 之间，训练速度快，效率高。如式5 所示。w,*Io=(5)+w,B i F P N 特征融合的具体例子如式(6)(7)所示，以6级的两个特征融合为例：W?*P?+W?*R e s i z e(P i )P d =C o n v(W+W?+E(6)w*F P?+w?*P+w?*R e s i z e (F s )P o u =C o n v(-)(7)w+w+w 1+6其中P 为第6 层中间节点的输入参数，P 为第6 层第一各节点的输入，w 为学习到的参数，也就是各个f e a t u r e m a p的权重，R e s i z e 是上采样或下采样操作，C o n v 是特征处理的卷积操作。总体来说B i F P N 是在P A N e t 的基础上加入了重复双向跨尺度连接的带权重的特征融合机制。4 实验结果与分析4.1 实验数据准备以输供电网上的绝缘子为研究对象，数据集来源于国家电网公开的数据集I n s u l a t o r D a t a S e t,其中包括6 0 0 张正常绝缘子，2 4 8 张合成的缺陷绝缘子，外加6 0 0 张高清的玻璃绝缘子照片，经过数据增强后得到了4 0 0 0 多张绝缘子图片，使用L a b e l l m g 进行标注。并将制作完成的数据集按8:2 的比例分为训练集和验证集。4.2 实验环境与训练方法实验的硬件环境：G P U 为N V I D I A G e F o r c e R T X 3 0 7 0 8 G,内存为1 6 G,C P U 为I n t e l 1 2,i 7-1 2 7 0 0 F。软件环境：W i n d o w s 1 1,P y t h o n 3.8,C U D A?1.3,P y T o r c h 1.8 深度学习框架。为了避免模型陷入局部最优，采用了S G D(S t o c h a s t i cG r a d i e n t D e s c e n t)随机梯度下降优化器，网络的初始学习率为0.0 1,权重衰减为0.0 0 0 5,训练批次(b a t c h)为3 2,总共训练2 0 0 轮。4.3 评价指标为了客观评价改进的Y O L O V 5 s 模型，使用精确率(P r e c i s i o n,P),召回率(R e c a l l,R),平均精度(A v e r a g e P r e c i s i o n,A P),平均精度均值(m A P),以及计算量和参数量进行衡量。精确率(P r e c i s i o n,P):表示当前遍历过的预测框中，模型仅识别相关目标的能力，是正确预测的百分比，见公式(8)。T PP=(8)T P+F P召回率(R e c a l l,R):模型找到所有真值的边界框的能力，见公式(9)。T P(9)R=T P+F N其中T P 是正确的检测框，F P 是误检框，F N 为漏检框。召回率与精确率成反比关系，遍历每个预测框，都可以得到一对P 与R。A P 代表曲线的面积，它是考虑了不同召回率下的准确1 6运营一线基于Y O L O V 5 的轻量型绝缘子缺陷检测算法研究率，见公式(1 0)。A P=P d R(1 0)m A P 表示对全部类别求平均精度，见公式(1 1)。1A Pm A P=(1 1)Ni=14.4 实验结果与对比根据4.2 节中的实验环境与训练方法，对Y O L O V 5 s,Y O L O V 5 s-E,Y O L O V 5 s-E B,以及只添加B i F B N 的Y O L O V 5 s-B 进行训练。并从网络模型的参数量，计算量，精确率，召回率以及m A P 五个方面进行对比。消融实验结果如表2 所示。由表2 可知，改进后的Y O L O V 5 s 模型相对于Y O L O V 5 s 模型在保证精度的基础上，参数量减小了5 4.2 计算量减小了6 9.8?使得模型更适用于嵌入式设备。表2 消融实验参数量/m 计算量/G召回率/?确率/m A P 0.5/%Y O L O V 5 sY O L O V 5 s-EY O L O V 5 s-BY O L O V 5 s-E B7.02.97.13.21 5.94.61 6.64.89 7.09 7.39 6.29 6.89 6.19 3.59 6.99 4.59 8.09 7.49 8.09 7.6图1 0 检测结果通过测试验证，其结果如图1 0 所示，从图中结果可以看出Y O L O V 5 s-E B 模型是一种可行的绝缘子缺陷检测。其中d e f e c t 代表绝缘子缺陷，i n s u l a t e 代表正常绝缘子。5 结论基于改进Y O L O V 5 s 模型的绝缘子检测方法通过使用了浅层的F u s e d-M B c o n v 和深层的M B c o n v 的组合改进特征提取网络，使用B i F P N 替代了P A N e t 特征融合机制，两种改进能够在保证检测精度的情况下使模型更小，更适合在嵌入式装置上布置。参考文献 l J i a n g X L,C h a o Y,Z h a n g Z,e t a l.D C f l a s h o v e r p e r f o r m a n c e a n de f f e c t s o f s h e d s c o n f i g u r a t i o n o n p o l l u t e d a n d i c e-c o v e r e d c o m p o s i t ei n s u l a t o r s a t l o w a t m o s p h e r i c p r e s s u r e J .I E E E t r a n s a c t i o n s o n D i e l e c t r i e sa n d E l e c t r i c a l I n s u l a t i o n,2 0 1 1,1 8(1):9 7-1 0 5.2 卞建鹏，李凡，郝培旭，李亚敏，孙晓云.复杂环境下输电线路绝缘子的破损识别与定位 J .高电压技术，2 0 2 2,4 8(0 2):6 8 1-6 8 8.3 T a n M,L e Q.E f f i c i e n n e t v 2:S m a l l e r m o d e l s a n d f a s t e rt r a i n i n g C .I n t e r n a t i o n a l C o n f e r e n c e o n M a c h i n e L e a r n i n g.P M L R,2 0 2 1:1 0 0 9 6-1 0 1 0 6.4 H e K,Z h a n g X,R e n S,e t a l.D e e p r e s i d u a l l e a r n i n g f o r i m a g er e c o g n i t i o n C .P r o c e e d i n g s o f t h e I E E E c o n f e r e n c e o n c o m p u t e r v i s i o n a n dp a t t e r n r e c o g n i t i o n.2 0 1 6:7 7 0-7 7 8.5 R e d m o n J,D i v v a l a S,G i r s h i c k R,e t a l.Y o u o n l y l o o k o n c e:U n i f i e d,r e a l-t i m e o b j e c t d e t e c t i o n C .P r o c e e d i n g s o f t h e I E E E c o n f e r e n c eo n c o m p u t e r v i s i o n a n d p a t t e r n r e c o g n i t i o n.2 0 1 6:7 7 9-7 8 8.6 G i r s h i c k R,D o n a h u e J,D a r r e l l T,e t a l.R i c h f e a t u r e h i e r a r c h i e s f o ra c c u r a t e o b j e c t d e t e c t i o n a n d s e m a n t i c s e g m e n t a t i o n C .P r o c e e d i n g s o f t h eI E E E c o n f e r e n c e o n c o m p u t e r v i s i o n a n d p a t t e r n r e c o g n i t i o n.2 0 1 4:5 8 0-5 8 7.7 R e d m o n J,F a r h a d i A.Y O L O 9 0 0 0:b e t t e r,f a s t e r,s t r o n g e r C .P r o c e e d i n g s o f t h e I E E E c o n f e r e n c e o n c o m p u t e r v i s i o n a n dp a t t e r n r e c o g n i t i o n.2 0 1 7:7 2 6 3-7 2 7 1.8 R e d m o n J,F a r h a d i A.Y o l o v 3:A n i n e r e m e n t a l i m p r o v e m e n t J .a r X i v p r e p r i n t a r X i v:1 8 0 4.0 2 7 6 7,2 0 1 8.9 B o c h k o v s k i y A,W a n g C Y,L i a o H Y M.Y o l o v 4:O p t i m a l s p e e da n d a c c u r a c y o f o b j e c t d e t e c t i o n J .a r X i v p r e p r i n t a r X i v:2 0 0 4.1 0 9 3 4,2 0 2 0.1 0 J o u l i n A,P a r i s E.F a c e b o o k A I R e s e a r c h J .L e a r n i n g V i s u a lF e a t u r e s f r o m L a r g e W e a k l y S u p e r v i s e d D a t a,2 0 1 5.1 1 G O O G L E.G l o b a l W h e a t D e t e c t i o n E B/O L .(2 0 2 0-0 8-0 5)2 0 2 1-0 8-2 0 .h t t p s:/w w w.k a g g l e.c o m/c/-g l o b a l w h e a t d e t e c t i o n.1 2 L i n T Y,M a i r e M,B e l o n g i e S,e t a l.M i c r o s o f t c o c o:C o m m o no b j e c t s i n c o n t e x t C .E u r o p e a n c o n f e r e n c e o n c o m p u t e r v i s i o n.S p r i n g e r,C h a m,2 0 1 4:7 4 0-7 5 5.1 3 L i u S,Q i L,Q i n H,e t a l.P a t h a g g r e g a t i o n n e t w o r k f o r i n s t a n c es e g m e n t a t i o n C .P r o c e e d i n g s o f t h e I E E E c o n f e r e n c e o n c o m p u t e r v i s i o na n d p a t t e r n r e c o g n i t i o n.2 0 1 8:8 7 5 9-8 7 6 8.1 4 T a n M,P a n g R,L e Q V.E f f i c i e n t d e t:S c a l a b l e a n d e f f i c i e n t o b j e c td e t e c t i o n C .P r o c e e d i n g s o f t h e I E E E/C V F c o n f e r e n c e o n c o m p u t e r v i s i o na n d p a t t e r n r e c o g n i t i o n.2 0 2 0:1 0 7 8 1-1 0 7 9 0.1 5 K o o n c e B.E f f i c i e n t N e t M .C o n v o l u t i o n a l n e u r a l n e t w o r k s w i t hs w i f f o r t e n s o r f l o w.A p r e s s,B e r k e l e y,C A,2 0 2 1:1 0 9-1 2 3.1 6 C h o l l e t F.X c e p t i o n:D e e p l e a r n i n g w i t h d e p t h w i s e s e p a r a b l ec o n v o l u t i o n s C .P r o c e e d i n g s o f t h e I E E E c o n f e r e n c e o n c o m p u t e r v i s i o na n d p a t t e r n r e c o g n i t i o n.2 0 1 7:1 2 5 1-1 2 5 8.1 7 H u J,S h e n L,S u n G.S q u e e z e-a n d-e x c i t a t i o nn e t w o r k s C .P r o c e e d i n g s o f t h e I E E E c o n f e r e n c e o n c o m p u t e r v i s i o n a n dp a t t e r n r e c o g n i t i o n,2 0 1 8:7 1 3 2-7 1 4 1.1 7通信与信息技术2 0 2 3 年第5 期(总第2 6 5 期)作者简介杨龙欢(1 9 9 5 一),男，硕士研究生，主要从事图像处理与识别。董效杰(1 9 7 7 一),男，讲师，主要从事图像处理与识别。黄施懿(1 9 9 8 一),男，硕士研究生，主要从事图像处理与识别。王一帆(1 9 9 8 一),男，硕士研究生，主要从事图像处理与识别。高仕红(1 9 7 1 一),男，副教授，新能源发电与控制、大功率电力电子在电力系统中的应用。R e s e a r c h o n t h e d e f e c t d e t e c t i o n a l g o r i t h m o f l i g h t w e i g h t i n s u l a t o r b a s e d o nY O L O V 5Y A N G L o n g h u a n,D O N G X i a o j i e,H U A N G S h i y i,W A N G Y i f a n,G A O S h i h o n gH u b e i M i n z u U n i v e r s i t y,E n s h i 4 4 5 0 0 0,C h i n aA b s t r a c t:I n t r a n s m i s s i o n l i n e s,i n s u l a t o r s a n d t h e i r d e f e c t s d e t e c t i o n h a v e i m p o r t a n t e n g i n e e r i n g s i g n i f i c a n c e.F o r t h et i m e-c o n s u m i n g i n s u l a t o r d e f e c t d e t e c t i o n p r o b l e m,w e p r o p o s e a n i m p r o v e d a l g o r i t h m b a s e d o n Y O L O V 5 s i n s u l a t o r d e f e c td e t e c t i o n.U n d e r t h e c o n d i t i o n o f e n s u r i n g t h e d e t e c t i o n a c c u r a c y,t h e m o d e l c o m p l e x i t y a n d c a l c u l a t i o n a m o u n t a r e r e d u c e d,a n d t h eo p e r a t i o n s p e e d i s i m p r o v e d.B a s e d o n Y O L O V 5 s,t h e p r o p o s e d a l g o r i t h m r e p l a c e s t h e s h a l l o w F u s e d-M B c o n v a n d t h e d e e pM B c o n v m o d u l e s w i t h t h e f e a t u r e e x t r a c t i o n n e t w o r k i n Y O L O V 5 s,w h i c h g r e a t l y r e d u c e s t h e n u m b e r o f p a r a m e t e r s a n dc o m p u t a t i o n o f t h e m o d e l.B i F P N r e p l a c e s t h e o r i g i n a l P A N e t,w h i c h i m p r o v e s t h e f e a t u r e f u s i o n c a p a b i l i t y a n d e n s u r e s t h ed e t e c t i o n a c c u r a c y.T h e e x p e r i m e n t a l r e s u l t s c o m p a r e d w i t h Y O L O V 5 s s h o w t h a