中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1672-1098（2025）02-0010-09

引文格式：.輕量級(jí)YOLOv8的絕緣子缺陷檢測(cè)算法[J].安徽理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2025，45（2） ：10-18.

Insulator Defect Detection Algorithm for the Lightweight YOLOv8 ZHOU Mengran，CAI Wentao，LAI Wenhao

ScholfElectricalandInformationEnginering，Anui UniversityofScienceandTechnolog，HuainanAnui32O，China）

Abstract：Objective To address isses such as low detection accuracy，prolonged detection time，and frequent missed or 1 detections in insulator defect detection methods，an improved detection approach based on YOLOv8 was proposed. Methods First，a lightweight bidirectional feature pyramid lightweight network （BiFPN） was introduced to enhance multi ?- scale feature fusion while reducing computational complexity. Second，the detection head was redesigned by replacing the original convolutions with two re-parameterized convolutions，enabling richer and more complex feature extraction，thereby improving training eficiency and model generalization.Finally，the original lossfunction（CIoU）was replaced with MPDIoU to optimize bounding box regression and enhance detectionaccuracy.Results Experimental results demonstrated that compared to theoriginal model，the improved algorithm reduced computational load by 27.2% ，decreased parameters by 41.2% ，increased FPS by 81.8% ，and improved mAP by 3.2% . Conclusion The proposed method successfully enhanced detection accuracy while maintaining model lightweightness，meeting the practical requirements for insulator defect detection.

Key words ： insulator;defect detection;lightweight; detection head ;loss function

在電力系統(tǒng)中，絕緣子作為電氣設(shè)備的重要組成部分，起著將電力線路導(dǎo)線與支架、橫擔(dān)等接地構(gòu)件隔離的重要作用[1]。然而，由于環(huán)境的惡劣條件以及長(zhǎng)期的運(yùn)行，絕緣子易受到各種外界因素的影響，例如風(fēng)吹雨打、污染物沉積等，從而導(dǎo)致絕緣子表面產(chǎn)生裂紋、污穢和破損等缺陷，進(jìn)而影響其絕緣性能，甚至引發(fā)設(shè)備故障和事故，給電網(wǎng)運(yùn)行安全帶來(lái)嚴(yán)重隱患[2]。因此，對(duì)絕緣子的及時(shí)、準(zhǔn)確的缺陷檢測(cè)顯得尤為重要。傳統(tǒng)的絕緣子缺陷檢測(cè)方法主要依靠人工巡檢，存在效率低、成本高、易受主觀因素影響等問(wèn)題，無(wú)法滿足電力系統(tǒng)對(duì)快速、精準(zhǔn)缺陷檢測(cè)的需求[3]。隨著計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)技術(shù)的不斷發(fā)展，基于圖像處理和深度學(xué)習(xí)的自動(dòng)化缺陷檢測(cè)方法逐漸成為了研究熱點(diǎn)[4] 。

近年來(lái)，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了顯著的進(jìn)展，其中以YOLO（YouOnlyLookOnce）系列算法為代表的單階段目標(biāo)檢測(cè)算法由于實(shí)時(shí)性和高效性而備受關(guān)注[5]文獻(xiàn)[6]通過(guò)采用深度可分離卷積和改進(jìn)的特征融合模塊以及知識(shí)蒸餾，實(shí)現(xiàn)了參數(shù)量以及計(jì)算量的減少，但是實(shí)時(shí)幀率不高。文獻(xiàn)[7]提出了一種基于多尺度密集自適應(yīng)感知的方法，提高了網(wǎng)絡(luò)對(duì)不同尺度絕緣子圖像的檢測(cè)效果，但是檢測(cè)速度比較慢不符合輕量化模型的要求。文獻(xiàn)[8]采用了一種光照校正和補(bǔ)償?shù)膱D像增強(qiáng)方法先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理再進(jìn)行缺陷檢測(cè)，取得了不錯(cuò)的效果但是耗時(shí)較久。文獻(xiàn)[9]基于FasterR-CNN提出了兩種方法，分別是ExactR-CNN、CME-CNN，這兩種方法都能有效地提高檢測(cè)精度，但尚未實(shí)現(xiàn)將這些方法在嵌入式硬件平臺(tái)上以低成本方式實(shí)現(xiàn)。文獻(xiàn)[10]改進(jìn)了ResNeSt網(wǎng)絡(luò)，成功地提高了檢測(cè)精度，但是檢測(cè)速度較慢，未能滿足絕緣子缺陷檢測(cè)的實(shí)時(shí)性要求。盡管之前的研究在提高檢測(cè)準(zhǔn)確性方面取得了極大的進(jìn)展，但它們未能有效兼顧到模型的輕量化問(wèn)題。

為解決絕緣子缺陷檢測(cè)的精度和模型輕量化不能兼顧的問(wèn)題，本文基于改進(jìn)的YOLOv8算法，針對(duì)絕緣子缺陷檢測(cè)的特點(diǎn)，提出了一種輕量型的絕緣子缺陷檢測(cè)模型。通過(guò)對(duì)原始模型的頸部網(wǎng)絡(luò)進(jìn)行修改、重新設(shè)計(jì)更高效的檢測(cè)頭，并采用不同的損失函數(shù)對(duì)YOLOv8算法進(jìn)行優(yōu)化和改進(jìn)并針對(duì)絕緣子缺陷的特點(diǎn)進(jìn)行了有效的適應(yīng)性調(diào)整，從而實(shí)現(xiàn)了對(duì)絕緣子缺陷的快速、準(zhǔn)確檢測(cè)

1 YOLOv8模型

YOLOv8是YOLO（YouOnlyLookOnce）目標(biāo)檢測(cè)算法的優(yōu)秀研究成果之一，它是一種高效的實(shí)時(shí)目標(biāo)檢測(cè)算法。YOLOv8有5個(gè)不同大小的模型，分別是 Y O L O v 8 n ＼ 、 Y O L O v 8 s ＼_ Y O L O v 8 m ＼_ Y O L O v 8 l 和YOLOv8x，從小到大依次增加，模型越大，檢測(cè)效果越好，但參數(shù)量、運(yùn)行速度和訓(xùn)練資源消耗也相應(yīng)增加[11]。YOLOv8總體模型結(jié)構(gòu)如圖1所示。

YOLOv8模型由主干網(wǎng)絡(luò)（Backbone）、頸部網(wǎng)絡(luò)（Neck）和頭部網(wǎng)絡(luò)（Head）3部分組成[12]。主干網(wǎng)絡(luò)使用重復(fù)的Conv模塊和C2f模塊以及SP-PF模塊，Conv模塊用于逐層提取圖像特征，增強(qiáng)模型對(duì)目標(biāo)的識(shí)別和定位能力；C2f模塊分割和融合特征圖，提高檢測(cè)性能：SPPF模塊通過(guò)空間金字塔池化增強(qiáng)特征提取能力。頸部網(wǎng)絡(luò)結(jié)合了PAN-

FPN的思想，通過(guò)自頂向下的連接以及C2f模塊的優(yōu)化，實(shí)現(xiàn)了不同尺度特征的融合和提升，從而顯著增強(qiáng)了模型對(duì)于不同尺寸和類別目標(biāo)的檢測(cè)能力，提高了檢測(cè)精度和魯棒性[13]。YOLOv8 的頭部網(wǎng)絡(luò)采用目前主流的解耦頭結(jié)構(gòu)（Decoupled-Head），通過(guò)將分類和回歸任務(wù)分開(kāi)處理，使得模型能夠更有效地學(xué)習(xí)目標(biāo)的類別和位置信息，結(jié)合正樣本分配策略（Task-AlignedAssigner）和優(yōu)化的損失函數(shù)設(shè)計(jì)，以提高檢測(cè)精度和整體性能[14] 。

2 輕量級(jí) ΥOLOv8n 改進(jìn)模型

面對(duì)航拍圖像下絕緣子的缺陷部分目標(biāo)較小、背景復(fù)雜以及原始 ΥOLOv8n 存在精度低、計(jì)算參數(shù)量大的問(wèn)題，設(shè)計(jì)了輕量級(jí)YOLOv8n-BEM（BiFPN + Efficient-Detect + MPDIoU）絕緣子缺陷檢測(cè)算法?！拜p量級(jí)”指的是一種更為高效的算法，在保證一定準(zhǔn)確度的前提下，減少了模型的復(fù)雜度和參數(shù)量，并做出了以下改進(jìn)：

（1）引入BiFPN雙向特征金字塔結(jié)構(gòu)，促進(jìn)了多尺度融合并且減少了參數(shù)計(jì)算量；（2）對(duì)檢測(cè)頭進(jìn)行設(shè)計(jì)，引人輕量化檢測(cè)頭，提高了模型精度并且進(jìn)一步降低參數(shù)計(jì)算量;（3）將損失函數(shù)修改為MPDIoU（MinimumPointDistancebasedIoU），提高目標(biāo)檢測(cè)模型的性能。改進(jìn)后的總體模型結(jié)構(gòu)如圖2所示。

2.1BiFPN雙向特征金字塔結(jié)構(gòu)

1）FPNYOLOv8頸部采用了 FPN（FeaturePyramidNetwork）架構(gòu)。FPN是一種用于目標(biāo)檢測(cè)和語(yǔ)義分割任務(wù)的特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)。FPN首先通過(guò)一個(gè)常規(guī)的卷積神經(jīng)網(wǎng)絡(luò)來(lái)提取圖像的特征，然后引入了一個(gè)自頂向下的路徑，最后通過(guò)上采樣和降采樣操作來(lái)生成多尺度的特征圖，提高模型對(duì)不同尺度目標(biāo)的感知能力和檢測(cè)精度[15]FPN的信息傳遞示意圖如圖3（a）所示

2）BiFPN BiFPN（Bidirectional Feature Pyra-midNetwork）是對(duì)FPN結(jié)構(gòu)的改進(jìn)，主要針對(duì)FPN在特征融合和信息傳遞方面的一些不足，提出了一些改進(jìn)和優(yōu)化。BiFPN引入了雙向的特征傳遞機(jī)制，即不僅考慮自頂向下的特征傳遞，還考慮了自底向上的特征傳遞[16]。這種結(jié)構(gòu)可以更好地促進(jìn)不同層級(jí)特征之間的信息流動(dòng)和融合，提高了模型對(duì)目標(biāo)的感知能力。BiFPN采用了動(dòng)態(tài)的特征權(quán)重計(jì)算方式，根據(jù)特征圖的自適應(yīng)性調(diào)整特征融合時(shí)的權(quán)重。此設(shè)計(jì)能夠更好地適應(yīng)不同尺度下特征的變化和目標(biāo)的分布情況，提高了模型的適應(yīng)性和泛化能力。BiFPN的信息傳遞示意圖如圖3（b）所示。

由圖3可知，在FPN中，信息傳輸是單向的，即自頂向下。而在BiFPN中，傳輸方式是雙向的。BiFPN不僅包括自頂向下的路徑，還包括自底向上的路徑。除了從高層到低層的信息傳遞外，BiFPN還通過(guò)自底向上的路徑傳遞信息，以便從高層到低層進(jìn)行特征融合。這種雙向信息傳遞有助于更好地捕獲多尺度特征，并提高目標(biāo)檢測(cè)的性能。

2.2 Efficient-Detect

原始的YOLOv8模型Detect模塊中，Detect的結(jié)構(gòu)如圖4所示，其中包含兩個(gè)分支，分別通過(guò)兩個(gè) 3×3 的卷積和一個(gè) 1×1 的二維卷積來(lái)提取信息，最后分別結(jié)算框回歸損失（Bbox.Loss）和類別分類損失（Cls.Loss）。

為了提高檢測(cè)頭的計(jì)算效率并且降低模型的參數(shù)量，本文結(jié)合重參數(shù)卷積RepConv的思想設(shè)計(jì)了Efficient-Detect 模塊。ED（Efficient-Detect）模塊的結(jié)構(gòu)如圖5所示。在ED模塊中，舍棄了兩條分支的2個(gè) 3×3 的conv并且在主網(wǎng)絡(luò)添加了2個(gè) 3×3 的RepConv。

RepConv采用了復(fù)雜的卷積核設(shè)計(jì)和多次卷積操作，以擴(kuò)大感受野，從而有效捕捉更為豐富和復(fù)雜的特征信息。并且RepConv可以有效地減少模型的參數(shù)量，這有助于降低模型的復(fù)雜度和計(jì)算成本，同時(shí)提高模型的訓(xùn)練效率和泛化能力。Rep-Conv的結(jié)構(gòu)如圖6所示，

2.3 改進(jìn)的損失函數(shù)

損失函數(shù)可以用來(lái)衡量模型預(yù)測(cè)與實(shí)際觀察之間的差異，指導(dǎo)模型參數(shù)優(yōu)化，并幫助處理數(shù)據(jù)不平衡和過(guò)擬合問(wèn)題。IoU（Intersection overU-nion）是目標(biāo)檢測(cè)和圖像分割領(lǐng)域中常用的預(yù)測(cè)框損失評(píng)價(jià)指標(biāo)，用于衡量?jī)蓚€(gè)框之間的重疊程度，其概念源自數(shù)學(xué)中集合論的概念，用于描述兩個(gè)集合A與B之間的關(guān)系[17]。其公式如下

在YOLOv8 模型中，采用CIoU（Complete Inter-section over Union）作為其損失函數(shù)[18]。CIoU 是一種改進(jìn)的IoU指標(biāo)。其公式及其邊界框損失公式分別如下：

式中， c 是代表在預(yù)測(cè)框和現(xiàn)實(shí)框之間形成的最小矩形的對(duì)角線位置； b 和 b^gt 分別代表了預(yù)測(cè)框和現(xiàn)實(shí)框的中間位置 _?ρ 是計(jì)算預(yù)測(cè)框與實(shí)際框中心點(diǎn)之間的歐氏距離的平衡函數(shù)； v 表示了預(yù)測(cè)框與實(shí)際框之間的質(zhì)量差； α 是平衡損失函數(shù)中不同部分的平均權(quán)重。

相比于原先的CloU，MPDIU具有更好地反映預(yù)測(cè)框與真實(shí)框之間差異的能力，有助于提高邊界框回歸損失的優(yōu)化效果。MPDIoU損失公式如下

式中， d₁ 和 d₂ 分別代表預(yù)測(cè)框與真實(shí)框左上角點(diǎn)和右下角點(diǎn)坐標(biāo)之間差值的平方和，即這兩個(gè)點(diǎn)之間的歐氏距離的平方。 h 表示輸入圖像的高度和寬度； ω 則表示輸人圖像的寬度

3 試驗(yàn)設(shè)計(jì)與結(jié)果分析

3.1 數(shù)據(jù)集

本文數(shù)據(jù)集由公共數(shù)據(jù)集和自制數(shù)據(jù)集兩個(gè)部分所構(gòu)成。其中公共數(shù)據(jù)集來(lái)自我國(guó)的電力絕緣子數(shù)據(jù)集，里面包含600張正常絕緣子圖片和248張合成的殘缺絕緣子圖片。自制數(shù)據(jù)集，從網(wǎng)上及現(xiàn)場(chǎng)通過(guò)無(wú)人機(jī)拍攝采集了488張絕緣子殘缺圖像，并通過(guò)翻轉(zhuǎn)、平移、加噪聲等的方法進(jìn)一步擴(kuò)展至1688張，兩部分合計(jì)為2536張。本文使用labe-ling標(biāo)記工具來(lái)對(duì)融合后的數(shù)據(jù)集進(jìn)行標(biāo)注并將數(shù)據(jù)集按照 7：2：1 的比例分為訓(xùn)練集，測(cè)試集和驗(yàn)證集。由于試驗(yàn)需要，本文對(duì)數(shù)據(jù)集的類別進(jìn)行重新劃分，分別為正常絕緣子（insulator）、合成的缺陷絕緣子（defect）、破損（damage）、閃絡(luò)缺陷（flashover）以及防震錘（hammer）5個(gè)類別。

3.2 數(shù)值實(shí)驗(yàn)及參數(shù)配置

本文所有數(shù)值實(shí)驗(yàn)都是在基于windows1164位操作系統(tǒng)下進(jìn)行的，訓(xùn)練環(huán)境參數(shù)配置如表1所示。在訓(xùn)練模型過(guò)程中設(shè)置參數(shù)，輸入圖像尺寸為640×640 ，訓(xùn)練輪數(shù)epochs為150，batch為16。

3.3 評(píng)價(jià)指標(biāo)

為了客觀評(píng)估絕緣子缺陷檢測(cè)模型的性能，本研究采用了一系列評(píng)價(jià)指標(biāo)，包括查準(zhǔn)率（Preci-sion，P）、召回率（Recall，R）、平均精度均值（MeanAveragePrecision，mAP）模型參數(shù)量（Params）、浮點(diǎn)運(yùn)算次數(shù)（FLOPs）以及每秒檢測(cè)幀率（FramePer Second，F(xiàn)PS）[19]。通過(guò)這些指標(biāo)的綜合分析，評(píng)估所提出的檢測(cè)模型在實(shí)際絕緣子缺陷檢測(cè)任務(wù)中的有效性。P、R以及mAP的計(jì)算公如下：

式中，TP表示分類器正確地將正樣本識(shí)別為正樣本的情況；TN表示分類器正確地將負(fù)樣本識(shí)別為負(fù)樣本的情況；FP表示分類器錯(cuò)誤地將負(fù)樣本識(shí)別為正樣本的情況：FN表示分類器錯(cuò)誤地將正樣本識(shí)別為負(fù)樣本的情況[20]。

3.4 消融試驗(yàn)

為了評(píng)估不同模塊對(duì)目標(biāo)檢測(cè)性能的影響。本文在原數(shù)據(jù)集上設(shè)計(jì)了消融試驗(yàn)分別驗(yàn)證3個(gè)改進(jìn)模塊的功能與作用。消融試驗(yàn)結(jié)果如表2所示

由表2可得，Method1為 Υ_OLOv8n 基線模型Method2使用了BiFPN雙向特征金字塔結(jié)構(gòu)替換頸部網(wǎng)絡(luò)，相較于基線模型，mAP提升了 1.4% ，計(jì)算量和參數(shù)量分別降低了 12.3%.33.9% 并且FPS提高了 76.4% ，這表明使用BiFPN模型在可以在保證提點(diǎn)的同時(shí)大幅減少模型的參數(shù)量以及運(yùn)算速度并且顯著提高了檢測(cè)速度。Method3使用了ED模塊替換了原本的檢測(cè)頭，雖然計(jì)算量和參數(shù)量沒(méi)有顯著提升，但mAP提升了 1.6% 并且FPS提高了

66.6% ，這表明ED模塊在提升檢測(cè)精度以及檢測(cè)速度方面有著良好的效果。Method4使用了MP-DIoU損失函數(shù)替換了原本的CIoU，可以看到mAP值提升了 2.7% 并且檢測(cè)速度也是大幅提高。Method5同時(shí)使用了BiFPN結(jié)構(gòu)和ED模塊，相比于Method2和3，mAP值進(jìn)一步提高，并且計(jì)算量和參數(shù)量大幅下降，在保證模型輕量化的同時(shí)進(jìn)一步提升了檢測(cè)速度。Method6同時(shí)使用了BiFPN結(jié)構(gòu)和MPDIoU損失函數(shù)，相比于Method2和4，檢測(cè)速度得到了提升。Method7同時(shí)使用了ED模塊和MPDIoU損失函數(shù)，相比于Method3和4，檢測(cè)精度得到了大幅提升。Method8使用了BiFPN結(jié)構(gòu)、ED 模塊以及 MPDIoU損失函數(shù)，相比于YOLOv8n ，mAP提升了 3.2% ，計(jì)算量和參數(shù)量分別降低了 27.2% 和 41.2% 并且FPS 提高了 81.8% 。

綜上所述，本文提出的模型表現(xiàn)出的性能最出色。該模型在做到輕量化的同時(shí)還能擁有較高的檢測(cè)精度。

3.5 損失函數(shù)對(duì)比試驗(yàn)

本文使用了MPDIoU損失函數(shù)替換了原本的CIoU。為了驗(yàn)證不同的損失函數(shù)對(duì)模型的影響，引入了經(jīng)典IoU損失函數(shù)進(jìn)行對(duì)比試驗(yàn)。試驗(yàn)結(jié)果如表3所示。

由表3可得，MPDIoU損失函數(shù)效果最好。相比于CIoU，MPDIoU在mAP、P、R以及檢測(cè)速度均得到了大幅提升。這說(shuō)明引入MPDIoU損失函數(shù)可以大幅提高模型的檢測(cè)精度。

3.6 不同模型對(duì)比試驗(yàn)

為了進(jìn)一步驗(yàn)證本文算法YOLOv8n-BEM的性能，在本文使用的數(shù)據(jù)集基礎(chǔ)上對(duì)當(dāng)前主流目標(biāo)檢測(cè)模型進(jìn)行試驗(yàn)對(duì)比。試驗(yàn)結(jié)果如表4所示。

由表4可得，雖然YOLOv3算法和YOLOv7算法在檢測(cè)精度方面取得較高的數(shù)值，但它們的計(jì)算速度較慢，且占用的存儲(chǔ)空間較大，不符合試驗(yàn)的要求。YOLOv8n-BEM算法在檢測(cè)精度、檢測(cè)速度、參數(shù)量和計(jì)算量等方面綜合表現(xiàn)優(yōu)于其他算法

綜上所述，YOLOv8n-BEM算法不僅具備較高的檢測(cè)精度和較快的檢測(cè)速度，而且滿足輕量化模型的需求，因此適合在嵌入式設(shè)備上進(jìn)行部署，為實(shí)際應(yīng)用提供了良好的支持。

3.7 圖像檢測(cè)效果分析

為了更直觀地驗(yàn)證本文模型的性能，使用了原算法和改進(jìn)后的算法在相同的測(cè)試集上進(jìn)行測(cè)試。部分測(cè)試結(jié)果如圖7所示，

由圖7可知，YOLOv8n模型在改進(jìn)之前存在著準(zhǔn)確度不高、漏檢和誤檢等問(wèn)題，特別是在小目標(biāo)類別的檢測(cè)方面表現(xiàn)較為不足。由圖7（a）和圖7（b）可知，insulator類別的精度從0.92提升到了0.94，提升了約 2.17% ;而defect類別的精度則從0.83提升到了0.86，提升了約 3.61% 。由圖7（c）和圖7（d）可知，改進(jìn)前的圖像存在誤檢現(xiàn)象，模型錯(cuò)誤地將某些非缺陷區(qū)域識(shí)別為缺陷，而在改進(jìn)后的圖像中，這些誤檢現(xiàn)象得到了有效修復(fù)。由圖7（e）和圖7（f）可知，改進(jìn)前的圖像存在漏檢現(xiàn)象，模型未能識(shí)別出圖像中的某些真實(shí)缺陷，這種漏檢問(wèn)題在改進(jìn)后的圖像中得到了顯著改善。綜合以上情況，經(jīng)過(guò)改進(jìn)的YOLOv8n-BEM模型在檢測(cè)效果上表現(xiàn)出明顯的優(yōu)勢(shì)。該模型不僅顯著提升了各個(gè)目標(biāo)的檢測(cè)精度，還有效地解決了漏檢和誤檢等問(wèn)題。此外，通過(guò)優(yōu)化邊框尺寸，該模型實(shí)現(xiàn)了更精準(zhǔn)的自標(biāo)匹配，從而進(jìn)一步提高了匹配效果綜上所述，可以得出改進(jìn)后的YOLOv8n-BEM模型在性能方面更為突出，更適合滿足實(shí)際應(yīng)用需求。

4結(jié)論與展望

本文提出了一種新的輕量化絕緣子缺陷檢測(cè)算法YOLOv8n-BEM。結(jié)果表明，該模型顯著提高了多尺度特征融合效果、檢測(cè)精度和計(jì)算效率，相較于其他主流網(wǎng)絡(luò)模型，YOLOv8n-BEM不僅在整體性能上表現(xiàn)優(yōu)異，而且在平均精度和實(shí)時(shí)檢測(cè)速度上取得了突破，分別達(dá)到 90% 和303幀/s。這些成果不僅補(bǔ)充和發(fā)展了絕緣子缺陷檢測(cè)的研究，也為輕量化目標(biāo)檢測(cè)模型在實(shí)際工程中的應(yīng)用提供了理論支持。

盡管YOLOv8n-BEM在絕緣子缺陷檢測(cè)中取得了顯著成果，但仍存在一些不足之處。一方面，模型在不同場(chǎng)景下的通用性和魯棒性需要進(jìn)一步驗(yàn)證。另一方面，雖然引入了多種改進(jìn)，但在某些復(fù)雜環(huán)境中，模型的檢測(cè)精度和穩(wěn)定性可能仍然受限。未來(lái)研究可以探索更先進(jìn)的特征融合方法和優(yōu)化策略，進(jìn)一步提升模型的檢測(cè)能力和適應(yīng)性，

參考文獻(xiàn)：

[1] 呂志寧.輸電線路常見(jiàn)故障分析與檢測(cè)方法綜述[J].自動(dòng)化與儀器儀表，20201（1）：161-164.

[2] 江渺，姜昀芃，盧明，等.復(fù)合絕緣子表面自然積污顆粒的粒徑分布規(guī)律及機(jī)理研究[J].高壓電器，2021，57（12） ：17-24.

[3] 張梅，齊至家，何盼霞.改進(jìn)YOLOv5的絕緣子缺陷檢測(cè)算法[J].安徽理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，43（4）：10-18.

[4] 周雨軒，周文彬，李小麗，等.飛機(jī)蒙皮缺陷自動(dòng)化檢測(cè)研究進(jìn)展[J].航空制造技術(shù)，2023，66（22）：69-77.

[5] 王素珍，趙霖，邵明偉，等.基于改進(jìn)YOLOv5的輸電線路絕緣子識(shí)別方法［J].電子測(cè)量技術(shù)，2022，45（21）：181-188.

[6] WANGT，ZHAIY，LIY，et al.Insulator DefectDetec-tion Based on ML-YOLOv5 Algorithm[J]. Sensors，2023，24（1） ：204.

[7] HUY，WENB，YEY，etal.Multi-DefectDetectionNetwork for High-Voltage Insulators Based on AdaptiveMulti-Attention Fusion[J].Applied Sciences，2O23，13（24） ：13351.

[8]LI Y，NI M，LU Y. Insulator defect detection for powergrid based on light correction enhancement and YOLOv5model[J]. Energy Reports，2022，8： 807-814.

[9]WEN Q，LUO Z，CHEN R，et al. Deep learning approa-ches on defect detection in high resolution aerial imagesof insulators[J].Sensors，2021，21（4） ：1033.

[10]WANG S，LIU Y，QING Y，et al. Detection of insulatordefects with improved ResNeSt and region proposal net-work[J]. IEEE Access，2020，8：184 841-184 850.

[11］李松，史濤，井方科.改進(jìn) YOLOv8的道路損傷檢測(cè)算法[J].計(jì)算機(jī)工程與應(yīng)用，2023，59（23）：165-174.

[12]LIU P，XING W，MA Y.MCR-YOLO model for underwa-ter target detection based on multi-color spatial features[J]. Optoelectronics Letters，2024，20（5） ：313-320.

[13］張果，陳逃，王劍平，等.輕量化的PCB表面缺陷檢測(cè)算法研究[J].北京郵電大學(xué)學(xué)報(bào)，2024，47（2）：1-7.

［14］高大化，賀昱，董宇波，等.面向高光譜圖像的目標(biāo)檢測(cè)研究[J].航天返回與遙感，2023，44（6）：45-56.

[15]SUGASHINI T，BALAKRISHNAN G. YOLO glass ：video-based smart object detection using squeeze andattention YOLO network[J]. Signal，Image and VideoProcessing，2024，18（3） ：2 105-2 115.

[16]LI A， ZHAO Y，ZHENG Z. Novel Recursive BiFPNCombining with Swin Transformer for Wildland FireSmoke Detection[J].Forests，2022，13（12） ：2032.

［17］辛彥，吳國(guó)新，左云波.基于 EfficientDet 的風(fēng)機(jī)葉片缺陷檢測(cè)方法[J].電子測(cè)量技術(shù)，2022，45（5）：124-131.

[18]WANG A，CAO X，LU L，et al. Design of efficient hu-man head statistics system in the large-angle overloo-king scene[J]. Electronics，2021，10（15） ：1851.

[19]CHEN W，HUANG H，PENG S，et al. YOLO-face： areal- time face detector[J]. The Visual Computer，2021，37：805-813.

[20]CHEN B，WANG X，BAO Q，et al. An unsafe behaviordetection method based on improved YOLO framework[J].Electronics，2022，11（12） ：1912.

（責(zé)任編輯：丁 寒）