基于轻量化YOLOv8的无人机对绝缘子缺陷检测

doi:10.3969/j.issn.1006-2475.2025.07.002

计算机与现代化 ›› 2025, Vol. 0 ›› Issue (07): 9-14.doi: 10.3969/j.issn.1006-2475.2025.07.002

基于轻量化YOLOv8的无人机对绝缘子缺陷检测

（1.上海电机学院机械学院，上海 201306； 2.广州城市理工学院机器人工程学院，广东广州 510800）

出版日期:2025-07-22 发布日期:2025-07-22
作者简介: 作者简介：江志伟（1997—），男，安徽淮北人，硕士研究生，研究方向：深度学习与目标检测，E-mail： 775907678@qq.com；通信作者：傅晓锦（1964—），男，上海人，教授，博士，研究方向：智能优化设计与精益制造，E-mail： fuxj@sdju.edu.cn；陈文彬（1997—），男，浙江永康人，硕士研究生，研究方向：机器视觉与深度学习，E-mail: 253636822@qq.com；江毅晨（2005—），男，安徽淮北人，本科生，研究方向：机器人工程，E-mail: 1427163953@qq.com。
基金资助:
基金项目：上海市自然科学基金资助项目（11ZR1413800）

Insulator Defect Detection by UAV Based on Lightweight YOLOv8

（1. School of Mechanical Engineering， Shanghai Dianji University， Shanghai 201306， China；
2. School of Robot Engineering， Guangzhou City University of Technology， Guangzhou 510800， China）

Online:2025-07-22 Published:2025-07-22

摘要/Abstract

摘要： 摘要：针对复杂背景下绝缘子串以及绝缘子自爆、破损、闪络缺陷尺度不一、小目标因素，导致误检、漏检从而检测精度不高的问题，提出一种CPCW-YOLOv8算法。首先，在主干部分引入轻量级CBAM注意力机制，使模型从通道和空间2个方面增强复杂背景下的绝缘子串以及绝缘子缺陷特征的提取能力；然后，增加小目标检测层，利用多尺度融合增强网络对浅层语义信息的提取，捕捉更多的绝缘子缺陷细节，提高小目标的检测精度。其次，为了能够使模型更加轻量化，构建一种轻量化模块C2f-Faster。最后，将原有CIoU优化为WIoU，加速收敛并提高检测精度。实验结果表明，相对于原始模型，CPCW-YOLOv8参数量降低了12.6百分点，平均精度均值提升了5.2百分点。该网络的提出对电力系统绝缘子缺陷检测提供了一种更高效的方法。

关键词: 关键词：绝缘子检测, 小目标检测, 轻量化模块, 损失函数

Abstract:
Abstract: In order to solve the problems of insulator string and insulator self-explosion， damage， flashover defects in complex background， different scales， small target factors leading to false detection and missed detection， resulting in low detection accuracy， the CPCW-YOLOv8 algorithm is proposed. Firstly， a lightweight CBAM attention mechanism is introduced into the backbone part， so that the model can enhance the extraction ability of insulator strings and insulator defect features in complex backgrounds from both channel and space aspects. Then， the small target detection layer is added， and the multi-scale fusion is used to enhance the extraction of shallow semantic information by the network， so as to capture more details of insulator defects and improve the detection accuracy of small targets. Secondly， in order to make the model more lightweight， a lightweight module C2f-Faster is constructed. Finally， the original CIoU is optimized to WIoU to accelerate convergence and improve the detection accuracy. Experimental results show that compared with the original model， the number of parameters of CPCW-YOLOv8 is reduced by 12.6 precentage points， and the average accuracy is increased by 5.2 precentage points. The proposed network provides a more efficient method for the defect detection of insulators in power systems.

Key words: Key words: insulator detection, small target detection, lightweight modules, loss function

中图分类号:

TP391
TP399

江志伟1, 傅晓锦1, 陈文彬1, 江毅晨2. 基于轻量化YOLOv8的无人机对绝缘子缺陷检测[J]. 计算机与现代化, 2025, 0(07): 9-14.

JIANG Zhiwei1, FU Xiaojin1, CHEN Wenbin1, JIANG Yichen2. Insulator Defect Detection by UAV Based on Lightweight YOLOv8 [J]. Computer and Modernization, 2025, 0(07): 9-14.

参考文献

［1］顾晓东，唐丹宏，黄晓华. 基于深度学习的电网巡检图像缺陷检测与识别［J］. 电力系统保护与控制， 2021，49（5）:91-97.
［2］张新春，曹应平，韩春雨，等. 基于图像处理的输电线路导线表面损伤特征研究［J］. 图学学报， 2018，39（3）:440-447.
［3］赵振兵，蒋志钢，李延旭，等. 输电线路部件视觉缺陷检测综述［J］. 中国图象图形学报， 2021，26（11）:2545-2560.
［4］ PARK K C， MOTAI Y， YOON J R. Acoustic fault detection technique for high-power insulators［J］. IEEE Transactions on Industrial Electronics， 2017，64（12）:9699-9708.
［5］李安. 输电线路导线断股的图像检测方法［D］. 北京:华北电力大学， 2013 .
［6］高文婷，刘越. 面向移动增强现实的实时深度学习目标检测方法综述［J］. 图学学报， 2021，42（4）:525-534.
［7］冯晗，姜勇. 使用改进YOLOv5的变电站绝缘子串检测方法［J］. 智能系统学报， 2023，18（2）:325-332.
［8］臧国强，刘晓莉，徐颖菲，等. 深度学习在电力设备缺陷识别中的应用进展［J］. 电气技术， 2022，23（6）:1-7.
［9］隋宇，宁平凡，牛萍娟，等. 面向架空输电线路的挂载无人机电力巡检技术研究综述［J］. 电网技术， 2021，45（9）:3636-3648.
［10］王卓，王玉静，王庆岩，等. 基于协同深度学习的二阶段绝缘子故障检测方法［J］. 电工技术学报， 2021，36（17）:3594-3604.
［11］ GIRSHICK R. Fast R-CNN［C］// 2015 International Conference on Computer Vision. IEEE， 2015:1440-1448.
［12］ LIU J J， LIU C Y， WU Y Q， et al. Insulators’ identification and missing defect detection in aerial images based on cascaded YOLO models［M］// Computational Intelligence and Neuroscience. Wiley， 2022. DOI: 10.1155/2022/7113765.
［13］王道累，张世恒，袁斌霞，等. 基于改进YOLOv5的轻量化玻璃绝缘子自爆缺陷检测研究［J］. 高电压技术， 2023，49（10）:4382-4390.
［14］宋智伟，黄新波，纪超，等. 基于Flexible YOLOv7的输电线路绝缘子缺陷检测和故障预警方法［J］. 高电压技术， 2023，49（12）:5084-5094.
［15］ WANG C Y， BOCHKOVSKIY A， LIAO H Y M. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2023:7464-7475.
［16］ TONG Z J， CHEN Y H， XU Z W， et al. Wise-IoU: Bounding box regression loss with dynamic focusing mechanism［J］. arXiv preprint arXiv:2301.10051， 2023.
［17］ ARIFANDO R， ETO S， WADA C， et al. Improved YOLOv5-based light weight object detection algorithm for people with visual impairment to detect buses［J］. Applied Sciences， 2023，13（9）: 5802.
［18］ LIN T Y， DOLLAR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2017:936-944.
［19］傅强，卢志伟，潘磊. CC-YOLOv5:改进的YOLOv5用于无人机航拍图像目标检测［J］. 现代计算机， 2023， 29（7）:16-22.
［20］ ZHENG Z H， WANG P， LIU W， et al. Distance-IoU loss: Faster and better learning for bounding box regression［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. AAAI， 2020:12993-13000.
［21］ WOO S， PARK J， LEE J Y， et al. CBAM: Convolutional block attention module［C］// Proceedings of the 15th European Conference on Computer Vision（ECCV 2018）. Springer， 2018:3-19.
［22］祁宣豪，智敏. 图像处理中注意力机制综述［J］. 计算机科学与探索， 2024，18（2）: 345-362.
［23］任书玉，汪晓丁，林晖. 目标检测中注意力机制综述［J/OL］. （2024-04-18）［2024-04-21］. https://doi.org/10.196
78/j.issn.1000-3428.0068553.
［24］ CHEN J R， KAO S H， HE H， et al. Run， don’t walk: Chasing higher FLOPS for faster neural networks［C］// 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2023:12021-12031.
［25］ XIA Z F， PAN X R， SONG S J， et al. Vision Transformer with deformable attention［J］. arXiv preprint arXiv: 2201.
00520， 2022.
［26］ HUANG H， CHEN Z， ZOU Y， et al. Channel prior convolutional attention for medical image segmentation ［J］. Computers in Biology and Medicine， 2024，178:108768
［27］ YANG L X， ZHANG R Y， LI L D， et al. SimAM: A simple， parameter-free attention module for convolutional neural networks［C］// Proceedings of the 38th International Conference on Machine Learning. PMLR， 2021，139:11863-11874.

[1]	柳尧凯, 任德均, 刘重宜, 卢宇东. 面向小目标检测的自适应多维度特征融合网络[J]. 计算机与现代化, 2025, 0(03): 106-112.
[2]	魏学诚1, 江凌云1, 李研2, 何非2. 改进YOLOv5的路侧单目视角小目标检测算法[J]. 计算机与现代化, 2024, 0(10): 27-34.
[3]	孙睿琦1, 窦修超2, 李志华1, 蒋雪梅2, 孙宇豪1. 基于改进YOLOv5的复杂路况密集行人检测方法[J]. 计算机与现代化, 2024, 0(05): 85-91.
[4]	胡睿杰, 车逗. 红外小目标检测方法综述[J]. 计算机与现代化, 2023, 0(08): 79-86.
[5]	邱地发, 于淑芳, 刘锦辉, 毕梦昭. 基于YOLOv5s的遥感图像的车辆小目标检测[J]. 计算机与现代化, 2023, 0(05): 122-126.
[6]	王艺成, 张国良, 张自杰, . 基于改进YOLOv5的小目标检测方法[J]. 计算机与现代化, 2023, 0(05): 100-105.
[7]	彭露露, 朱媛媛, 金文倩, 王笑梅. 基于改进YOLOv4的汽车钢铁零件表面缺陷检测[J]. 计算机与现代化, 2022, 0(09): 32-39.
[8]	程凯强, 张旭, 寇旭鹏. 基于SSD的小目标检测改进算法[J]. 计算机与现代化, 2021, 0(07): 77-82.
[9]	王良玮, 陈梅, 李晖, 李焕军, 施若, 戴震宇. DF-SSD:一种基于反卷积和特征融合的单阶段小目标检测算法[J]. 计算机与现代化, 2021, 0(06): 18-23.
[10]	白士磊, 殷柯欣, 朱建启. 轻量级YOLOv3的交通标志检测算法[J]. 计算机与现代化, 2020, 0(09): 83-88.

基于轻量化YOLOv8的无人机对绝缘子缺陷检测

Insulator Defect Detection by UAV Based on Lightweight YOLOv8

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 10

编辑推荐

Metrics

本文评价