基于YOLOv5的双主干网络绝缘子缺陷检测算法

doi:10.3969/j.issn.1006-2475.2025.08.012

摘要/Abstract

摘要： 摘要：当前的绝缘子缺陷检测算法存在特征提取不够充分、小目标检测效果差、算法整体的性能不平衡等问题。针对上述问题，本文提出一种基于YOLOv5的双主干网络绝缘子缺陷检测算法。首先，本文设计一种新型适用于YOLOv5的双主干特征提取网络GELAN-Ghost，该模块在保持轻量化的同时可以更加充分地提取特征信息；其次，利用倒置残差结构的思想，在算法的颈部网络部分中设计一种即插即用的高效多尺度注意力模块iEMA；最后，设计一种新型动态检测头DynamicHeadv3替代原有的检测头，以提取更丰富的特征并增强模型的感知能力。实验结果表明，改进后的模型精度提升了1.4百分点，参数量和计算量分别下降了46%和33%，检测速度也得到了一定的提升，性能达到了较好的平衡，更符合无人机和边缘端绝缘子缺陷检测的需求。

关键词: 关键词：绝缘子缺陷检测, YOLOv5, 双主干网络, iEMA注意力机制, 动态检测头

Abstract:
Abstract： The current insulator defect detection algorithm has problems such as insufficient feature extraction， poor small target detection effect， and unbalanced overall algorithm performance. To address the above problems， this paper proposes a dual-trunk network insulator defect detection algorithm based on YOLOv5. Firstly， this paper designs a new dual-trunk feature extraction network GELAN-Ghost suitable for YOLOv5. This module can more fully extract feature information while maintaining lightweight. Secondly， using the idea of inverted residual structure， a plug-and-play efficient multi-scale attention module iEMA is designed in the neck network part of the algorithm. Finally， a new dynamic detection head DynamicHeadv3 is designed to replace the original detection head to extract richer features and enhance the perception ability of the model. The experimental results show that the improved model has an accuracy improvement of 1.4 percentage points， a parameter amount and a computational amount reduced by 46% and 33% respectively， and the detection speed has also been improved to a certain extent. The performance has achieved a good balance， which is more in line with the needs of drone and edge insulator defect detection.

Key words: Key words： insulator defect detection, YOLOv5, dual-backbone network, iEMA attention mechanism, dynamic detection head

中图分类号:

中图分类号：TP391

高莉莎1, 彭国政2, 王翀1, 韩硕1, 项楠1, 张启哲2, 朱跃飞3, 程旭3. 基于YOLOv5的双主干网络绝缘子缺陷检测算法[J]. 计算机与现代化, 2025, 0(08): 82-88.

GAO Lisha1, PENG Guozheng2, WANG Chong1, HAN Shuo1, XIANG Nan1, ZHANG Qizhe2, ZHU Yuefei3, CHENG Xu3. Dual-backbone Network Insulator Defect Detection Algorithm Based on YOLOv5[J]. Computer and Modernization, 2025, 0(08): 82-88.

参考文献

［1］张瑶，王傲寒，张宏. 中国智能电网发展综述［J］. 电力系统保护与控制， 2021，49（5）：180-187.
［2］汤明文，戴礼豪，林朝辉，等. 无人机在电力线路巡视中的应用［J］. 中国电力， 2013，46（3）：35-38.
［3］ GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2014：580-587.
［4］ GIRSHICK R. Fast R-CNN［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. IEEE， 2015：1440-1448.
［5］ REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks［J］. Proceedings of the 29th International Conference on Neural Information Processing Systems. ACM， 2015，1：91-99.
［6］ LIU W， ANGUELOV D， ERHAN D， et al. SSD： Single shot multibox detector［C］// 14th European Conference on Computer Vision. Springer， 2016：21-37.
［7］林航，耿多飞，于浩，等. 基于双模型的输电线绝缘子自爆检测算法［J］. 计算机与现代化， 2022（7）：15-20.
［8］ REDMON J， FARHADI A. YOLOv3： An incremental improvement［J］. arXiv preprint arXiv：1804.02767， 2018.
［9］ LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2017：936-944.
［10］ ZHENG Z H， WANG P， REN D W， et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation［J］. IEEE Transactions on Cybernetics， 2022，52（8）：8574-8586.
［11］冯世凯，陈千. 基于改进YOLOv4的轻量化玻璃绝缘子缺陷检测［J］. 计算机仿真， 2024，41（1）：116-122.
［12］ HOWARD A， SANDLER M， CHEN B， et al. Searching for MobileNetV3［C］// 2019 IEEE/CVF International Conference on Computer Vision （ICCV）. IEEE， 2020：1314-1324.
［13］ BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： Optimal speed and accuracy of object detection［J］. arXiv preprint arXiv：2004.10934， 2020.
［14］谢静，杜耀文，刘志坚，等. 基于轻量化改进型YOLOv5s的可见光绝缘子缺陷检测算法［J］. 电网技术， 2023，47（12）：5273-5283.
［15］ 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）. Springer， 2018：3-19.
［16］ VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］// Proceedings of the 31st International Conference on neural information processing systems. ACM， 2017：6000-6010.
［17］ WANG C Y， YEH I H， LIAO H Y M. YOLOv9： Learning what you want to learn using programmable gradient information［J］. arXiv preprint arXiv：2402.13616， 2024.
［18］ HAN K， WANG Y H， TIAN Q， et al. GhostNet： More features from cheap operations［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2020：1577-1586.
［19］ SANDLER M， HOWARD A， ZHU M L， et al. MobileNetV2： Inverted residuals and linear bottlenecks［C］// Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2018：4510-4520.
［20］ OUYANG D L， HE S， ZHANG G Z， et al. Efficient multi-scale attention module with cross-spatial learning［C］// ICASSP 2023-2023 IEEE International Conference on Acoustics， Speech and Signal Processing（ICASSP）. IEEE， 2023. DOI： 10.1109/ICASSP49357.2023.10096516.
［21］ WANG W H， DAI J F， CHEN Z， et al. InternImage： Exploring large-scale vision foundation models with deformable convolutions［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2023：14408-14419.
［22］ DAI X Y， CHEN Y P， XIAO B， et al. Dynamic head： Unifying object detection heads with attentions［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2021：7369-7378.
［23］ WANG Q L， WU B G， ZHU P F， et al. ECA-Net： Efficient channel attention for deep convolutional neural networks［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2020：11531-11539.
［24］ SELVARAJU R R， COGSWELL M， DAS A， et al. Grad-CAM： Visual explanations from deep networks via gradient-based localization［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. IEEE， 2017：618-626.
［25］ TAN M X， PANG R M， LE Q V. EfficientDet： Scalable and efficient object detection［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2020：10778-10787.
［26］ 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.
［27］ WANG A， CHEN H， LIU L H， et al. YOLOv10： Real-time end-to-end object detection［J］. arXiv preprint arXiv：2405.14458， 2024.
［28］ EPRI. Insulator Defect Image Dataset -Version 1.1［DS/OL］. （2020-02-07）［2024-07-07］. https：//www.epri.com/
research/products/000000003002017949.
［29］ TAO X， ZHANG D P， WANG Z H， et al. Detection of power line insulator defects using aerial images analyzed with convolutional neural networks［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2020，50（4）：1486-1498.

[1]	孙毅博, 牟莉. 基于深度学习的无人机航拍违建识别算法[J]. 计算机与现代化, 2025, 0(06): 65-70.
[2]	庄瑜, 傅晓锦, 李莎, 吴峥. 基于XMB-YOLOv5s的无人机小目标检测[J]. 计算机与现代化, 2025, 0(04): 29-35.
[3]	王鹏1, 倪彬1, 郭壮壮1, 张书盛1, 王志1, 蔡润楷2. 基于改进YOLOv5的架空线路关键部件典型缺陷识别[J]. 计算机与现代化, 2025, 0(02): 114-120.
[4]	王涛1, 2, 黄丹1, 2, 刘禅奕1, 2, 朱桃1, 2. 基于YOLOv5s的无人机图像车辆检测[J]. 计算机与现代化, 2024, 0(08): 108-113.
[5]	郑尚坡1, 陈德富1, 李坚利2, 林国贤2, 王星平3. 基于改进YOLOv5s和DeepSORT的行人跟踪算法[J]. 计算机与现代化, 2024, 0(08): 54-58.
[6]	庞梅, 汪珙, 詹泳, 黄哲法. 基于YOLOv5改进算法的海洋水下垃圾检测方法[J]. 计算机与现代化, 2024, 0(07): 120-126.
[7]	王志波, 马晗, 冯锦梁, 刘国名. 基于CE-YOLOv5s的安全帽检测算法[J]. 计算机与现代化, 2024, 0(04): 55-59.
[8]	张嘉琪, 徐啟蕾. 基于NAM-YOLO网络的苹果缺陷检测算法[J]. 计算机与现代化, 2023, 0(10): 53-58.
[9]	罗伟, 刘思远, 徐健祥, 董天培. 基于改进YOLOv5s的太阳能电池缺陷检测算法[J]. 计算机与现代化, 2023, 0(07): 119-126.
[10]	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.
[11]	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.
[12]	汤浩威, 姚军财, 姚聪颖, 孙颖, 裴星懿, 宋春晓. 基于改进YOLOv5的输电线路多目标检测[J]. 计算机与现代化, 2023, 0(02): 78-82.
[13]	王洪义, 孔梅梅, 徐荣青. 基于改进YOLOV5的火焰检测算法[J]. 计算机与现代化, 2023, 0(01): 103-107.
[14]	焦新泉, 李睿康, 陈建军. 基于改进的MoCo的遥感图像目标检测[J]. 计算机与现代化, 2022, 0(12): 88-94.
[15]	王梦, 张鸿鑫, 刘庆华, 张东. 基于改进YOLOv5的幽门螺杆菌免疫印迹图像识别[J]. 计算机与现代化, 2022, 0(09): 78-84.