为快速准确地检测输电线路绝缘子缺陷,文中基于改进YOLOv8模型，开展对绝缘子缺陷的智能识别检测。 首先，根据无人机现场航拍图像构建了输电线路图像数据集2300幅;其次，以YOLOv8作为基础模型，采用可形变卷 积AKConv替换模型中的固定卷积，并在特征融合过程中引入坐标注意力（coordinate attention，CA）机制，增强模型对 缺陷特征的自适应性与关注度，同时，在模型训练时引入NWD损失函数，提高了模型对缺陷目标的定位精度;最后， 利用测试集图像对改进后的模型进行测试。结果表明,改进后模型的mAP可达94.66%,相较于原模型提升了2.83%， 将检测结果与SSD、FasterRCNN、YOLOv7等算法模型相比较,验证了所用模型的有效性。
[1] 邱志斌，阮江军，黄道春，等 . 输电线路悬式瓷绝缘子老化形式分析与试验研究[J]. 高电压技术，2016，42（04）∶1259-1267．
[2] QI Y-F，LI Y-M，DU A-Y，et al. Research on an insulator defect detection based on improved YOLOv5[J].Applied Sciences， 2023，13（09）∶5741-5755．
[3] 王思，熊惠敏，胡蕾，等 . 基于改进 YOLOv7的输电线路绝缘子设备及其缺陷检测算法[J]. 江西电力，2024，48（01）∶1-6，20．
[4] 高伟，周宸，郭谋发 . 基于改进YOLOv4及SR-GAN的绝缘子缺陷辨识研究[J]. 电机与控制学报，2021，25（11）∶93-104．
[5] 任欢，苏涛，李朋，等 .基于改进CenterNet的输电线路绝缘子缺陷
检测方法[J/OL].南方电网技术，1-11[2024-11-22].http：//kns. cnki. net/kcms/detail/44.1643.tk.20241111.1354.002.html．
[6] 徐滔 . 基于深度卷积神经网络的航拍绝缘子目标检测方法研究[D]. 成都：西南交通大学，2023．
[7] 李俊轩，邱志斌，石大寨，等 . 基于 X-DR图像与 YOLO-MS模型的输电线路耐张线夹压接缺陷检测[J/OL].南方电网技术，1-10[2024-09-04].http：//kns.cnki. net/kcms/detail/44.1643. TK.2024 0424.1456.004.html．
[8] CHANG R，ZHOU S，ZHANG Y，et al.Research on insulator defect detection based on improved YOLOv7 and multi-UAV cooperative system[J].Coatings，2023，13（05）∶880-897．
[9] 黄新波，高玉菡，张烨，等 . 基于联合分量灰度化算法和深度学习的玻璃绝缘子目标识别算法[J]. 电力自动化设备， 2022，42（04）∶203-209．
[10] 亢洁，王勍，刘文波，等 . 融合 CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测网络[J]. 高电压技术，2023，49（08）∶ 3361-3376．
[11] 李斌，屈璐瑶，朱新山，等 . 基于多尺度特征融合的绝缘子缺陷检测[J]. 电工技术学报，2023，38（01）∶60-70．
[12] REIS D，KUPEC J，HONG J，et al. Real-time flying object detection with YOLOv8[EB/OL].[2023-12-13].http：//arxiv. org/abs/2305.09972．
[13] Q Hou，D Zhou，and J Feng，“Coordinate attention for efficient mobile network design，”in 2021 IEEE/CVF Conf. Comput. Visi. Pattern Recognit（CVPR）. Nashville，TN，USA，2021， pp.13713-13722.
[14] Wang J，Xu C，Yang W，et al.A normalized gaussian wasser- stein dis-tance for tiny object detection. arXiv 2021[J]. arXiv preprint arXiv：2110.13389.
[15] SELVARAJUR R，COGSWELL M，DASA，et al.Grad-CAM： visual explanations from deep networks via gradient-based lo- cal-iza-tion[C]//2017IEEE International Conference on Com- puter Vision（ICCV）.Venice，Italy：IEEE，2017∶618-626.
