密集特征加权融合网络用于复杂天气下的绝缘子表面缺陷检测

摘要

在电力输电系统的巡检中,由于各种复杂天气的影响,极易导致绝缘子成像出现遮挡、模糊等问题。针对该问题,为更好地反映真实巡检场景,首先采用Albumentations图像增强框架构建了一个包括正常天气、太阳照射、雨天、雾天、雪天等多种复杂气象条件下的绝缘子表面缺陷数据集。其次,基于YOLOv5s模型进行改进,提出了两种深层次的密集特征加权融合颈部网络,以替代原有颈部网络并加强对各种复杂天气下微弱、模糊特征的学习能力。最后,在模型的头部网络中,引入Focal-EfficientIOULoss作为损失函数,以应对由于复杂天气干扰导致的边界框回归正负样本失衡问题。实验表明,当交并比阈值为0.5时,该文所提模型在复杂天气绝缘子数据集中的均值平均精度达到99.3%,同时检测精度和召回率分别达到100%和98.1%。相对于其他检测模型,该模型在各项指标上都表现出良好的性能,能够更好地满足复杂天气下绝缘子表面模糊自爆缺陷的高精度检测任务。