第３８卷第２期湖北工业大学学报２０２３年０４月Ｖｏｌ．３８Ｎｏ．２ＪｏｕｒｎａｌｏｆＨｕｂｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙＡｐｒ．２０２３■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■［收稿日期］２０２２－０２－１１［第一作者］武明虎（１９７５－），男，湖北巴东人，湖北工业大学教授，研究方向为信号与信息处理［文章编号］１００３－４６８４（２０２３）０２－００１１－０６改进的轻量级ＹＯＬＯｖ４输电线路鸟巢检测方法武明虎，雷常鼎，刘聪（湖北工业大学电气与电子工程学院，湖北武汉４３００６８）［摘要］基于深度学习的输电线路缺陷检测方法往往需要昂贵的硬件支持来实现实时和高精度的技术指标要求，难以大规模推广和普及。针对这一问题，提出一种改进的轻量级ＹＯＬＯｖ４神经网络模型方法。具体的，为提高检测精度，在特征提取网络中增加了轻量级注意力机制；为提高检测速度，选用轻量级Ｍｏｂｉｌｅｎｅｔ－ｖ３网络作为ＹＯＬＯｖ４的骨干网，同时采用了深度可分离卷积代替了传统ＹＯＬＯｖ４模型中的多尺度特征金字塔结构普通卷积。实验结果表明，改进的轻量级ＹＯＬＯｖ４模型能有效检测出输电线路中的鸟巢，平均检测精度（ＡＰ）值达到９７．５６％，相较于ＹＯＬＯｖ４模型提高了１．８０％，检测速度达到ＹＯＬＯｖ３的４５．８倍，是ＹＯＬＯｖ４的５６．６倍，具有较强的实际应用价值。［关键词］深度学习；缺陷检测；ＹＯＬＯｖ４；注意力机制［中图分类号］ＴＰ３９１．４［文献标识码］Ａ高压输电线路多处于深山、林区、旷野等环境保护良好、水源丰富、鸟类活动频繁的区域，鸟类经常会在输电线路的杆塔或绝缘子上方筑巢而形成鸟害，严重威胁输电线路的安全运行，定期清除高压输电线路的鸟巢非常重要。高压输电线路地域复杂，人工检测非常不便，随着电网建设的扩大，新型的无人机巡检方式逐步取代人工巡检。目前输电线路缺陷检测方法包括传统的图像处理和基于深度学习两类方法，传统的图像处理方法［１－３］缺乏鲁棒性、仅能识别和定位一种部件。随着深度学习运用在线路检测中，基于深度学习输电线路检测领域也取得了一系列成果［４－１０］，然而目前基于深度学习的输电线路缺陷检测模型的参数量和计算量比较大，检测速度较慢。针对上述问题，本文提出一种改进的轻量级卷积神经网络ＹＯＬＯｖ４模型。针对ＹＯＬＯｖ４在自...
