基于YOLOv5改进的增强不典型特征的轻量化网络，对巡检修补机器人进行优化，能否提升检测准确度？ 高压架空输电线路在电力系统中起着举足轻重的作用，保障高压架空输电线路的供电可靠性至关重要。部署于巡检修补机器人上的图像识别算法，可以对架空导线上的缺陷进行检测，因此能快速且准确地识别出架空导线上缺陷的算法，具有一定的研究意义和实用价值。 2020年，有科研人员提出了一种改进Canny算法的边缘跟踪方法，对输电线路的断股缺陷进行检测，该方法能够直观地对断股缺陷进行定位。 2021年，某技术团队提出改进YOLOV3网络运用于输电线路缺陷检测，引入SPP模块，并进行轻量化处理，最终性能提升25%。 本篇文章提出一种基于YOLOv5的改进算法：增强不典型特征网络，对架空导线断股、散股缺陷进行分类检测。同时为了让EAFPN效果最大化，提出高效特征提取网络，利用SE注意力机制过滤噪声信息，有效提升检测准确度。 YOLOv5算法属于单阶段的目标检测网络，具有检测精度高、检测速度快等优点，使得其在工程部署方面成为可能，其整体为3个部分：骨干网络、颈部网络和预测网络，YOLOv5算法的模型结构图见下图1。 针对YOLOv5对架空导线断股和散股分类检测速度较慢、精度较低的问题，本篇文章做出如下改进，改进网络见下图2。 GSConv由标准卷积(SC)、深度可分离卷积(DSC)和通道混洗操作(shuffle)所组成的卷积模块，其核心思想是通过shuffle操作，把SC提取的特征信息渗透到DSC所生成的信息的每个部分中，见下图3。 VoV-GSCSP是采用一次聚合的方法设计的跨阶段部分网络模块，其结构见下图4，这种跨阶段的结构与残差结构相似，可以加深网络深度和非线性。该模块推理速度快，易于部署于实际应用中。 本篇文章在YOLOv5中FPN结构的基础上，提出增强不典型特征金字塔网络(EAFPN)，将浅层中分辨率为20×20的特征层和中层中分辨率为20×20的特征层的信息，通过进一步地提取融合到深层网络里，使深层网络具有更加丰富的位置信息以及融合更多特征信息。 EAFPN结构见下图5，中层网络中由于骨干网络后引入注意力机制对特征提取已经十分丰富，则只经过一层卷积层提取特征融合进深层网络。 EAFPN结构中多层特征图的融合会造成噪声信息的多次混叠，使最终的特征图中存在较多的噪声信息干扰有效信息，不能最大限度发挥EAFPN结构丰富深层网络目标位置信息和语义信息的优势。针对该问题，我们提出一种高效特征提取网络(EFEN)，见下图6。 训练过程中部分指标图见下图7，随着训练轮数的增加，总损失不断减小并趋于平滑，这说明对于模型训练达到了预期效果，其中总损失是分类损失、目标损失以及定位损失求和。 在训练结果中，YOLOv5训练得到的总体准确率为86.6%，而EAFYOLO则为91.9%，总体上升5.3%。YOLOv5与EAFYOLO训练结果中断股准确率提升1.3%，而散股准确率则提升了9.3%，并提升到了90%以上，这对实际缺陷检测的正确性有较大的提升。 为了验证本篇文章EAFYOLO中每一个改进的有效性，对每一步改进进行消融实验，文中4个改进则进行四组消融实验，分别与YOLOv5进行对比。由实验数据可得，通过逐步地改进，使得EAFYOLO对于检测架空导线断股和散股缺陷，这两种不典型特征的效果优于YOLOv5。 为直观比较EAFYOLO相比YOLOv5的优越性，我们借助项目提供的巡检修补机器人见下图8，进行缺陷图片采集。将机器人装置安装在实验用导线上拍摄导线缺陷图片，并用EAFYOLO和YOLOv5在相同硬件环境下对拍摄的缺陷图片进行检测。 从结果也可看出同种缺陷情况多种多样，具有不典型性，YOLOv5检测情况不稳定，且均比较差。而EAFYOLO不仅检测情况稳定，并且检测效果有明显提升，这也证明EAFYOLO对于检测导线断股和散股缺陷这类不典型特征的泛化能力强。 算法鲁棒性指算法在具有在干扰环境下能够正常工作的能力，巡检修补机器人在实时巡检中，存在光照变化的问题，使待检图片的曝光度不同。为了验证本篇文章EAFYOLO算法对曝光度具有一定鲁棒性，将原始图片分别降低曝光度和增加曝光度进行检测，结果见下图9。 结果表明，曝光度对实际检测影响不大，证明了我们提出的EAFYOLO算法对曝光度具有一定鲁棒性，能满足实际检测的要求。 本篇文章针对目前主流目标检测算法，对架空导线断股和散股检测速度较慢、检测精度较低的问题，自制相关数据集，并选择YOLOv5算法进行改进，提出适用于架空导线断股和散股检测的模型EAFYOLO。