读论文：SOD-YOLO:高压输电线上小目标的高精度检测-CSDN博客

本文链接：https://blog.csdn.net/a44267113/article/details/148452790

标题:
作者:
原文地址：

文章目录

==Abstract==
==Introduction==
==贡献==
==综述==
==总结==
==未来展望==

Abstract

线夹和防振锤是高压输电线路的关键部件。无人机电力巡检中检测到的线夹和防振锤尺寸小、边缘信息少、识别准确率低。针对这些问题，提出一种基于YOLOv8n的小目标检测模型，称为SOD-YOLO。首先，YOLOv8增加了一个额外的小目标检测层，显著提高了小目标检测精度。此外，为了提高模型的检测速度，引入了RepVGG/RepConv ShuffleNet (RCS)和一次聚合RCS (RCSOSA)模块来代替模型主干和颈部浅层网络中的C2f模块。最后，针对模型训练过程中对低质量样本包围盒的过度关注，引入Wise-CIoU损失代替CIoU损失，提高了模型的检测精度。实验结果表明，SOD-YOLO实现了90.1%的平均精度，超过YOLOv8n基线模型7.5%，同时保持了3.4 M的模型参数计数；推理速度达到88.7帧/秒，满足实时识别的要求。

Index Term——YOLOv8；小目标检测；线夹；防震锤

Introduction

贡献

现有模型存在检测精度和速度不能同时平衡的问题：

一方面，两阶段目标检测方法不能充分捕获具有浅层特征的小目标，其推理速度仍具挑战性；
另一方面，第一阶段目标检测方法中多尺度融合效果不佳，导致模型识别小目标的准确率较低；
无人机巡检图像中的小目标检测效果也经常收到复杂背景的影响。

为此，本文介绍了一种基于YOLOv8n的改进网络SOD-YOLO。它的主要贡献如下：

为了提高对小目标的探测能力，小物体检测层SODL加入到YOLOv8n中，获得不同比例的特征图，并进行多比例特征提取和融合；
通过将RCSOSA模块集成到模型当中来提高模型识别的准确性和速度；
设计了WIoU-CloU损失来在报吃推理速度和模型参数的情况下，有效降低了低质量样本的有害梯度，提高了模型的检测精度。

综述

方法

在这里插入图片描述

模型架构：
1）在SOD-YOLO模型中加入了一个小目标检测层。通过融合浅层和深层特征，并在浅层特征图后增加探测头，增强了对小目标的敏感性，显著提高了模型的探测精度。
2）在SOD-YOLO模型的主干和颈部的浅层网络中加入RCSOSA模块，取代原有的C2f模块，提高模型的推理速度和小目标识别准确率。
3）为了解决低质量样本的问题，设计了Wise-CIoU边界框损失函数，该方法引入了一种梯度增益分配的策略方法，旨在减轻表现优异的锚帧之间的竞争，同时最小化低质量样本对梯度的负面影响。
Wise-CIoU：该方法的改进主要有以下两点：
1） 双层注意力：
问题：由于传统 CIoU 损失函数会均等对待所有预测框，这会导致高质量的预测框会导致过拟合的情况，而低质量预测框产生较大误导梯度，扰乱优化方向。
改进方法：引入了一个新的变量对 IoU 的滑动平均处理，表示预测框与真实框的长期拟合情况；
意义：一方面通过 CIoU对不匹配的框进行惩罚；一方面通过 IoU对长期表现差的样本降低其影响力。
2） 非单调动态聚焦机制：
问题：传统的损失函数通过“单调聚焦”强化难例学习，但在目标检测中，这可能会放大低质量预测框的负面影响。
改进方法：通过计算每个预测框的“异常程度”，动态调整它对模型训练的影响力：预测太差或太好时影响都较小，只有那些中等质量、还有进步空间的预测框才会被重点关注，从而引导模型更高效地学习、避免被低质量样本干扰。
意义：区别对待不同质量的预测框，防止低质量样本产生误导性的强梯度；动态响应训练过程中的 IoU 状态，实时调整训练焦点；实现“抑制差、引导中、稳健高”的训练策略，更好地拟合复杂场景，尤其适合小目标检测。

实验

数据集：实验数据来自国家电网浙江公司，通过无人机拍摄高压输电铁塔采集了3376张输电线路巡检图像；
小目标定义：根据目标包围盒面积与图像平方面积之比，当小于0.03时，定义小目标；
评价指标：
1）表示正样本正确识别在模型判别为正样本的数量中比例的精度§；
2）表示模型中正确识别正样本占全部正样本比例召回率®；
3）表示不同召回率下平均精度的平均精度(AP)；
4）表示每个类别AP的平均值的平均平均精度(mAP)；
5）表示计算量的千兆浮点运算(GFLOPs)
实验结果：

很明显，SOD-YOLO模型在准确度表现出优异的性能。而且它的推理速度和计算量也得到了保证。

消融实验：为了验证SODL、RCSOSA和Wise-CIoU在SOD-YOLO模型中的有效性，进行了消融实验：

可以看出：

SODL模块的增加增加了对数据集中小目标的敏感性
RCSOSA模块可以显著降低推理阶段的内存占用和计算量；
Wise-CIoU损失在不改变模型参数数量、计算量和检测速度的情况下，提高了模型检测的精度

结果可视化：

从图8a、b可以看出，原始图像中分别有12个和11个目标，目标分布集中，检测难度较大。在YOLOv8n中有一个脱靶防震锤，而在SOD-YOLO中所有目标都被探测到。

在这里插入图片描述

在图8c的原图中，有六个目标，两个防震锤距离拍摄位置较远，像素信息很少，目标模糊。YOLOv8n中探测到5个目标，有2个脱靶和1个误探测目标防震锤，而SOD-YOLO中探测到的都是目标。

此外，SOD-YOLO检测到的目标包围盒更加完整，包含了整个目标，目标的可信度也大大提高。

与其他模型对比：为了展示SODYOLO算法的泛化能力和优越性能，本文的算法与当前先进的算法在VisDrone2019数据集上使用与上述相同的训练超参数进行了比较。实验结果如下表所示：

表4清楚地显示，我们的SOD-YOLO模型在VisDrone验证集上的映射在所有类别中都优于其他好模型，

基于上述实验结果，很明显，与其他模型相比，SOD-YOLO在微小目标检测中具有更好的检测性能。在本文的数据集上，mAP为90.1%，FPS达到88.7，满足了小目标实时检测的要求。

总结

本文以输电线路安全运行为目标，构建了高压铁塔下无人机巡检航拍数据集，共3376幅RGB图像。提出了一种适用于输电线路的SOD-YOLO小目标检测模型。为了增强模型从小目标中提取特征的能力，我们最初在YOLOv8n模型中引入了专用的小对象检测层，通过结合浅层和深层网络特征，提高了模型的检测精度。然后，RCSOSA模块被并入以取代主干和颈部的浅网络中的C2f模块。该模块在推理阶段采用简单的单分支结构，减少了模型的计算量，显著提高了模型识别速度。最后，为了进一步提高模型检测精度，用Wise-CIoU损失代替CIoU损失。损失函数通过为不同样本分配适当的梯度增益，有效地解决了数据集中低质量样本的问题。这一增强改进了模型回归边界框的能力。实验结果证明了SOD-YOLO模型的优良性能。