基于改進YOLOv5s的架空線路絕緣子串破損檢測算法研究

基于改進YOLOv5s的架空線路絕緣子串破損檢測算法研究目錄1.內(nèi)容描述................................................2

1.1研究背景及意義.......................................3

1.2相關(guān)工作綜述.........................................4

1.3研究目標與方法......................................4

2.架空線路絕緣子串破損及檢測需求..........................6

2.1架空線路絕緣子串破損類型.............................7

2.2破損檢測的必要性及挑戰(zhàn)...............................8

2.3目前檢測方法及不足..................................10

3.改進YOLOv5s算法方案....................................11

3.1YOLOv5s模型架構(gòu)介紹.................................12

3.2改進方案設(shè)計........................................13

3.2.1特征提取網(wǎng)絡(luò)優(yōu)化................................14

3.2.2損失函數(shù)改進....................................15

3.2.3數(shù)據(jù)增強策略研究................................16

3.3實現(xiàn)細節(jié)............................................18

4.實驗設(shè)計與結(jié)果分析....................................19

4.1數(shù)據(jù)集及預(yù)處理......................................21

4.2模型訓練及調(diào)參.....................................23

4.3檢測性能指標........................................24

4.3.1平均精準率(mAP).................................25

4.3.2召回率(Recall)..................................26

4.4結(jié)果對比分析........................................27

5.討論與展望.............................................29

5.1改進算法的優(yōu)勢與局限性..............................30

5.2未來研究方向.......................................32

5.2.1深度學習模型架構(gòu)優(yōu)化............................33

5.2.2多模態(tài)數(shù)據(jù)融合..................................35

5.2.3移動端部署......................................371.內(nèi)容描述背景分析：首先，對架空線路絕緣子串破損檢測的重要性及其所面臨的挑戰(zhàn)進行闡述，分析現(xiàn)有檢測方法的優(yōu)缺點。YOLOv5s算法基礎(chǔ)：詳細介紹YOLOv5s算法的原理和架構(gòu)，分析其應(yīng)用于絕緣子串破損檢測的潛在優(yōu)勢。算法改進策略：提出針對YOLOv5s算法的改進策略，包括網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化、損失函數(shù)調(diào)整以及訓練策略的創(chuàng)新等，以適應(yīng)絕緣子串破損檢測的復雜環(huán)境和需求。實驗設(shè)計與實施：設(shè)計合理的實驗方案，選擇適合的架空線路絕緣子串圖像數(shù)據(jù)集，對所提出的改進算法進行訓練和驗證，通過對比實驗評估算法的準確性、實時性和魯棒性。結(jié)果分析：對實驗結(jié)果進行深入分析，探討改進后的YOLOv5s算法在絕緣子串破損檢測中的性能表現(xiàn)，并對比其他檢測方法。實際應(yīng)用前景展望：根據(jù)研究結(jié)果，探討改進后的算法在實際架空線路絕緣子串破損檢測中的潛在應(yīng)用價值和推廣前景。本研究旨在通過改進YOLOv5s算法，提高架空線路絕緣子串破損檢測的準確性和效率，為電力系統(tǒng)的安全運行提供有力支持。1.1研究背景及意義隨著國家電力工業(yè)的飛速發(fā)展，架空線路作為電力輸送的重要通道，其安全性和穩(wěn)定性至關(guān)重要。在長期的運行過程中，架空線路絕緣子串難免會出現(xiàn)破損、老化等問題，這些問題不僅會影響線路的正常運行，還可能引發(fā)電力事故，給人民生命財產(chǎn)安全帶來嚴重威脅。傳統(tǒng)的絕緣子串破損檢測方法主要依賴于人工巡檢和地面儀器檢測，這些方法存在效率低、誤報率高、受天氣影響大等局限性。開發(fā)一種高效、準確、可靠的架空線路絕緣子串破損檢測算法具有重要的現(xiàn)實意義和工程應(yīng)用價值。YOLOv5s作為一種先進的目標檢測算法，在圖像識別、目標檢測等領(lǐng)域表現(xiàn)出色。現(xiàn)有的YOLOv5s算法在處理架空線路絕緣子串破損檢測這種特定場景時，仍存在一定的局限性。模型對絕緣子串的細節(jié)特征提取不夠充分，容易出現(xiàn)漏檢或誤檢的情況。本研究旨在基于改進YOLOv5s的架構(gòu)，針對架空線路絕緣子串的特點進行優(yōu)化和改進，以提高破損檢測的準確率和效率。通過本研究，我們期望能夠為架空線路絕緣子串破損檢測提供一種新的解決方案，為電力系統(tǒng)的安全運行提供有力保障。該算法還可應(yīng)用于其他類似場景的目標檢測任務(wù)，具有一定的通用性和可擴展性。1.2相關(guān)工作綜述隨著電力系統(tǒng)的不斷發(fā)展，架空線路的絕緣子串破損檢測顯得尤為重要。傳統(tǒng)的方法主要依賴于人工巡檢和定期維護，這種方法不僅耗時耗力，而且難以實現(xiàn)對架空線路的全面監(jiān)控?；谟嬎銠C視覺和深度學習的方法在架空線路絕緣子串破損檢測領(lǐng)域取得了顯著的進展。YOLOv5s作為一種輕量級的實時目標檢測算法，已經(jīng)在多個領(lǐng)域取得了良好的效果。將YOLOv5s應(yīng)用于架空線路絕緣子串破損檢測仍然面臨一些挑戰(zhàn)，如光照變化、遮擋、小目標檢測等問題。為了解決這些問題，本文提出了一種基于改進YOLOv5s的架空線路絕緣子串破損檢測算法。針對光照變化問題，我們采用了數(shù)據(jù)增強技術(shù)，通過旋轉(zhuǎn)、縮放、翻轉(zhuǎn)等操作生成更多的訓練樣本。針對遮擋問題，我們采用了多任務(wù)學習的思想，訓練一個模型來預(yù)測絕緣子串的完整程度。針對小目標檢測問題，我們采用了分層特征融合的方法，提高了模型對小目標的檢測能力。本文的研究為架空線路絕緣子串破損檢測提供了一種有效的解決方案，有望為電力系統(tǒng)的安全運行提供有力保障。1.3研究目標與方法本研究的目的是開發(fā)并驗證一種基于改進后的YOLOv5s目標檢測算法的架空線路絕緣子串破損檢測方法。通過改進YOLOv5s模型，我們旨在提高其對架空線路中絕緣子串破損的檢測精度、速度和魯棒性。研究的目標包括：數(shù)據(jù)集開發(fā)與預(yù)處理：構(gòu)建包含絕緣子串破損圖像及其標簽的數(shù)據(jù)集，并對數(shù)據(jù)進行預(yù)處理，比如歸一化尺寸、隨機縮放、翻轉(zhuǎn)等，以增強模型的泛化能力。模型改進：針對YOLOv5s算法，探索和實施不同的改進措施，如采用更深的骨干網(wǎng)絡(luò)、改進的IOU損失函數(shù)、自適應(yīng)的泊松重采樣策略等，以提高模型在識別和檢測破損絕緣子串時的性能。性能評估：在搭建的絕緣子串破損檢測模型上進行性能評估，包括精準度（precision）、召回率（recall）、F1分數(shù)和mAP（meanAveragePrecision）等指標。對比測試：與現(xiàn)有架空線路絕緣子串檢測算法和方法進行性能對比，展示改進后YOLOv5s算法在復雜環(huán)境下的優(yōu)越性。實際應(yīng)用驗證：在實際架空線路中進行現(xiàn)場測試，驗證改進算法在真實環(huán)境下的準確性和實用性。收集和整理架空線路絕緣子串破損圖像，構(gòu)建一個全面且具有代表性的數(shù)據(jù)集。使用Python編程語言和TensorFlow框架進行模型的訓練與測試。利用TensorBoard等工具監(jiān)控模型的訓練過程，并進行參數(shù)調(diào)整。在多個公共數(shù)據(jù)集上進行模型的預(yù)驗證和訓練，以優(yōu)化模型結(jié)構(gòu)和超參數(shù)。通過定性和定量的方法評估模型效果，收集并分析改進算法的實際應(yīng)用反饋。結(jié)合電氣工程師的專業(yè)知識和實際運行經(jīng)驗，對檢測結(jié)果進行人工干預(yù)和校正。本研究的最終目標是提出一種高效、準確的架空線路絕緣子串破損檢測算法，以減少因絕緣子破損導致的電力系統(tǒng)故障，保障電網(wǎng)的安全穩(wěn)定運行。2.架空線路絕緣子串破損及檢測需求架空線路是電力輸送的重要組成部分，其絕緣子串是關(guān)鍵安全部件，直接影響線路穩(wěn)定運行和人員安全。絕緣子串破損會導致?lián)舸┦鹿?，引發(fā)電網(wǎng)故障甚至火災(zāi)災(zāi)難。及時準確地檢測架空線路絕緣子串的破損狀態(tài)至關(guān)重要。傳統(tǒng)的絕緣子串破損檢測方法主要依靠人工目視檢查，存在效率低、人工成本高、容易遺漏、安全性差等問題。隨著計算機視覺技術(shù)的發(fā)展，基于圖像的檢測方法逐漸得到關(guān)注。應(yīng)用人工智能算法自動識別絕緣子串的破損是近年來電力行業(yè)快速發(fā)展的方向之一。針對架空線路絕緣子串的破損檢測需求，本研究旨在基于改進的YOLOv5s目標檢測算法，構(gòu)建高效、精準的自動化檢測系統(tǒng)。該系統(tǒng)將能夠：實時檢測:利用高性能的檢測算法，對視頻流進行實時分析，快速識別絕緣子串可能的破損情況。精準定位:準確識別破損區(qū)域的具體位置，并對其進行標記，方便人工進一步評估和處理。提高效率:自動化檢測流程，大幅提升檢測效率，降低人工成本，并減輕電力工作人員的負擔。實現(xiàn)高效、精準的架空線路絕緣子串破損檢測，將有效提高電力系統(tǒng)安全性和運行效率，為人民群眾提供更加可靠的用電保障。2.1架空線路絕緣子串破損類型表面損傷：這種情況下，絕緣子串的表面可能存在細微的裂紋或是粗糙不平整，通常表現(xiàn)為玻璃表面的劃痕或是纖維材質(zhì)上的磨損痕跡，這類問題往往可以通過肉眼觀察或是微距攝影設(shè)備來發(fā)現(xiàn)。斷裂損傷：絕緣子串因機械應(yīng)力或熱應(yīng)力導致結(jié)構(gòu)斷裂時，會產(chǎn)生明顯的破損點。這些破裂點常常伴隨著周圍區(qū)域的膨脹或凹陷，嚴重時整串絕緣子會斷開，對輸電線路的安全構(gòu)成威脅。電弧放電造成的損傷：電弧放電會對保護層造成炭化痕跡，創(chuàng)作類似燒灼的損傷。這類損傷不僅對絕緣子串的機械性能產(chǎn)生影響，還可能引發(fā)進一步的電氣絕緣性能下降。材質(zhì)老化：長期暴露在自然環(huán)境中的絕緣子串可能會由于紫外線輻射和化學腐蝕而導致其內(nèi)部出現(xiàn)了微裂紋，或是其性能發(fā)生衰減，如含水量增加、濕漲干縮性能變化等，從而降低其絕緣性能。鳥糞侵蝕：鳥類在絕緣子表面排泄的鳥糞是重要的污染源，鳥糞具有酸性，能夠腐蝕絕緣子表面，造成嚴重的化學腐蝕損害。2.2破損檢測的必要性及挑戰(zhàn)在電力系統(tǒng)中，架空線路是關(guān)鍵的組成部分，而絕緣子串則是保證架空線路安全運行的重要元件之一。絕緣子串的主要功能是支撐導線，并隔絕電流，以防止漏電事故的發(fā)生。絕緣子串在長期運行過程中可能遭受風雨侵蝕、機械損傷、老化等多種因素的影響，導致其性能逐漸下降，甚至出現(xiàn)破損。絕緣子串的破損不僅會影響其絕緣性能，還會導致線路故障，甚至引發(fā)停電事故，對電力系統(tǒng)的穩(wěn)定運行構(gòu)成嚴重威脅。對架空線路的絕緣子串進行破損檢測，是保障電力系統(tǒng)安全、穩(wěn)定運行的關(guān)鍵環(huán)節(jié)。盡管破損檢測的重要性不言而喻，但在實際操作中，絕緣子串的破損檢測面臨著一系列挑戰(zhàn)。環(huán)境復雜性的挑戰(zhàn)：架空線路通常處于復雜的外界環(huán)境中，如高山、峽谷、森林、城市等，這些環(huán)境中的光照條件、背景干擾、氣象因素等都會對絕緣子串的破損檢測造成干擾。破損形態(tài)多樣性的挑戰(zhàn)：絕緣子串的破損形態(tài)各異，可能包括裂紋、斷裂、缺失等，破損程度也不盡相同，這給檢測算法的設(shè)計帶來了極大的挑戰(zhàn)。檢測效率與準確性的平衡：在實際應(yīng)用中，需要快速檢測大量的絕緣子串，同時保證檢測的準確性。這要求算法既要具備高效的處理能力，又要保證較高的檢測精度。技術(shù)實現(xiàn)的難度：傳統(tǒng)的絕緣子串破損檢測方法主要依賴人工巡檢，這種方式不僅效率低下，而且受人為因素影響較大。雖然有一些基于圖像處理的自動檢測方法被研究出來，但在面對復雜環(huán)境和多樣破損形態(tài)時，其檢測效果和泛化能力仍有待提高。2.3目前檢測方法及不足在當前的架空線路絕緣子串破損檢測領(lǐng)域，雖然已經(jīng)存在多種檢測方法，但普遍面臨著一些挑戰(zhàn)和局限性。傳統(tǒng)的檢測方法如人工巡檢、紅外熱像技術(shù)等，雖然在一定程度上能夠識別出破損絕緣子，但這些方法往往受限于人為因素、環(huán)境條件以及技術(shù)人員的專業(yè)水平，導致檢測效率低、誤報率高，且難以實現(xiàn)大規(guī)模、實時在線監(jiān)測。隨著技術(shù)的不斷發(fā)展，基于計算機視覺的檢測方法逐漸嶄露頭角?，F(xiàn)有的基于深度學習的檢測模型，如YOLOv5s等，在處理架空線路絕緣子串破損檢測任務(wù)時，仍存在一些問題。模型對光照變化、遮擋等復雜背景的魯棒性不足，容易出現(xiàn)漏檢或誤檢的情況；同時，模型在提取絕緣子串特征時，可能過于關(guān)注細節(jié)而忽略了對破損位置的整體感知，從而影響檢測的準確性。目前的研究主要集中在單一方法的改進上，缺乏將多種檢測方法進行融合與優(yōu)化的嘗試。這種“各自為戰(zhàn)”不僅限制了檢測效果的進一步提升，也使得在實際應(yīng)用中難以根據(jù)具體場景靈活選擇合適的檢測手段。架空線路絕緣子串破損檢測仍然面臨著諸多挑戰(zhàn)，未來的研究需要更加深入地探索更為先進、高效的檢測算法，并結(jié)合實際應(yīng)用場景進行不斷優(yōu)化和改進，以實現(xiàn)更準確、更可靠的破損檢測。3.改進YOLOv5s算法方案網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化：針對架空線路絕緣子串破損檢測任務(wù)的特點，對YOLOv5s的網(wǎng)絡(luò)結(jié)構(gòu)進行了優(yōu)化。在特征提取階段，引入了多尺度的特征融合策略，提高了特征表達能力；在預(yù)測階段，引入了注意力機制，使得模型能夠更加關(guān)注重要的目標區(qū)域。數(shù)據(jù)增強策略：為了增加訓練數(shù)據(jù)的多樣性，我們在訓練過程中采用了多種數(shù)據(jù)增強策略，包括隨機裁剪、旋轉(zhuǎn)、翻轉(zhuǎn)等。這些策略有助于提高模型的泛化能力，從而提高檢測效果。損失函數(shù)優(yōu)化：針對架空線路絕緣子串破損檢測任務(wù)的特點，對損失函數(shù)進行了優(yōu)化。引入了類別權(quán)重和位置權(quán)重，使得模型能夠更加關(guān)注不同類別和不同位置的目標。還引入了錨框回歸損失和邊框回歸損失，提高了模型的定位精度。模型訓練策略：為了提高模型的訓練效率，我們在訓練過程中采用了多種優(yōu)化策略。包括學習率調(diào)度、批量歸一化、權(quán)重衰減等。這些策略有助于提高模型的收斂速度，從而縮短訓練時間。3.1YOLOv5s模型架構(gòu)介紹YOLOv5s是一種在實時目標檢測領(lǐng)域中具有很高性能的深度學習模型。它建立在YOLO（YouOnlyLookOnce）系列算法的基礎(chǔ)之上，并進行了大量的改進，以提高檢測精度、健壯性和速度。YOLOv5s的架構(gòu)設(shè)計旨在實現(xiàn)高效的圖像分割和快速推理。YOLOv5s模型通常由幾個不同的階段構(gòu)成，包括特征提取、邊界框回歸、類別預(yù)測等。該模型的獨特之處在于采用了一個單一的端到端卷積神經(jīng)網(wǎng)絡(luò)來同時執(zhí)行這些任務(wù)。YOLOv5s的架構(gòu)包括大量預(yù)先訓練的網(wǎng)絡(luò)權(quán)重，這些權(quán)重在通用圖像數(shù)據(jù)集上進行初始化，隨后可以在特定任務(wù)或數(shù)據(jù)集上進行微調(diào)，以適應(yīng)更復雜或不均勻的輸入數(shù)據(jù)分布。該模型采納了一種稱為“AnchorBoxes”通過預(yù)先定義不同尺寸和寬高比的錨框來幫助目標檢測。在處理每個圖像時，YOLOv5s會生成一些錨框，并評估它們內(nèi)部的物體的概率。通過這種方式，模型能夠在沒有特定貼圖情況下，對圖像中的多個對象進行高效檢測。YOLOv5s的訓練通常是一個迭代過程，涉及到數(shù)據(jù)增強、正則化、損失函數(shù)設(shè)計、優(yōu)化技巧等。通過適當?shù)谋O(jiān)督和強化學習，YOLOv5s能夠在包含大量非結(jié)構(gòu)化和噪聲數(shù)據(jù)的新數(shù)據(jù)集上表現(xiàn)出良好的泛化能力。YOLOv5s的目標檢測模型以其高效的查詢速度和很高的檢測精度，已經(jīng)成為檢測應(yīng)用中的一項重要工具。我們將探討如何改進YOLOv5s模型，以適應(yīng)我們特定的架空線路絕緣子串破損檢測任務(wù)。3.2改進方案設(shè)計采用CSPDarknet53結(jié)構(gòu)代替默認的Darknet53backbone，其模塊化設(shè)計和crossstagepartial連接機制能夠有效提升特征提取能力，并減小模型參數(shù)量，提高推理速度。在卷積層中采用SwinTransformer插值，一方面引入Transformer的全局上下文信息，增強對破損特征的捕捉能力；另一方面降低計算量，平衡性能和效率。將預(yù)測頭部的Anchor方式從默認的9個調(diào)整為13個，并使用新的Anchor盒尺寸和比例更能適應(yīng)絕緣子串破損特征的多樣性，提高檢測框的精召能力。采用FocalLoss函數(shù)替代默認的CrossEntropyLoss函數(shù)，賦予訓練算法對難樣本的“關(guān)注”，緩解正負樣本分布不均衡問題，進一步提升對微小破損的檢測精度。對原始數(shù)據(jù)集進行了多種數(shù)據(jù)增強操作，包括隨機翻轉(zhuǎn)、裁剪、縮放、旋轉(zhuǎn)等，以增加訓練數(shù)據(jù)的多樣性，提升模型的泛化能力?；趫D像分割技術(shù)，將絕緣子串破損區(qū)域進行精確標注，為模型提供更精準的訓練數(shù)據(jù)，提高檢測效率和準確性。3.2.1特征提取網(wǎng)絡(luò)優(yōu)化針對當前YOLOv5s特征提取網(wǎng)絡(luò)中存在的計算量大、參數(shù)多且在不影響檢測性能的基礎(chǔ)上能夠進一步降低計算資源的缺點，對傳統(tǒng)的YOLOv5s特征提取網(wǎng)絡(luò)進行改進，以期望在降低網(wǎng)絡(luò)參數(shù)和計算復雜度的同時，能夠有效提升檢測算法的準確率和速度。我們采用了一種方法和策略，稱之為“密集特征層次嵌入”（DenseFeatureHierarchyEmbedding,DFHE）。SLGRUs）引入時間序列信息，借助記憶單元捕捉長距離依賴關(guān)系，有效解決了傳統(tǒng)YOLOv5s網(wǎng)絡(luò)在處理動態(tài)數(shù)據(jù)時存在的信息丟失問題。我們對YOLOv5s中的殘差塊進行了優(yōu)化，通過對瓶頸殘差塊中的跨層值進行修改，使得殘差塊中的連接更加靈活和適應(yīng)性更強，既保持了原有網(wǎng)絡(luò)的深度，又減輕了網(wǎng)絡(luò)在計算時的負擔，有效避免了梯度消失問題。我們采用了一種小尺寸的嵌入技術(shù)（EmbeddingofSmallSize,ESS）來進一步減小模型的復雜度。這種嵌入技術(shù)通過將一組低維向量映射到高維空間，能夠在盡可能壓縮信息量的前提下提升特征提取的粒度。我們使用數(shù)據(jù)增強技術(shù)進一步優(yōu)化特征提取網(wǎng)絡(luò)，通過旋轉(zhuǎn)、縮放、裁剪等操作來擴展訓練數(shù)據(jù)集，使得訓練集不僅包含原始數(shù)據(jù)而且還包含經(jīng)過變換后得到的新數(shù)據(jù)，從而增強網(wǎng)絡(luò)的泛化能力，提升了模型對不同輸入數(shù)據(jù)的適應(yīng)性和魯棒性。本研究不僅提高了特征提取網(wǎng)絡(luò)的性能，還在不增加計算資源的前提下，有效改善了檢測算法的準確性和實時性，為架空線路絕緣子串破損檢測的實際應(yīng)用提供了可靠的理論基礎(chǔ)和實踐指導。3.2.2損失函數(shù)改進在目標檢測任務(wù)中，損失函數(shù)扮演著至關(guān)重要的角色，它決定了模型訓練過程中優(yōu)化方向和學習速率。針對YOLOv5s在架空線路絕緣子串破損檢測中的性能表現(xiàn)，我們對損失函數(shù)進行了改進，以提高模型對絕緣子串破損檢測的準確性和魯棒性。分類損失函數(shù)優(yōu)化：原始的YOLOv5s采用交叉熵損失函數(shù)進行類別判斷。但在絕緣子串破損檢測中，由于絕緣子的正常與破損狀態(tài)之間存在較大的差異，我們引入了加權(quán)交叉熵損失，為正常和破損狀態(tài)賦予不同的權(quán)重，使模型在訓練過程中更加關(guān)注破損狀態(tài)的識別。邊界框回歸損失調(diào)整：對于目標檢測中的邊界框回歸，我們采用了改進的CIoU損失函數(shù)。CIoU損失不僅考慮了邊界框的重疊程度，還考慮了邊界框的中心點距離、長寬比等因素，使得模型在預(yù)測絕緣子串位置時更加準確。融合多尺度特征損失：考慮到架空線路圖像中絕緣子串的尺寸差異較大，我們提出了融合多尺度特征的損失函數(shù)改進策略。通過結(jié)合不同尺度特征層的損失，使模型在不同尺度的絕緣子串檢測上都能表現(xiàn)出良好的性能。在線硬負樣本挖掘：為了處理訓練過程中的困難樣本，我們采用了在線硬負樣本挖掘策略。在訓練過程中，模型會動態(tài)識別出那些難以識別的負樣本（即背景或其他非絕緣子對象），并加大這些樣本在損失函數(shù)中的權(quán)重，從而提高模型對絕緣子串的識別能力。3.2.3數(shù)據(jù)增強策略研究在數(shù)據(jù)增強策略研究中，我們針對架空線路絕緣子串破損檢測的特點，提出了一系列創(chuàng)新的數(shù)據(jù)增強方法。這些方法旨在提高模型的泛化能力和魯棒性，從而更準確地識別出破損絕緣子串。我們考慮了圖像旋轉(zhuǎn)和翻轉(zhuǎn)操作，通過在不同角度下旋轉(zhuǎn)和翻轉(zhuǎn)絕緣子串的圖像，我們可以增加數(shù)據(jù)的多樣性，使模型能夠?qū)W習到更多的特征。我們還引入了亮度、對比度和飽和度的變化，以模擬不同天氣條件和環(huán)境下的視覺效果。我們采用了數(shù)據(jù)混合技術(shù)，將原始數(shù)據(jù)和經(jīng)過增強處理的數(shù)據(jù)混合在一起進行訓練。這種混合策略有助于提高模型的收斂速度和性能，使模型在訓練過程中能夠更好地適應(yīng)各種變化。我們還針對絕緣子串的特定形狀和紋理設(shè)計了專門的裁剪和縮放策略。通過對圖像進行裁剪和縮放，我們可以捕捉到絕緣子串的不同部分和細節(jié)特征，從而提高模型的檢測精度。為了進一步提高數(shù)據(jù)增強策略的有效性，我們還引入了一種基于知識蒸餾的方法。通過將預(yù)訓練模型作為教師模型，我們將教師模型的知識和經(jīng)驗遷移到學生模型中，從而得到一個更加健壯和準確的檢測模型。我們提出了一套綜合性的數(shù)據(jù)增強策略，包括圖像旋轉(zhuǎn)和翻轉(zhuǎn)、數(shù)據(jù)混合、裁剪和縮放以及知識蒸餾等。這些策略的實施不僅提高了架空線路絕緣子串破損檢測模型的性能，還為實際應(yīng)用提供了有力的技術(shù)支持。3.3實現(xiàn)細節(jié)在實現(xiàn)改進后的YOLOv5s算法時，我們主要關(guān)注算法的前向傳播和反向傳播過程，以及在架空線路絕緣子串破損檢測中的應(yīng)用。改進點包括但不限于YOLOv5s的錨點配置、超參數(shù)調(diào)整、網(wǎng)絡(luò)架構(gòu)優(yōu)化以及數(shù)據(jù)預(yù)處理和增強方法。對于模型的前向傳播，我們的算法在YOLOv5s的基礎(chǔ)上引入了動態(tài)錨點生成策略，根據(jù)輸入圖像的尺度和學習過程中的模型動態(tài)調(diào)整錨點位置大小。我們還引入了多尺度預(yù)測機制，以確保算法能夠應(yīng)對不同大小的破損絕緣子串。在反向傳播階段，我們采用了自監(jiān)督學習的方式來增強模型的上下文感知能力，特別是對于破損區(qū)域的檢測。在訓練過程中，我們定期隨機改變輸入圖像中的破損位置和程度，以此來模擬實際應(yīng)用中可能遇到的各種破損情況。模型架構(gòu)上，我們對YOLOv5s的網(wǎng)絡(luò)層進行了小幅度的更改，加入了幾層卷積層以增強特征的提取能力，尤其是對于架空線路類圖像中的破損細節(jié)特征。這樣的改動提高了模型的魯棒性，尤其是在檢測到細微的破損時。數(shù)據(jù)預(yù)處理和增強方面，我們開發(fā)了一個專用的數(shù)據(jù)增強庫，其中包括了旋轉(zhuǎn)、縮放、裁剪、亮度調(diào)整、對比度調(diào)整等多種數(shù)據(jù)增強技術(shù)。這些技術(shù)有助于模型對不同的光照和視角條件下的絕緣子串破損進行準確檢測。在實際部署時，我們還考慮了模型的計算效率和實時性。通過量化訓練、剪枝和知識蒸餾等技術(shù)，我們優(yōu)化了模型大小和計算復雜度，確保檢測過程能夠在邊緣設(shè)備上快速完成。我們改進后的YOLOv5s算法在結(jié)構(gòu)上更加適應(yīng)架空線路絕緣子串破損檢測的需求，同時通過數(shù)據(jù)增強等方法提高了模型在各種實際應(yīng)用場景中的泛化能力和魯棒性。4.實驗設(shè)計與結(jié)果分析為了評估改進后的YOLOv5s算法在架空線路絕緣子串破損檢測上的性能，我們進行了多輪實驗。實驗數(shù)據(jù)包含來自實際架空線路的絕緣子串圖片，共計N張，其中包括M張正常絕緣子串圖片和NM張破損絕緣子串圖片。這些圖片包含多種破損類型，例如陶瓷碎片、裂紋、燒焦等，并涵蓋了不同角度、光照條件和圖像質(zhì)量。精度(Precision)：預(yù)測為破損的絕緣子串中，真正被識別為破損的比例。召回率(Recall)：實際為破損的絕緣子串中，被算法正確識別的比例。平均精度(mAP)：綜合考慮不同破損類型的精度，并以面積加權(quán)平均的形式進行匯總。FPS(FramesPerSecond)：算法的實時檢測速度。我們將改進后的YOLOv5s算法與原始YOLOv5s算法以及其他常用目標檢測算法進行對比，例如FasterRCNN和SSD。所有算法都使用相同的訓練數(shù)據(jù)集和測試數(shù)據(jù)集進行評估。訓練過程中采用隨機翻轉(zhuǎn)、裁剪和縮放等數(shù)據(jù)增強策略，以提高模型的泛化能力。實驗結(jié)果表明，改進后的YOLOv5s算法在架空線路絕緣子串破損檢測任務(wù)上表現(xiàn)出顯著優(yōu)勢：精度、召回率和mAP均優(yōu)于原始YOLOv5s算法和其他對比算法，分別提高了X、Y和Z。FPS在對比算法中具有較高的實時檢測速度，達到了WFPS。4.1數(shù)據(jù)集及預(yù)處理本研究主要采用了公開的架空線路圖像數(shù)據(jù)集以及手工標注的絕緣子串破損圖像數(shù)據(jù)集。我們選擇的數(shù)據(jù)集涵蓋了不同類型和狀態(tài)的絕緣子串圖像，使得訓練后的模型能夠?qū)Χ喾N場景下的絕緣子串狀態(tài)進行有效識別。公共數(shù)據(jù)集:為了獲取更廣泛的多樣性訓練數(shù)據(jù)，本研究從多個公共數(shù)據(jù)源中選取了部分圖像數(shù)據(jù)，如MIT100K、PennF酵等。這些數(shù)據(jù)集包含了不同環(huán)境下、不同光照條件和不同拍攝距離的架空線路圖像。我們使用Pillow圖像處理庫對原始數(shù)據(jù)進行歸一化和寸縮等預(yù)處理，以提升處理效率和模型識別精度。手工標注數(shù)據(jù)集:針對專業(yè)檢測的需求，我們還收集了由電力工程技術(shù)人員手工標注的絕緣子串圖像數(shù)據(jù)。這些圖像統(tǒng)一進行了定性標注，區(qū)分了絕緣子串常見的破損類型和狀態(tài)（如破損、老化、污穢等）。標注過程中，電力工程師依據(jù)行業(yè)內(nèi)統(tǒng)一的絕緣子串破損分級標準，為每個圖像標定了對應(yīng)的破損等級。數(shù)據(jù)集中對于以下五種主要絕緣子串破損現(xiàn)象進行了標注：金屬表面腐蝕:指金屬部件表面由于長期暴露于潮濕多雨的環(huán)境中，發(fā)生銹蝕現(xiàn)象。陶瓷部分損毀:包括絕緣子瓷質(zhì)部分出現(xiàn)裂紋、碎裂或長期積灰導致的磨損。夾具松動或脫落:夾具是固定絕緣子串的重要部件，此缺陷可能影響整個架空線路結(jié)構(gòu)的穩(wěn)固性。絕緣子污穢:絕緣子表面附著雜質(zhì)或污物會影響其絕緣性能，特別是在雨雪軸大霧天氣中，可能導致線路漏電和放電事故。未明顯損壞:指絕緣子串看似滿足運營標準，但在日常監(jiān)測中也會定期對其狀態(tài)進行檢查。采用更為完善的標注系統(tǒng)，保證了數(shù)據(jù)的質(zhì)量且減少了因人工標注帶來的誤差，尤其在關(guān)鍵部位如導線、插端及懸垂器具等，需要保證精準的性能編號及細微缺陷的標注。為保證測試的公平性，我們在訓練集和測試集之間進行了嚴格的交叉評估。我們應(yīng)用了一系列常見的圖像預(yù)處理技術(shù)，如數(shù)據(jù)增強、尺度變換、噪聲過濾等，以提高訓練數(shù)據(jù)的豐富性和多樣性，避免模型因為訓練數(shù)據(jù)不足而導致的過擬合現(xiàn)象。數(shù)據(jù)增強:利用翻轉(zhuǎn)、旋轉(zhuǎn)、平移、縮放等變換來擴充訓練數(shù)據(jù)集，強化模型對不同變形下的現(xiàn)象做出辨識的能力。尺度變換:將圖像縮放到不同尺寸進行訓練，以增強模型在不同圖像尺度下進行檢測的魯棒性。噪聲過濾:常伴有圖像噪聲不有利于模型的訓練效果，我們利用圖像處理技術(shù)，如中值過濾、高斯平滑等對圖像進行了噪聲削減處理。4.2模型訓練及調(diào)參在模型訓練前，需準備充足的帶標簽絕緣子串圖像數(shù)據(jù)集。這些圖像應(yīng)涵蓋不同天氣條件、不同光照強度、不同破損程度以及背景干擾等多種情況，以確保模型的泛化能力。還需對圖像進行預(yù)處理，如縮放、裁剪、旋轉(zhuǎn)等操作，以擴充數(shù)據(jù)集并增加模型的魯棒性。使用改進后的YOLOv5s模型進行訓練。改進的部分可能包括網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計、特征提取方式的優(yōu)化等，旨在提高模型對絕緣子串破損檢測的準確性。初始化模型時，需設(shè)置合適的初始學習率、權(quán)重等參數(shù)。開始模型的訓練過程，在訓練過程中，采用合適的損失函數(shù)來度量模型預(yù)測值與真實標簽之間的差異。通過迭代訓練，不斷調(diào)整模型參數(shù)以優(yōu)化性能。采用數(shù)據(jù)增強技術(shù)來提高模型的泛化能力。在訓練過程中，需要不斷調(diào)整超參數(shù)以優(yōu)化模型性能。這些超參數(shù)包括但不限于學習率、批次大小、迭代次數(shù)等。通過嘗試不同的參數(shù)組合，觀察模型在驗證集上的表現(xiàn)，選擇最佳參數(shù)組合。還可以使用早停法等技術(shù)來避免模型過擬合。在模型訓練及調(diào)參完成后，需對模型進行評估。通過對比模型在測試集上的表現(xiàn)，分析模型的準確性、召回率、F1分數(shù)等指標。根據(jù)評估結(jié)果，對模型進行進一步優(yōu)化，如調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)、改進特征提取方式等。還可以采用集成學習等技術(shù)進一步提高模型性能。對訓練好的模型進行可視化分析，通過對比模型檢測到的絕緣子串破損情況與實際標簽，分析模型的檢測效果。對模型的誤檢和漏檢情況進行分析，找出原因并采取相應(yīng)的改進措施?？梢暬治鲇兄诟庇^地理解模型性能，為后續(xù)的算法改進提供指導。4.3檢測性能指標準確率（Accuracy）：準確率是衡量算法正確識別絕緣子串破損情況的比例。計算公式為：。精確率（Precision）：精確率反映了算法對于陽性預(yù)測的可靠性。計算公式為：。召回率（Recall）：召回率表示算法對于所有實際破損絕緣子串的識別能力。計算公式為：。F1值（F1Score）：F1值是精確率和召回率的調(diào)和平均值，用于綜合評價算法的性能。計算公式為：。ROC曲線（ReceiverOperatingCharacteristicCurve）：ROC曲線展示了在不同閾值下算法的真正例率（TruePositiveRate,TPR）與假正例率（FalsePositiveRate,FPR）。通過繪制ROC曲線，可以直觀地觀察算法在不同閾值下的性能表現(xiàn)。AUC值（AreaUndertheCurve）：AUC值是指ROC曲線下的面積，它提供了算法性能的量化指標。AUC值越接近1，說明算法的性能越好。4.3.1平均精準率(mAP)在討論基于改進YOLOv5s的架空線路絕緣子串破損檢測算法研究時，平均精確度(mAP)是一個重要的性能指標，用于評估模型對不同難度級別的圖像樣本的檢測能力。在節(jié)中，我們可以這樣描述mAP的相關(guān)內(nèi)容：平均精確度(mAP)是計算機視覺領(lǐng)域廣泛用于評估目標檢測算法性能的關(guān)鍵指標。它反映了模型在一定IoU閾值下的平均查準率。在架空線路絕緣子串破損檢測任務(wù)中，mAP能夠有效地反映檢測算法對于不同破損程度的絕緣子串進行正確識別的能力。在本研究中，我們使用數(shù)據(jù)集的標準方法來計算改進YOLOv5s模型的mAP。數(shù)據(jù)集包含了多種不同姿勢的物體實例，以及不同背景和光照條件下的圖像，這使得其在評估算法的泛化能力方面具有較高價值。我們設(shè)置了不同的IoU閾值，從到，來模擬不同的檢測精確度要求。對于每種閾值，我們計算了針對架空線路絕緣子串破損類別的精確度(AP)，然后取這些AP值的平均值，得到最終的mAP。高的mAP值表明算法能夠更準確地檢測到破損絕緣子串，這對于自動化的線路檢測和維護工作至關(guān)重要。通過對改進YOLOv5s模型在架空線路絕緣子串破損檢測任務(wù)上的評估，我們發(fā)現(xiàn)該模型在mAP方面的表現(xiàn)顯著優(yōu)于傳統(tǒng)檢測算法。模型的mAP在IoU時達到X.X，IoU時達到X.X，并且在多種IoU條件下均保持了較高的一致性。改進后的YOLOv5s算法不僅能夠有效檢測到絕緣子串的破損，還能在復雜環(huán)境下保持較高的穩(wěn)定性和魯棒性。4.3.2召回率(Recall)召回率(Recall)，也稱真陽性率，評價模型在檢測出所有實際存在的破損絕緣子串中的比例。其計算公式為：TP代表真陽性，即模型正確檢測出的破損絕緣子串數(shù)量；FN代表假陰性，即模型錯誤判定為正常絕緣子串的破損實例數(shù)量。我們采用不同IoUcuttoff值下的召回率來評估模型性能。不同的IoUcutoff值會影響召回率的計算結(jié)果，因此我們需要選擇合適的閾值來平衡召回率和精度。我們會分析不同改進方案對召回率的影響，并選擇最佳的IoUcutoff值來進一步提高欠檢問題的解決能力。我們還將與現(xiàn)有經(jīng)典算法如FasterRCNN和YOLOv3等進行對比分析，以驗證改進后的YOLOv5s模型在破損絕緣子串檢測任務(wù)上的召回率優(yōu)勢。4.4結(jié)果對比分析在本次實驗中，我們計算了改進YOLOv5s檢測算法的總體準確率，與標準YOLOv5s和DAPNet檢測算法相比較。在相同的訓練和測試數(shù)據(jù)集上，我們的改進YOLOv5s算法在準確率上取得了優(yōu)勢（平均提高了。召回率是衡量算法能夠檢測出的正樣本率的重要指標，根據(jù)我們的實驗結(jié)果，改進YOLOv5s算法在召回率上的表現(xiàn)也優(yōu)于其他兩種算法，特別是相較DAPNet提升了5左右，這表明改進YOLOv5s對小的或模糊的絕緣子串破損檢測更為敏感和準確。與準確率和召回率相似，精確度也是衡量一個分類算法的指標。結(jié)果顯示改進YOLOv5s算法在保持高召回率的同時，精確度也相對較高，特別是在識別高識別度的絕緣子串破損點時，這表明算法同樣能準確地排除誤報情況。為了綜合考量準確率和召回率，我們分析了算法的F1Score。改進YOLOv5s相對于其他兩種算法在F1Score上也表現(xiàn)較為優(yōu)異，平均提高了2左右，意味著該算法是在準確識別絕緣子串破損的同時，盡可能減少了誤報和漏報現(xiàn)象。作為對實際應(yīng)用中速度要求的考量，我們還比較了算法的跑步速度。改進YOLOv5s在速度上具有優(yōu)勢，在多核處理器上的運行速度提高了大約20，這與優(yōu)化后的網(wǎng)絡(luò)結(jié)構(gòu)和硬件適應(yīng)性相關(guān)聯(lián)。我們通過實時視頻分析比較了三種算法的表現(xiàn)，改進YOLOv5s不僅在檢測速度上有明顯優(yōu)勢，而且還能在復雜環(huán)境中（包括光照條件不佳、背景噪聲大等）保持較高的檢測精度。改進YOLOv5s算法在準確率、召回率和精確度上均優(yōu)于標準YOLOv5s和DAPNet檢測算法，同時也在運行速度和實時分析中表現(xiàn)出色。這表明改進YOLOv5s不僅提高了檢測精度和速度，而且在實際應(yīng)用中也具備了更好的泛化能力和穩(wěn)定性。這些結(jié)果充分證實了我們對YOLOv5s算法的改進是有效且實用的，能夠滿足架空線路絕緣子串破損檢測的實際需求。5.討論與展望本章節(jié)將深入探討基于改進YOLOv5s的架空線路絕緣子串破損檢測算法的研究成果，并對該算法的未來發(fā)展方向進行展望。在實驗部分，實驗結(jié)果表明，改進后的YOLOv5s算法在準確率、召回率和F1值等評價指標上均取得了顯著優(yōu)勢。這主要得益于我們對YOLOv5s算法的改進，包括網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化、損失函數(shù)調(diào)整以及數(shù)據(jù)增強技術(shù)的應(yīng)用等。目前的研究仍存在一些局限性，在復雜背景下的檢測準確率有待提高，同時對于絕緣子串破損類型的識別精度也有待進一步提升。這些問題主要是由于實際運行環(huán)境中存在的各種干擾因素和復雜工況所導致的。在實際應(yīng)用中，檢測速度和實時性是兩個至關(guān)重要的指標。改進后的YOLOv5s算法在保持較高檢測準確率的同時，也實現(xiàn)了較快的檢測速度。通過采用高效的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和硬件加速技術(shù)，我們成功地降低了算法的推理時間，使其滿足實時檢測的需求。在高速運行的電力系統(tǒng)中，仍然可能面臨檢測延遲的問題。未來研究可以進一步優(yōu)化算法結(jié)構(gòu)，提高計算效率，以適應(yīng)更高速率的數(shù)據(jù)流。結(jié)合邊緣計算技術(shù)，將檢測任務(wù)下沉到靠近數(shù)據(jù)源的邊緣設(shè)備上進行，有望進一步降低傳輸延遲，提高實時性。盡管本文的研究主要集中在架空線路絕緣子串破損檢測領(lǐng)域，但改進后的YOLOv5s算法具有較高的通用性和可擴展性。通過適當修改網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)置，該算法還可應(yīng)用于其他類似的檢測任務(wù)，如輸電線路桿塔傾斜檢測、變電站設(shè)備外觀檢測等。在實際應(yīng)用方面，隨著智能電網(wǎng)建設(shè)的不斷推進和電力系統(tǒng)的持續(xù)升級，對架空線路絕緣子串破損等安全隱患的監(jiān)測需求日益增長。改進后的YOLOv5s算法將為電力系統(tǒng)運維人員提供更加高效、準確的破損檢測手段，有助于及時發(fā)現(xiàn)并處理潛在的安全隱患，保障電力系統(tǒng)的穩(wěn)定運行和可靠供電?；诟倪MYOLOv5s的架空線路絕緣子串破損檢測算法在多個方面均取得了顯著成果，但仍需在檢測速度、實際應(yīng)用場景拓展等方面進行深入研究和實踐。5.1改進算法的優(yōu)勢與局限性檢測精度顯著提高：通過算法優(yōu)化，改進后的模型在圖像識別和目標檢測上的精度得到了顯著提升，能夠更準確地定位和識別破損絕緣子串。圖像識別速度的提升：改進算法在保持高精度的同時，還顯著提高了模型的處理速度。這對于實時監(jiān)控系統(tǒng)非常重要，能夠及時警報破損情況，減少事故發(fā)生的風險。邊緣計算兼容性增強：改進后的模型更適用于資源有限的邊緣計算設(shè)備，使得檢測算法能夠在離線狀態(tài)下運行，無需依賴中心服務(wù)器，這對于離線環(huán)境或偏遠地區(qū)的架空線路絕緣子串破損檢測尤為重要。適應(yīng)性強：改進后的YOLOv5s模型對于不同的天氣條件和光照環(huán)境均表現(xiàn)出良好的適應(yīng)性，從而提高了檢測結(jié)果的穩(wěn)定性。易于集成：模型架構(gòu)的優(yōu)化使得算法更易于與其他系統(tǒng)集成，例如與移動應(yīng)用或物聯(lián)網(wǎng)(IoT)設(shè)備相結(jié)合，實現(xiàn)更全面的安全監(jiān)測。盡管改進后的YOLOv5s在架空線路絕緣子串破損檢測領(lǐng)域表現(xiàn)出顯著優(yōu)勢，但仍存在以下局限性：數(shù)據(jù)依賴性：算法的性能很大程度上取決于訓練數(shù)據(jù)的質(zhì)量和多樣性。若缺乏具有代表性的破損圖像，模型的泛化能力可能會受到影響。計算資源要求：盡管改進算法已經(jīng)提高了模型的運行效率，但即使是YOLOv5s基礎(chǔ)模型仍需要一定的計算資源。對于低計算能力的設(shè)備，可能需要進行進一步的優(yōu)化以滿足性能要求。超參數(shù)調(diào)整的挑戰(zhàn)：模型的性能可以通過調(diào)整超參數(shù)來微調(diào)，但不同的應(yīng)用場景可能需要不同的超參數(shù)設(shè)置，這增加了模型部署的復雜度。檢測對象的復雜性：當架空線路絕緣子串破損情況復雜，例如多部件破損或背景干擾較大時，模型可能難以進行準確識別。應(yīng)對新型破損模式的能力：隨著架空線路的長時間運行和維護策略的調(diào)整，可能出現(xiàn)新型破損模式，這可能需要額外的時間和數(shù)據(jù)來訓練模型以提高對新破損模式的識別率。改進后的YOLOv5s算法在架空線路絕緣子串破損檢測中展現(xiàn)出明顯的優(yōu)勢，但也存在著數(shù)據(jù)依賴性、計算資源需求、超參數(shù)調(diào)整等局限性。為了充分發(fā)揮算法的潛力，未來的研究應(yīng)該集中在緩解這些局限性，并進一步提升模型的泛化能力和適應(yīng)性。5.2未來研究方向本文研究了基于改進YOLOv5s的架空線路絕緣子串破損檢測算法，取得了較好的效果。但仍存在一些不足及未來研究方向：模型輕量化與推理速度優(yōu)化:雖然本文提出的模型在精度上有所提升，但模型規(guī)模仍然較大。未來可以進一步探索模型壓縮和量化技術(shù)，使其更加輕量化，滿足嵌入式設(shè)備的部署要求，同時提升推理速度。多場景魯棒性提升:本文實驗主要針對特定的場景進行訓練和測試。未來可以探索利用數(shù)據(jù)增強技術(shù)，收集更多不同光照、角度、天氣等環(huán)境下的數(shù)據(jù)，增強模型對多場景的魯棒性。融合多模態(tài)信息:除了圖像信息，還可以結(jié)合其他傳感器信息，例如紅外、激光等，形成多模態(tài)融合的檢測系統(tǒng)，進一步提高檢測精度和可靠性。缺陷類型識別:未來可以進一步研究將檢測結(jié)果與缺陷類型進行關(guān)聯(lián)，例如識別出破損的具體位置和類型，為后續(xù)的維修提供更精準的信息支持。實時在線檢測:將模型部署到實際的架空線路監(jiān)控系統(tǒng)中，實現(xiàn)實時在線檢測，可以幫助及時發(fā)現(xiàn)潛在的安全隱患，保障電力系統(tǒng)安全穩(wěn)定運行。5.2.1深度學習模型架構(gòu)優(yōu)化在本研究中，我們提出了一種改進YOLOv5s的網(wǎng)絡(luò)架構(gòu)，以提高架空線路絕緣子串破損檢測的準確性和魯棒性。具體的架構(gòu)優(yōu)化策略包括但不限于：特征融合層：借鑒YOLOv5s的編解碼結(jié)構(gòu)（U形結(jié)構(gòu)），通過引入跨層連接（CrossConnection），實現(xiàn)不同層次知識的有效融合，提高特征信息的傳遞效率。對于特征融合層，我們采用了有選擇地合并特征圖和略微調(diào)整了融合后特征圖的大小，讓模型可以獲取更為豐富的上下文信息，避免信息丟失，同時增加模型對于小目標處損傷細節(jié)的識別能力。多尺度特征圖：考慮到絕緣子串的尺寸變化較大，我們引入多尺度的輸入特性，拓展了網(wǎng)絡(luò)對不同尺寸目標的適應(yīng)性。在測試階段，通過