張長(zhǎng)樂(lè) 金鈞

摘要：針對(duì)無(wú)人機(jī)巡檢中采集到的絕緣子圖片受干擾嚴(yán)重、檢測(cè)精度低的問(wèn)題，在YOLOv5s算法的基礎(chǔ)上進(jìn)行優(yōu)化，基于改進(jìn)后的YOLOv5s算法進(jìn)行了絕緣子故障檢測(cè)的仿真研究。通過(guò)在頸部網(wǎng)絡(luò)添加CBAM注意力模塊、運(yùn)用K-means聚類(lèi)重新計(jì)算先驗(yàn)框大小、采用MetaAconC作為激活函數(shù)3種措施改進(jìn)了原算法，并基于Python進(jìn)行了實(shí)驗(yàn)結(jié)果分析。實(shí)驗(yàn)結(jié)果表明本方案算法平均精度均值mAP達(dá)到了96.7%，對(duì)比原YOLOv5s模型，平均精度均值mAP提升3.3%；且方案算法訓(xùn)練出的權(quán)重文件大小僅有15.1 M，僅比原YOLOv5s大了0.1 M，仍然保持了輕量化的特點(diǎn)，在智能巡檢工作的部署上有良好前景。

關(guān)鍵詞：故障檢測(cè)；絕緣子；YOLOv5s網(wǎng)絡(luò)；智能巡檢

中圖分類(lèi)號(hào)：TN946.7；[U8] 文獻(xiàn)標(biāo)志碼：A

本文引用格式：張長(zhǎng)樂(lè)，金鈞. 基于深度學(xué)習(xí)的絕緣子故障檢測(cè)仿真研究[J]. 華東交通大學(xué)學(xué)報(bào)，2023，40（5）：41-48.

Simulation Study on Insulator Fault Detection Based on

Deep Learning

Zhang Changle，Jin Jun

（School of Automation and Electrical Engineering，Dalian Jiaotong University，Dalian 116028，China）

Abstract：Aiming at the problem of serious interference and low detection accuracy of insulator pictures collected in UAV patrol inspection，the optimization is carried out based on YOLOv5s algorithm，and the simulation research of insulator fault detection is carried out based on the improved YOLOv5s algorithm. The original algorithm is improved by adding CBAM attention module to the neck network，using K-means clustering to recalculate the size of a priori frame，and using MetaAconC as the activation function. The experimental results are analyzed based on Python. The experimental results show that the advantage of the proposed scheme is that the average accuracy of the algorithm mAP reaches 96.7%，which is 3.3% higher than the original YOLOv5s model; In addition，the weight file size of the algorithm training in this scheme is only 15.1 M，which is only 0.1 M larger than the original YOLOv5s. With the lightweight feature，the proposed scheme has a good prospect in the deployment of intelligent patrol work.

Key words： fault detection; insulator; YOLOv5s network; intelligent patrol inspection

Citation format：ZHANG C L，JIN J. Simulation study on insulator fault detection based on deep learning[J]. Journal of East China Jiaotong University，2023，40（5）：41-48.

伴隨著智能巡檢技術(shù)的高速發(fā)展，智能巡檢將逐漸替代人工巡檢[1]。絕緣子作為電力系統(tǒng)中最重要的部件之一，它的故障與否是巡檢工作的重點(diǎn)，且因?yàn)榻^緣子通常都掛在野外工作，所以絕緣子很容易出現(xiàn)掉串、破損、閃絡(luò)等故障；因此研究基于圖像識(shí)別的絕緣子故障檢測(cè)算法對(duì)于智能巡檢工作具有重要意義[2-3]。

針對(duì)絕緣子的故障識(shí)別，目前已有一定的研究。如黨宏社等[4]提出了通過(guò)更換主干網(wǎng)絡(luò)、重新計(jì)算先驗(yàn)框尺寸、更改激活函數(shù)3種方法改進(jìn)YOLOv4目標(biāo)檢測(cè)算法，并用以檢測(cè)絕緣子掉串故障，改進(jìn)后算法mAP和FPS有所提高，但是文件大小較大，有46.4 M，不滿(mǎn)足輕量化的要求；鄭濤[5]，劉燦等[6] 采用脈沖耦合神經(jīng)網(wǎng)絡(luò)來(lái)處理高空巡檢中航拍獲得的絕緣子圖像。此算法不需要全局的精確訓(xùn)練，具有良好的脈沖傳播特性，利用了圖片切割思想，成功實(shí)現(xiàn)了絕緣子的識(shí)別定位，但是此算法存在對(duì)計(jì)算機(jī)硬件要求很高，計(jì)算量過(guò)大的問(wèn)題；彭闖等[7]提出了一種基于YOLOv3的絕緣子串檢測(cè)方法，通過(guò)提取合適的先驗(yàn)框大小，成功將每張圖像的識(shí)別時(shí)間減少了8～10 ms，但是此方法對(duì)于原算法的改進(jìn)程度較小，僅起到了提升檢測(cè)速度一個(gè)作用；賴(lài)秋頻等[8]將YOLOv2網(wǎng)絡(luò)結(jié)合垂直投影等方法進(jìn)行檢測(cè)，成功做到了輸電線(xiàn)路絕緣子在線(xiàn)識(shí)別與缺陷診斷，可是此方法存在優(yōu)化過(guò)程過(guò)于冗長(zhǎng)，導(dǎo)致算法計(jì)算過(guò)程長(zhǎng)，掌握難度大等問(wèn)題。

上述方法均能夠檢測(cè)到絕緣子的缺陷，但存在各種各樣的問(wèn)題，對(duì)于本文的借鑒意義有限。同時(shí)，目前的無(wú)人機(jī)巡檢會(huì)產(chǎn)生大量的圖片和無(wú)效信息，因此減小文件內(nèi)存、提升算法準(zhǔn)確度十分有必要，由于YOLOv5s本身就具有輕量化的特點(diǎn)，所以本文的研究主要在于提升其檢測(cè)準(zhǔn)確度。

基于上述分析，在YOLOv5s的基礎(chǔ)上進(jìn)行優(yōu)化，基于改進(jìn)后的YOLOv5s對(duì)絕緣子進(jìn)行故障檢測(cè)。通過(guò)K-means[9-10]算法聚類(lèi)得到全新先驗(yàn)框大小，添加CBAM[11-12]注意力機(jī)制，引入MetaAconC作為激活函數(shù)，成功提升了算法準(zhǔn)確率，且仍然保持YOLOv5s輕量化的特點(diǎn)，有利于智能巡檢工作的展開(kāi)。

1 基于改進(jìn)YOLOv5s網(wǎng)絡(luò)的故障絕緣子檢測(cè)算法

1.1 用K-means算法對(duì)先驗(yàn)框進(jìn)行優(yōu)化設(shè)計(jì)

K-means算法是一種迭代求解聚類(lèi)算法，用以對(duì)真實(shí)標(biāo)注框進(jìn)行聚類(lèi)，得到更加適合的先驗(yàn)框大小。

YOLOv5s的初始先驗(yàn)框尺寸來(lái)源于對(duì)通用目標(biāo)檢測(cè)數(shù)據(jù)集 COCO進(jìn)行K-means維度聚類(lèi)，但由于通用數(shù)據(jù)集中有80種大小不一，類(lèi)別不一的物體，而本文中的絕緣子故障種類(lèi)只有3個(gè)類(lèi)別，分別為Damage破損、Flash閃絡(luò)、Dirt臟污，且由于都是發(fā)生在單片絕緣子上，大小差距不大，故重新設(shè)計(jì)先驗(yàn)錨框大小非常有必要。

聚類(lèi)的分布結(jié)果如圖1所示，其中五角星代表聚類(lèi)數(shù)據(jù)的中心，各種圓點(diǎn)代表數(shù)據(jù)的各類(lèi)實(shí)際標(biāo)注框大小。

受文獻(xiàn)[13]啟發(fā)，本文選用9個(gè)聚類(lèi)中心，并等分到3個(gè)大小不同的預(yù)測(cè)分支上，確定的先驗(yàn)框大小和默認(rèn)的先驗(yàn)框大小如表1所示，本文輸入圖像大小均為640×640像素。

1.2 添加CBAM注意力模塊對(duì)特征提取能力進(jìn)行優(yōu)化設(shè)計(jì)

CBAM是一種簡(jiǎn)單且有效的注意力機(jī)制，可以在通道和空間兩個(gè)維度上推斷出權(quán)重系數(shù)，達(dá)到提升重要特征的權(quán)重，減少不重要特征權(quán)重的目的?，F(xiàn)階段研究中，在網(wǎng)絡(luò)具體哪個(gè)位置中引入CBAM模塊能最大程度提升準(zhǔn)確率尚無(wú)定論。受到文獻(xiàn)[14]的啟發(fā)，本文將CBAM融入到網(wǎng)絡(luò)的3處不同位置之中，并將訓(xùn)練后的各項(xiàng)數(shù)據(jù)進(jìn)行對(duì)比。

本文分別在 YOLOv5s 的骨干網(wǎng)絡(luò)、頸部單獨(dú)引入 CBAM模塊，在每個(gè)卷積層中引入CBAM模塊，從而產(chǎn)生3種基于YOLOv5s的改進(jìn)算法，CBAM-YOLOv5s-backbone，CBAM-YOLOv5s-neck，CBAM-YOLOv5s-conv，CBAM模塊在網(wǎng)絡(luò)中的具體位置如圖2所示。圖2（a）中將CBAM模塊引入到骨干網(wǎng)絡(luò)的每一個(gè)C3模塊后，圖2（b）中將CBAM模塊引入到 YOLOv5s 的頸部C3層后，圖2（c）中在 YOLOv5s 骨干網(wǎng)絡(luò)的每一個(gè)卷積模塊CONV中融入CBAM模塊，這個(gè)新模塊命名為CONV_cbam。

在三個(gè)不同位置融合CBAM模塊以及原始YOLOv5s的對(duì)比結(jié)果如表2所示。mAP（mean average precision） 表示平均精度均值，越高代表模型越準(zhǔn)確，均采用0.5的 IoU閾值。以下實(shí)驗(yàn)皆采用相同數(shù)據(jù)集、驗(yàn)證集、測(cè)試集以及訓(xùn)練輪次、初始學(xué)習(xí)率等相關(guān)參數(shù)。

根據(jù)表2可得，在YOLOv5s 的各個(gè)部分融合CBAM模塊后，總體的準(zhǔn)確率在CBAM-YOLOv5s-neck算法中提升最大，增加了3.3%，僅在CBAM-YOLOv5s-backbone算法有所提升，而在CBAM-YOLOv5s-conv中，算法的性能不僅沒(méi)有提升，反之 mAP 減少了1.9%，且文件大小大了0.5 M。

為了驗(yàn)證CBAM-YOLOv5s-neck算法對(duì)原算法的提升，對(duì)帶有破損故障的圖片進(jìn)行熱力圖仿真，結(jié)果如圖3所示，從圖3可以看出YOLOv5s未能對(duì)故障處形成有效聚焦，受環(huán)境的干擾很強(qiáng)。CBAM-YOLOv5s-neck對(duì)故障處聚焦明顯大于周?chē)h(huán)境，有效提升了復(fù)雜環(huán)境下對(duì)待檢目標(biāo)的聚焦能力。

1.3 引入MetaAconC函數(shù)對(duì)特征傳遞能力進(jìn)行優(yōu)化設(shè)計(jì)

為將提取到的特征更有效地傳遞，引入MeatAconC函數(shù)作為激活函數(shù)。對(duì)于AconC，函數(shù)如下所示

式中：p1和p2分別負(fù)責(zé)控制函數(shù)的上下限；σ表示 Sigmoid函數(shù)；參數(shù)β控制著激活函數(shù)是線(xiàn)性還是非線(xiàn)性。β是常量的情況明顯不適合深度學(xué)習(xí)，為其設(shè)計(jì)一個(gè)自適應(yīng)函數(shù)來(lái)動(dòng)態(tài)的學(xué)習(xí)β，其中包含了Channel-wise，Pixel-wise，Layer-wise這3種空間，分別對(duì)應(yīng)的是通道、像素、層。

本文選擇了Channel-wise，即對(duì)通道進(jìn)行自適應(yīng)學(xué)習(xí)，如下所示

式中：H為特征圖的高；W為特征圖的寬；C為特征圖的通道數(shù)；W1W2代表了兩個(gè)卷積層，添加了自適應(yīng)學(xué)習(xí)函數(shù)的AconC稱(chēng)作MetaAconC，即本文使用的激活函數(shù)，在參數(shù)量相同的情況下，此激活函數(shù)對(duì)噪點(diǎn)的抗干擾性和魯棒性都高于大多數(shù)同類(lèi)函數(shù)。改進(jìn)后的網(wǎng)絡(luò)整體如表3所示。

2 基于改進(jìn)YOLOv5s的絕緣子故障檢測(cè)算法的仿真分析

2.1 數(shù)據(jù)準(zhǔn)備過(guò)程

本文的仿真數(shù)據(jù)集來(lái)自中國(guó)電力線(xiàn)路絕緣子數(shù)據(jù)集，由無(wú)人機(jī)拍攝故障絕緣子圖像共1 600張。共有1 428個(gè)破損故障、1 385個(gè)閃絡(luò)故障、806個(gè)臟污故障。

為避免因圖片數(shù)量不足導(dǎo)致檢測(cè)效果差的問(wèn)題，通過(guò)隨機(jī)矩形遮擋、翻轉(zhuǎn)、調(diào)整色調(diào)等方式將圖像擴(kuò)充至4 640張，部分圖像數(shù)量擴(kuò)充操作如圖4所示。其中臟污故障由于采集到的圖片較少，故在擴(kuò)充圖片的過(guò)程中有意增加臟污故障的數(shù)量，使得3種故障圖片的數(shù)量大致相同，以平衡算法的檢測(cè)準(zhǔn)確性。擴(kuò)充后數(shù)據(jù)的規(guī)模得到了有效的增大，從而提高了算法的泛化能力，使得算法對(duì)于未參與訓(xùn)練的陌生絕緣子破損、閃絡(luò)、臟污故障圖片的檢測(cè)能力有明顯提升。

本文隨機(jī)將訓(xùn)練集、驗(yàn)證集、測(cè)試集的比例劃分為10∶1∶1，即訓(xùn)練集3 868張，驗(yàn)證集386張，測(cè)試集386張；其中訓(xùn)練集包含3 353處破損故障，3 452處閃絡(luò)故障，3 233處臟污故障；驗(yàn)證集包含了308處破損故障，302處閃絡(luò)故障，293處臟污故障；測(cè)試集包含了302處破損故障，299處閃絡(luò)故障，278處臟污故障。為保證檢測(cè)的有效性，訓(xùn)練集、驗(yàn)證集、測(cè)試集中的圖片均相互獨(dú)立，無(wú)任何重合的圖片。

使用 LabelImg標(biāo)注軟件進(jìn)行標(biāo)注操作，將破損標(biāo)注為Damage、閃絡(luò)標(biāo)注為Flash、臟污標(biāo)注為Dirt，具體的操作如圖5所示。

2.2 模型訓(xùn)練過(guò)程

本文使用的顯卡為NVIDIA GEFORCE RTX 2060、Cpu為英特爾Core i7-10875H@2.30GHz八核。為了實(shí)現(xiàn)模型的最佳性能，本文將迭代次數(shù)設(shè)置為150，初始學(xué)習(xí)率設(shè)置為0.000 1，置信度設(shè)置為0.25，圖片尺寸為640×640像素，由于有很多故障會(huì)重合，為了減少無(wú)用的錨框，將Nms（non maximum suppression）非極大值抑制設(shè)置的較低為0.15。mAP變化如圖6所示。

mAP0.5在0到80輪時(shí)迅速上升，80輪后開(kāi)始趨于平緩，達(dá)到120輪后就幾乎不再上升，最終在142輪時(shí)穩(wěn)定在0.96附近，達(dá)到了模型的最優(yōu)狀態(tài)。

2.3 本文算法對(duì)比其他算法進(jìn)行性能評(píng)估

使用訓(xùn)練得到的權(quán)重文件識(shí)別測(cè)試集中386張有故障的絕緣子圖片，部分結(jié)果如圖7所示，示例結(jié)果中有5處破損故障，3處閃絡(luò)故障，2處臟污故障，全部識(shí)別正確。

為客觀驗(yàn)證算法性能，在同一數(shù)據(jù)集情況下，將本文算法與幾種主流目標(biāo)識(shí)別算法性能進(jìn)行了對(duì)比，實(shí)驗(yàn)結(jié)果以3種故障單獨(dú)的mAP、3種故障的總mAP、文件大小總計(jì)5項(xiàng)評(píng)價(jià)指標(biāo)來(lái)分別進(jìn)行評(píng)價(jià)以及對(duì)比。

以下實(shí)驗(yàn)皆采用相同數(shù)據(jù)集、驗(yàn)證集、測(cè)試集以及訓(xùn)練輪次、初始學(xué)習(xí)率等相關(guān)參數(shù)，具體對(duì)比結(jié)果如表4所示。

由表4可知，本文算法對(duì)三種故障總計(jì)平均檢測(cè)精度達(dá)到96.7% ，遠(yuǎn)高于Faster R-CNN和SSD，比YOLOv2和YOLOv5s分別增加了5.4%和3.3%。

文件大小比Faster R-CNN、SSD、YOLOv2明顯減小。除此之外，在加入3處改進(jìn)后，僅比YOLOv5s大了0.1 M，僅大了0.67%，仍然保持了YOLOv5s輕量化的特點(diǎn)。

2.4 消融實(shí)驗(yàn)對(duì)不同優(yōu)化措施有效性進(jìn)行驗(yàn)證

本文在原YOLOv5s的基礎(chǔ)上，使用K-means算法重新設(shè)計(jì)先驗(yàn)框尺寸，且在頸部網(wǎng)絡(luò)加入CBAM注意力模塊，并且引入MetaAconC激活函數(shù)。為了驗(yàn)證各個(gè)模塊的影響，進(jìn)行了消融實(shí)驗(yàn)，將改進(jìn)后的YOLOv5s模型中的改進(jìn)機(jī)制逐個(gè)添加并進(jìn)行訓(xùn)練，驗(yàn)證模型的改進(jìn)機(jī)制是否具有正面影響。消融實(shí)驗(yàn)具體結(jié)果由表5所示。以下實(shí)驗(yàn)皆采用同一數(shù)據(jù)集，由于文件大小和檢測(cè)速度差距不大，故實(shí)驗(yàn)中僅用mAP作為評(píng)估指標(biāo)。

實(shí)驗(yàn)結(jié)果表明，每個(gè)模塊單獨(dú)應(yīng)用均能對(duì)最終結(jié)果產(chǎn)生正向優(yōu)化，其中CBAM注意力模塊對(duì)于識(shí)別準(zhǔn)確率的貢獻(xiàn)相對(duì)較為明顯，僅一個(gè)模塊mAP增加了2.1%。不同的兩個(gè)模塊組合也對(duì)模型有提升作用，最明顯的是CBAM模塊和MetaAconC兩個(gè)模塊組合，mAP增加了2.6%。所有模塊的同時(shí)應(yīng)用對(duì)于mAP增加最大，最終對(duì)算法的mAP增加了3.2%。

3 結(jié)論

改進(jìn)算法利用K-means重新設(shè)計(jì)先驗(yàn)框大小，加速了算法收斂；在頸部網(wǎng)絡(luò)中融合CBAM注意力機(jī)制，提升了易忽略目標(biāo)的權(quán)重，減少了漏檢率；引入了MetaAconC函數(shù)作為激活函數(shù)，加強(qiáng)了網(wǎng)絡(luò)的辨別能力。在完成上述三處改進(jìn)后，進(jìn)行了基于python的仿真結(jié)果分析，用完成訓(xùn)練后的權(quán)重文件檢測(cè)了386張帶有故障的絕緣子圖片。結(jié)果如下。

1） 改進(jìn)后算法能準(zhǔn)確識(shí)別絕緣子破損、閃絡(luò)、臟污3類(lèi)故障，算法的改進(jìn)有效。

2） 改進(jìn)后算法的mAP相比于原網(wǎng)絡(luò)增加了3.2%，達(dá)到了96.7%，其中單獨(dú)添加CBAM模塊對(duì)mAP增加最大，達(dá)到了2.1%。

3） 訓(xùn)練后的權(quán)重文件大小僅15.1 M，相比原網(wǎng)絡(luò)僅大了0.1 M，遠(yuǎn)遠(yuǎn)小于其他同類(lèi)算法，達(dá)到了輕量化的效果。

4） 故障檢測(cè)在下雪、霧霾情況下漏檢、錯(cuò)檢概率明顯增加，說(shuō)明在不同的天氣、光線(xiàn)、障礙物干擾時(shí)檢測(cè)準(zhǔn)確率還有提升空間。后續(xù)工作中應(yīng)繼續(xù)擴(kuò)大訓(xùn)練集容量，覆蓋各種可能有的惡劣環(huán)境，使模型得到充分訓(xùn)練，在各種情況下都可以達(dá)到高準(zhǔn)確率。

參考文獻(xiàn)：

[1] 史雨馨，朱繼杰，凌志剛. 基于特征增強(qiáng)YOLOv4的無(wú)人機(jī)檢測(cè)算法研究[J]. 電子測(cè)量與儀器學(xué)報(bào)，2022，36（7）：16-23.

SHI Y X，ZHU J J，LING Z G. Research on UAV detection algorithm based on feature enhancement YOLOv4[J]. Journal of Electronic Measurement and Instrumentation，2022，36 （7）：16-23.

[2] RIDDIFORD L J，GRUTTER A J，PILLSBURY T，et al. Understanding signatures of emergent magnetism in topological insulator/ferrite bilayers[J]. Physical review letters，2022，128（12）：126802.

[3] 劉宇紅. 絕緣子在運(yùn)行中的常見(jiàn)故障原因及預(yù)防措施[J]. 內(nèi)蒙古煤炭經(jīng)濟(jì)，2016（1）：114-116.

LIU Y H. Common fault causes and preventive measures of insulators in operation[J]. Inner Mongolia Coal Economy，2016（1）：114-116.

[4] 黨宏社，薛萌，郭琴. 基于改進(jìn)的YOLOv4絕緣子掉片故障檢測(cè)方法[J]. 電瓷避雷器，2022（1）：211-218.

DANG H S，XUE M，GUO Q. Based on the improved YOLOv4 insulator chip failure detection method[J]. Porcelain arrester，2022（1）：211-218.

[5] 鄭濤. 基于PCNN的航拍絕緣子圖像的分割及定位研究[D]. 大連：大連海事大學(xué)，2011.

ZHENG T. Study on segmentation and location of aerial image of insulator based on PCNN[D]. Dalian：Dalian Maritime University，2011.

[6] 劉燦，林志強(qiáng)，劉燕，等. 基于PCNN模型的圖像分割研究[J]. 網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2009（4）：61-64.

LIU C，LIN Z Q，LIU Y，et al. Research on image segmentation based on PCNN model[J]. Network Security Technology and Application，2009（4）：61-64.

[7] 彭闖，張紅民，王永平. 一種基于YOLOv3的絕緣子串圖像快速檢測(cè)方法[J]. 電瓷避雷器，2022（1）：151-156.

PENG C，ZHANG H M，WANG Y P. A fast detection method of insulator string image based on YOLOv3[J]. Porcelain Arrester，2022（1）：151-156.

[8] 賴(lài)秋頻，楊軍，譚本東，等. 基于YOLOv2網(wǎng)絡(luò)的絕緣子自動(dòng)識(shí)別與缺陷診斷模型[J]. 中國(guó)電力，2019，52（7）：31-39.

LAI Q B，YANG J，TAN B D，et al. Insulator automatic identification and defect diagnosis model based on YOLOv2 network[J]. China Power，2019，52（7）：31-39.

[9] BHATTACHARYA A，F(xiàn)REUND Y，JAISWAL R. On the K-means/median cost function[J]. Information Processing Letters，2022（8）：106252.

[10] JIANG H，LEARNED-MILLER E. Face detection with the faster R-CNN[C]//Washington DC：2017 12th IEEE nternational Conference on AutomaticI Face & Gesture Recognition，2017.

[11] REN S Q，HE K M，GIRSHICK R，et al. FasterR -CNN： towards real-time object detection with region proposal?networks[J]. IEEE Transactions on Pattern Analysis and?Machine Intelligence，2017，39（6）：1137-1149.

[12] 張錦，屈佩琪，孫程，等. 基于改進(jìn)YOLOv5的安全帽佩戴檢測(cè)算法[J]. 計(jì)算機(jī)應(yīng)用，2022，42（4）：1292-1300.

ZHANG J，QU P Q，SUN C，et al. Helmet wearing detection algorithm based on improved YOLOv5[J]. Computer?Applications，2022，42（4）：1292-1300.

[13] MIAO L，LI N，ZHOU M，et al. CBAM-YOLOv5： Improved YOLOv5 based on attention model for infrared ship detection[C]//Harbin：International Conference on Computer Graphics，Artificial Intelligence，and Data Processing（ICCAID 2021），2021.

[14] LIN T Y，GOYAL P，GIRSHICK R，et al. Focal loss for dense object detection[J]. IEEE Transactions on Pattern?Analysis & Machine Intelligence，2017（99）：2999-3007.

第一作者：張長(zhǎng)樂(lè)（1996—），男，碩士研究生，研究方向?yàn)殡娏ο到y(tǒng)故障辯識(shí)。E-mail：350587231@qq.com。

通信作者：金鈞（1970—），男，副教授，碩士生導(dǎo)師，博士，研究方向?yàn)檐壍澜煌姎饣c自動(dòng)化。E-mail：jinjun@djtu.edu.cn。

（責(zé)任編輯：吳海燕）