使用 SESYOLO 对输电线路外来物体的检测

保持电力线路清洁与安全

现代生活依赖于电力通过广泛的线路网络顺畅传输。然而，一只鸟巢或一只迷失的风筝这样的日常物件卡在高压设备上，就可能引发停电、火灾或高昂的维修费用。本研究提出了一种改进的计算机视觉系统，称为 SESYOLO，能够帮助无人机快速且准确地自动识别输电线路上的此类外来物体，即便这些物体体积微小、形状奇特，且隐藏在复杂背景中。

日常杂物，高压风险

输电线路横跨数千公里，穿过田野、河流与城市，经过鸟类、树木和人类活动密集的环境。鸟巢、塑料袋、风筝和气球可能粘到导线或塔架上，为电流提供不应有的跳跃路径。传统巡检在很大程度上依赖巡检人员长距离行走并目视检查结构，这既缓慢又有时存在危险。无人机使得获取图像变得更容易，但要把这些图像转化为可靠的自动预警，需要能在布满电缆、钢桁架和植被的背景中识别出小而不规则物体的软件。现有检测程序常把背景模式误判为危险、漏检微小目标，并且缺乏充足且标注良好的训练图像。

教机器识别麻烦的样子

为了解决真实巡检照片不足和类别不平衡的问题，研究人员首先建立了一个新的图像集合，名为 FOD24，专注于输电线路上的外来物体。他们将 1,401 张真实无人机照片与多种图像增强方法结合使用，例如调整色彩与亮度、加入模糊与噪声，并模拟雨、雪与雾。随后还使用现代图像生成工具创建额外的逼真场景，补充像气球或风筝等欠代表的类别。经过人工仔细筛选与标注，最终数据集包含 2,817 张图像，涵盖鸟巢、风筝、气球、塑料袋和绝缘子。测试仅使用真实照片，确保性能评估反映真实世界条件，而非人工合成样例。

为微小目标提供更敏锐的“眼睛”

在流行且快速的检测器 YOLOv8 的基础上，团队重新设计了网络的若干关键部件，使其在处理小型、伪装且隐蔽的物体时表现更佳，同时仍能在常用于无人机的硬件上实时运行。一个名为 SCConv 的新模块帮助系统在位置和特征强度上关注最具信息量的细节，减少冗余计算。另一个组件 Efficient RepGFPN 改善了粗略大视野与细致近景信息的融合，这对当鸟巢或风筝仅占据极少像素时尤为重要。最后，检测“头”中定制的注意力机制促使网络强调外来物体并弱化干扰性背景。这些改进共同提高了模型对细微形状的辨识能力，而不会显著降低速度。

向更强的“教师”学习

研究人员还通过一种称为知识蒸馏的技术进一步提升了 SESYOLO 的能力。简单来说，他们训练了一个更小更快的检测器（“学生”）去模仿一个更大更强模型（“教师”）的行为。在训练过程中，学生模型接受了高度增强的图像，这些图像模拟了无人机在现场遇到的多变且混乱的场景。特殊模块对齐了教师与学生之间的内部信号，使学生更容易吸收图像中存在的内容以及目标的位置。经过这一两阶段训练后，学生模型在保持紧凑与高效的同时，保留了教师模型的大部分准确性，适合实际部署于空中平台。

更好的检测，带来更可靠的电网

在与若干知名目标检测系统的比较测试中，SESYOLO 在准确率和召回率上表现显著更好，尤其是在检测小型和不规则物体方面。与其所基于的原始 YOLOv8 相比，SESYOLO 在一个关键准确率指标上提升了约九个百分点，并在识别鸟巢方面表现尤其突出，准确率接近 94%。同时，模型保持轻量——大约只需 7.9 兆字节内存——且在标准显卡上约能以每秒 142 帧的速度处理图像。对电力公司而言，这意味着无人机可以快速扫描线路并自动标记可能的隐患，使维修队伍能把精力放在及时修复而非人工搜索。从日常角度看，该工作有助于减少意外停电、提高高压线路附近的安全性并增强电网可靠性。

引用: Duan, P., Zhang, X., Liang, X. et al. Foreign object detection in power transmission lines using SESYOLO. Sci Rep 16, 11807 (2026). https://doi.org/10.1038/s41598-026-41080-7

关键词: 电力线路巡检, 无人机成像, 目标检测, 深度学习, 基础设施安全