摘要
构建智能电网是当今电力系统的重要发展方向，其中运用计算机视觉技术实现
输电线路的智能化检测是其主要任务之一。输电线路智能检测场景可分为两类：输
电本体和输电通道。输电本体一般包括杆塔、绝缘子和各类金具等部件，通常需要
对这些部件进行定期巡检，及时发现故障或缺陷。输电通道是指输电线路的周边环
境，输电线路周围环境会存在对输电线路造成外力破坏的隐患，如输电线下施工机
械超高作业、烟雾山火、导线悬挂异物等。两类输电场景均具有利用图像进行智能
检测的需求，且均存在较难解决的小目标检测问题。本文对输电本体中的螺栓销钉
缺陷检测问题和输电通道中施工机械隐患检测问题展开了研究，针对两类场景中的
视觉小目标问题分别提出了不同的解决方法，主要工作如下：
(1)提出输电本体螺栓销钉缺陷检测模型CAM-YOLO。首先，针对缺陷螺栓目
标小而背景相似物干扰多的问题，基于YOLOv5检测模型，设计了上下文感知模块，
使用不同扩张率的空洞卷积来获取更大的感受野，使模型学习到目标周围的上下文
信息，减少误检和漏检的情况。然后，针对螺栓销钉缺陷目标特征较为单一的特点，
设计了更加简单高效的简化特征融合结构，提升特征融合的效率，同时降低了网络
参数量。最后，针对图像分辨率大而造成的网络训练效率低的问题，利用切图训练
策略，使网络模型能够更加充分地学习目标特征，同时有效减少了模型训练过程中
的计算负担。实验结果表明，CAM-YOLO能够有效改善输电本体螺栓缺陷小目标的
检测效果，在检测精度和检测速度上相比其他网络模型有明显的优势。
(2)提出输电通道施工机械隐患检测模型TC-YOLO。首先，针对施工机械小目
标细节特征信息不足的问题，基于YOLOX检测模型，在特征融合网络的基础上设计
了纹理增强模块，通过大尺寸卷积核来提取主干网络中的浅层特征，加强网络对浅
层特征图中丰富的纹理细节信息的利用。然后，针对不同目标之间特征相似以及目
标本身特征模糊的问题，在特征融合网络中加入了深度上下文感知模块，借助目标
周围的上下文信息，辅助模型对目标类别进行判断。最后，对网络的损失函数进行
了改进，在边界框损失函数中加入指数参数以提高检测精度。实验结果表明，相比
于其他网络模型，TC-YOLO在输电通道施工机械小目标检测上具有较高的检测精度，
并且检测速度能够满足实时性的需求。
本文研究内容可为输电本体和输电通道的智能化检测提供技术参考。
关键词：输电线路；小目标检测；上下文信息；YOLO；特征融合
I
II
ABSTRACT
Buildingasmartgridisanimportantdevelopmentdirectionoftodayspowersystem,
andusingcomputervisiontechnologytorealizeintelligentdetectionoftransmissionlinesis
oneofthemaintasks.Theintelligentdetectionscenariosoftransmissionlinescanbedivided
intotwocategories:transmissionbodyandtransmissioncorridor.Thepowertransmission
bodygenerallyincludescomponentssuchastowers,insulators,andvariousfittings.Itis
usuallynecessarytoconductregularinspectionsonthesecomponentstofindfaultsordefects
intime.Thetransmissioncorridorreferstothesurroundingenvironmentofthetransmission
line.Thesurroundingenvironmentwillhaveh