编辑推荐：
高效实时检测Transformer改进模型在绝缘子缺陷检测中的应用研究。通过引入reparam窗口注意力模块增强ResNet-18的感知范围，结合空间到深度卷积和选择性边界聚合优化多尺度特征融合，有效提升复杂环境下小目标检测精度，实验验证模型性能优于现有方法。
Xianshuang Yao|Shiyun Li
东北电力大学自动化工程学院，吉林，132012，中国
摘要
本文提出了一种基于改进的实时检测变压器的高效目标检测方法，用于解决电力传输线中绝缘体缺陷的检测问题。该方法结合了重新参数化的窗口注意力模块（Reparam Window Attention Block，RWABlock），以增强ResNet-18的基础模块。这一改进显著扩大了感受野范围，从而提高了特征提取能力和表示能力。此外，该方法通过空间到深度卷积（Space-to-Depth Convolution，SPD-Conv）处理小目标检测层，有效地将特征整合到特征金字塔网络中。该方法还通过选择性边界聚合（Selective Boundary Aggregation，SBA）进一步完善了特征融合过程，提高了学习到的特征的区分能力。实验分析表明，改进后的方法在对比研究中取得了更高的准确率，证明了其在多样化和复杂环境下的绝缘体缺陷识别能力。
引言
电网的扩展导致了传输线系统规模逐渐增大且复杂性增加。定期检查至关重要，尤其是在复杂的运行环境和多变的天气条件下，因为这可以确保关键部件的安全，并能够及早发现潜在故障。这提高了整个传输系统的可靠性和运行效率。
绝缘体是传输线中的关键元件。它们不仅将电缆与杆子或塔架电气隔离，还提供机械支撑[1]、[2]、[3]、[4]。由老化、污染、机械损伤等因素引起的缺陷可能对传输线的正常运行构成严重威胁[5]、[6]。因此，定期检查绝缘体的损伤情况至关重要[7]、[8]、[9]。
随着无人机（UAV）技术和机器视觉的快速发展，传统的人工检测方法因效率低下和准确性有限而受到越来越多的挑战，逐渐被自动化系统取代。无人机系统地捕获传输线的高分辨率图像，而区块链则确保了数据传输的安全性、透明性和可追溯性。机器视觉算法随后分析这些图像，以准确检测和分类外来物体[10]、[11]、[12]、[13]。
基于无人机的绝缘体缺陷检测的最新进展仍面临一些限制。例如，参考文献[14]通过坐标注意力和双向特征金字塔网络提高了准确率，但由于数据集较小（976张图像），限制了模型的泛化能力。参考文献[15]提出了一种对红外图像敏感的方向性R-CNN，但在极端天气条件下缺乏鲁棒性，且无法进行缺陷诊断。参考文献[16]使用条件生成对抗网络（Conditional GANs）进行缺陷检测，但该方法计算成本较高，可能会引入语义错误。参考文献[17]通过多尺度融合网络实现了89.2%的mAP值，但评估仅限于专有数据集，未与基准进行比较或考虑不同天气条件。参考文献[18]通过双向融合网络和跨层注意力（Cross-layer Attention）达到了91.2%的mAP值，但模型运行速度较慢（10.7 FPS）且能耗较高，不利于实时应用。
为了克服在复杂环境条件和多样化的天气模式下检测小绝缘体缺陷所面临的挑战，本研究提出了一种基于实时检测变压器（RT-DETR）架构的改进算法。该算法通过用新型的RWABlock替换ResNet-18的原始BasicBlock，专门增强了传输线绝缘体检测中小目标缺陷的检测能力。为了解决小目标特征融合的问题，我们提出了一种新的特征金字塔结构。在该结构中，使用选择性边界聚合（SBA）进行特征融合，并通过SPD-Conv引入高分辨率特征层，以便更好地保留小目标的信息。
本文的主要贡献如下：
1.RWABlock通过结合卷积神经网络在局部模式识别方面的优势与变压器在建模长距离依赖性方面的能力，增强了ResNet-18。这种集成将窗口注意力与分解的大核卷积相结合，有效捕获了多尺度特征，同时保持了平移不变性。受到RepLKNet范式的启发，提出了一种动态多尺度选择机制，以替代固定的核策略，实现大核和小核卷积之间的动态调整。
2.为了提高小目标检测能力，我们在p2层引入了SPD-Conv，并提出了SBA模块用于特征融合。SBA通过1×1卷积实现Sigmoid加权双向融合，从而实现跨通道交互。该设计包含门控权重，可以自适应地增强关键特征，同时显著减少冗余。这种轻量级方法有效地保留了多尺度信息，并在计算开销最小的情况下大幅提高了小目标的表示能力。
章节摘录
基于改进的RT-DETR的绝缘体缺陷检测方法
鉴于无人机检测的实时要求，我们选择了RT-DETR作为基础框架，因为它在速度和准确性之间取得了平衡。我们的改进针对其在小目标检测方面的局限性。
RT-DETR算法改进策略
如图2所示，我们的改进采用了分层策略：用RWABlock替换ResNet-18的模块以扩大感受野范围；引入SBA和SPD-Conv以保留小目标特征。
结果与分析
为了验证第3节中介绍的RWABBlock、SBA和SPD-Conv模块的贡献，我们进行了全面的实验，包括与最先进检测器的对比测试（表1）、分析单个模块影响的消融研究（表7），以及在复杂天气条件下的特定场景评估（图9）。
结论
本研究提出了一种改进的RT-DETR模型，用于复杂环境中的绝缘体缺陷检测，实现了高精度识别任务。所提出的算法使用RWABBlock自适应地增强模型的感受野范围，以适应多尺度缺陷特征。通过SPD-Conv将p2特征检测层纳入特征金字塔，以保留精细的空间细节。此外，引入了SBA模块以加强跨层次特征聚合和层次融合。
CRediT作者贡献声明
Xianshuang Yao：撰写 – 审稿与编辑，资金获取，概念构思。Shiyun Li：撰写 – 原稿撰写，数据整理。
利益冲突声明
作者声明与本工作没有利益冲突。
我们声明与提交的工作没有任何商业或关联利益冲突。
