点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12567780/pdf/sensors-25-06445.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

电网安全是城市运转的 “生命线”，配电塔上的绝缘子绑扎不规范、耐张线夹护罩缺失等微小缺陷，看似不起眼，却可能引发停电、电网故障甚至火灾。传统人工巡检效率低、误差大，无人机巡检虽普及，但图像仍需人工分析，小缺陷极易遗漏。如何让无人机实现全自动、实时、精准的小缺陷检测？今天给大家分享一篇顶刊研究 —— 基于 YOLOv11n 优化的TDD-YOLO 模型，完美解决配电塔小目标缺陷检测难题！

PART/1

    痛点   

痛点直击：配电塔缺陷检测的三大难题

配电塔小缺陷检测，一直是行业痛点，核心难题有三个：

1. 细节丢失：普通卷积下采样会丢弃小缺陷的细粒度特征，导致模型 “看不见”
2. 背景干扰：复杂航拍背景杂乱，模型难以聚焦微小缺陷区域
3. 融合低效：多尺度特征融合不畅，小缺陷定位精度不足

针对这些问题，研究团队以 YOLOv11n 为基础，打造了专属配电塔检测的 TDD-YOLO 模型，四大优化模块层层突破！

PART/2

     核心创新   

核心创新：四大模块，精准锁定小缺陷

TDD-YOLO 不是简单堆砌模块，而是系统性解决小目标检测全链路问题，四大关键优化缺一不可：

1. SPD-Conv：保住细粒度细节

替换传统下采样层，将空间信息转为通道信息，不丢弃任何像素，彻底解决小缺陷早期特征丢失问题，让微小缺陷的纹理、轮廓完整保留。

2. CBAM 注意力：聚焦缺陷区域

集成通道 + 空间双注意力机制，自动 “忽略” 背景干扰，放大缺陷关键特征，让模型精准盯住缺陷位置，不受复杂环境影响。

3. BiFPN：高效多尺度融合

重构颈部网络，搭建双向跨尺度连接，快速融合浅层细节 + 深层语义特征，让特征信息流通更顺畅，提升小缺陷识别鲁棒性。

4. 高分辨率检测头：强化小目标定位

新增160×160 高分辨率检测头，专门针对极小缺陷优化，弥补原生检测头对小目标敏感度不足的问题，定位更精准。

【TDD-YOLO 模型架构图（标注 SPD-Conv、CBAM、BiFPN、高分辨率检测头位置）】

PART/3

     实验   

实测爆表：精度、速度、轻量化全兼顾

研究团队自建6869 张配电塔缺陷数据集，涵盖两种核心缺陷，在 Jetson Orin Nano 边缘设备上实测，结果惊艳：

1. 精度拉满：mAP@0.5 达0.873，比原生 YOLOv11n 提升 3.9%，小缺陷识别率大幅提高
2. 实时检测：640×640 分辨率下，帧率达28FPS，满足无人机实时巡检需求
3. 轻量高效：模型仅 6.1M，GFLOPs 18.5，边缘设备轻松部署

【TDD-YOLO 与主流轻量模型对比表】

同时，团队做了模糊、强光、弱光、雾霾四种恶劣环境测试，TDD-YOLO 精度均远超基线模型，环境抗干扰能力拉满！

PART/4

     落地验证   

落地验证：无人机全自动巡检，真正无人化

这套模型不只是实验室成果，已完成无人机全自动巡检系统落地：

1. 搭载 Jetson Orin Nano 边缘计算单元，无人机自主起飞、巡航、定位塔头

2. 4G 通信链路稳定，端到端延迟仅 91ms，丢包率 0.15%，满足实时控制要求

3. 实地飞行测试，可精准识别两种小缺陷，全程无需人工干预

【无人机巡检实景图 + 缺陷检测结果图】

整套系统把传统人工巡检转为全自动智能作业，大幅提升巡检效率，节省人力成本，为电网安全保驾护航！

PART/5

     总结   

TDD-YOLO 模型为电力小目标缺陷检测提供了全新思路：

• 四大优化模块形成协同效应，系统性解决小缺陷检测难题

• 轻量 + 高精度 + 实时性，完美适配无人机边缘部署

• 实地验证可行，具备大规模落地价值

未来，团队将进一步优化模型压缩、融合塔体检测与缺陷检测、扩充数据集，让 AI 电网巡检更智能、更通用！

小小缺陷，关乎电网安全；AI 赋能，守护万家灯火。这款配电塔缺陷检测模型，无疑是电网智能巡检的硬核利器！

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐 

🔗

• YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型

• ViT-YOLO：基于Transformer的用于目标检测的YOLO算法

• SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测

• LUD-YOLO：一种用于无人机的新型轻量级目标检测网络

• Gold-YOLO：基于聚合与分配机制的高效目标检测器

• Drone-YOLO：一种有效的无人机图像目标检测

• 「无人机+AI」“空中城管”

• 无人机+AI：光伏巡检自动化解决方案

• 无人机视角下多类别船舶检测及数量统计
  

• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题

• 2PCNet：昼夜无监督域自适应目标检测（附原代码）

• YOLO-S：小目标检测的轻量级、精确的类YOLO网络

• 大改Yolo框架 |  能源消耗极低的目标检测新框架（附论文下载）

• 改进的检测算法：用于高分辨率光学遥感图像目标检测