此前出了目标检测算法改进专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读发表高水平学术期刊中的SCI论文，并对相应的SCI期刊进行介绍，帮助大家解答疑惑，助力科研论文投稿。解读的系列文章，本人会进行创新点代码复现，有需要的朋友可关注私信我获取。

 一、摘要

绝缘子及其缺陷的检测对保证电力系统的安全稳定运行具有重要意义。小样本是神经网络绝缘子缺陷检测的主要问题之一。在本研究中，我们发布了一个绝缘子和自爆缺陷检测数据集，并提供了一个基于改进YOLOv 5的基准测试，称为Foggy绝缘子网络（FINet）。在本文中，我们实现并优化了一种合成雾算法。构建并发布了包含13000张图像的绝缘体数据集（SFID）。通过引入通道注意机制，将YOLOv 5网络改进为SE-YOLOv 5网络，从头训练出F1得分为96.2%的绝缘子及其缺陷鲁棒检测模型，并将其作为基准。本文提出的合成雾算法可广泛应用于各种数据集的数据增强。训练后的模型可应用于输电线路巡检领域。  

二、网络模型及核心创新点

在本研究中，我们引入了通道注意机制挤压和激励（SE）模块[28]，以将YOLOv 5 [14]对象检测框架改进为SE-YOLOv 5，作为绝缘子及其缺陷检测网络。如图4所示，整个网络架构由主干、颈部和头部组成。在彩色数字图像存储中，每个像素存储RGB三种颜色的值，值越大，对应的颜色分量越多。在灰度图像中，RGB的三种颜色被均等地合并到一个通道中。最大值（归一化为1）表示纯白色，最小值0表示纯黑色。通常，在彩色图像的大多数非天空区域中，图像像素总是具有至少一个值非常低的通道，这被称为暗通道先验[27]。公式如下：

三、应用数据集

论文中使用的主要数据集。

  四、实验效果（部分展示）

 对比实验结果。将该模型与Faster RCNN、Mask RCNN、YOLOX、Swin-Transformer和原生YOLOv 5等几种经典和最新模型的检测性能进行了比较。前四个模型由MMDetection工具运行。所有模型均在拟定的SFID数据集上进行了训练和测试。结果示于表V中。

  五、实验结论

基于提出的合成雾算法和改进的YOLOv5检测基准，发布了绝缘子和自爆缺陷数据集。结果如下：（1）基于暗通道先验实现了一种合成雾化算法，并利用矩阵计算进行了优化，使雾化速度提高了约40倍。(2)通过扩展UPID构建了包含13000张图像的绝缘体数据集（SFID），并在Github上发布。(3)在YOLOv5中引入信道注意机制，构建了绝缘子及自爆缺陷检测网络。用SFID对模型进行训练，综合F1得分达到96.2%。该模型在晴天和雾天场景下均具有较强的鲁棒性，可应用于输电线路巡检领域。

注：论文原文出自FINet: An Insulator Dataset and Detection Benchmark Based on Synthetic Fog and Improved YOLOv5. 本文仅用于学术分享，如有侵权，请联系后台作删文处理。

解读的系列文章，本人已进行创新点代码复现，有需要的朋友欢迎关注私信我获取❤。