徐文静 高云天 陈 晨 叶泽恩（天津工业大学，天津300387）

绝缘子是输电线路中常见绝缘器件，需要对其进行故障检测。利用人工智能技术[1]可以提升绝缘子故障检测的智能化，而且借助人工智能技术自动识别绝缘子故障已成为一种趋势。但是，目前智能的识别方法依赖于有标注的样本库。

目前图像标注方法主要有两种：一种是利用LabelMe、Label Image[2]等标注软件进行人工手动标注，这种方法在标注大量数据集时往往费时耗力。另一种是利用开源数据集“外包平台”和调用API 进行标注，这种方法增加了维护成本。因此，需要研究适合绝缘子检测的图像自动标注方法。本文的目的就是设计一种绝缘子图像自动标注方法。

1 YOLOv5 模型综述

YOLO（You Only Look Once）是目标检测领域常用的神经网络模型，直接输入整张图片，是端到端的网络模型。YOLOv5模型是YOLO 模型的版本之一，在v5 发布前有v1、v2、v3、v4 等版本，其网络结构不断强化，模型训练速度不断提升。YOLO 官方[3]发布的YOLOv3 网络与其它网络性能对比情况如图1 所示。

图1 YOLOv3 与其它网络性能对比[3]

由图1 可知，YOLOv3 模型具有高准确率、低耗时等特点。与v3、v4 等版本相比，v5 版本模型训练速度更快，精确度更高。

使用YOLOv5 模型，只需适当调整模型参数，训练模型后，便可准确检测绝缘子图像。如图2 所示，绝缘子图像自动标注的实现流程可分为模型训练和自动标注两部分，模型训练过程包括人工标注、构建数据、调整参数、训练数据、测试数据等五步。

图2 绝缘子图像自动标注技术流程图

2 绝缘子图像自动标注算法

2.1 网络框架

在整体网络结构方面，YOLO 模型使用与GoogLeNet 结构相似的神经网络[9]，将3×3 的卷积核作为过滤器，使用1×1 的卷积层来减少通道规模。……