mAP 达 90.2%！这款 YOLOv8 改进模型，破解输电线路覆冰检测难题

来源：市场资讯

（来源：计算机视觉研究院）

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/PMC12431226/pdf/sensors-25-05421.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

本文提出HCDFI-YOLOv8 输电线路覆冰检测模型。它在原生 YOLOv8 的基础上完成四大维度升级，在复杂环境下实现精度与效率的双重突破，成为同类检测模型中的性能标杆。

PART/1

痛点

输电线路多分布在山地、旷野等复杂地形，无人机巡检拍摄的画面往往受光照、天气、距离影响很大。直接套用通用目标检测模型，会遇到四个典型行业痛点：

：想提升检测精度，模型计算量就会暴涨，很难在无人机边缘设备上实时运行；

：深浅层特征融合时，覆冰的纹理细节容易被稀释，小范围覆冰经常漏检；

：远近不同的覆冰目标尺寸差异大，单一检测头难以覆盖所有尺度；

：原生 CIoU 损失对边界框回归的约束不足，模型收敛慢、定位精度有限。

针对这些痛点，研究团队从骨干网络到损失函数全链路优化，打造了面向覆冰检测的专用模型。

【HCDFI-YOLOv8 模型整体架构图，直观展示骨干、颈部、检测头的改进位置】

PART/2

创新

HCDFI-YOLOv8 的核心创新，在于四个各司其职又协同增效的改进模块，每一处都对应解决一个场景难题。

1. CDH 模块：骨干网络轻量化，算力不增反降

为了打破 “精度升、算力必涨” 的困局，研究团队设计了CDH（交叉密集混合）并行异构卷积模块。它把输入的卷积通道分成 4 组，只保留 1 组 3×3 卷积负责提取深度特征，剩下 3 组全部替换为 1×1 轻量卷积。用小卷积核替代大部分大卷积核，在不损失特征表达能力的前提下，大幅压缩浮点运算量。

【CDH 模块架构图】

【DualConv 并行卷积变换示意图】

单独测试显示，加入 CDH 模块后，模型 FLOPs 反而降低 0.9G，同时 mAP@0.5 还能提升 0.5%，真正实现了 “提质降本”。

2. C2f_DFF 模块：动态特征融合，保住细节信息

在颈部网络，研究团队用C2f_DFF 模块替换了原生 C2f 模块，核心是加入了动态特征融合（DFF）机制。它会同时从空间位置和通道维度生成自适应权重：重点强化覆冰区域的特征，抑制背景冗余信息，让深浅层特征融合时，底层的纹理细节不会被高层语义冲淡，有效减少特征丢失。

【C2f_DFF 模块结构示意图】

【改进后颈部网络架构图】

通过多层级的特征交互，颈部网络能更灵活地融合不同尺度的信息，为后续检测输出更优质的特征。

3. FASFF 检测头：四头联动，适配多尺度目标

针对覆冰目标尺度差异大的问题，模型升级为FASFF 自适应空间特征融合四检测头，新增 P6 检测层，覆盖更大范围的目标尺寸。它会先把四个层级的特征对齐到同一分辨率，再通过可学习的权重矩阵动态融合：语义互补的特征会被增强，语义冲突的特征会被抑制，最终实现高层语义与底层细节的高效互补。

【FASFF 检测头架构图】

这一改进大幅提升了远距离小覆冰、近距离厚覆冰的同时检测能力。

4. Inner_CIoU 损失：内接矩形辅助，收敛更快更准

最后，模型用Inner_CIoU 损失函数替代了原生 CIoU 损失。它的核心思路是在真实框与预测框内部，生成动态缩放的内接辅助框，用辅助框计算交并比损失。这种方式能更好地区分不同难度的回归样本，让模型收敛速度更快，边界框定位也更精准。

【Inner-IoU 内接矩形原理示意图】

PART/3

实验

研究团队在公开输电线路覆冰数据集上完成了完整实验，从消融验证到横向对比，全面验证模型实力。

1. 实验基础设置

实验采用的数据集共包含 1372 张图像，覆盖两类典型覆冰：

• 混合淞：不透明的冰雪混合晶体

• 雨凇：透明的冰层其中训练集 1144 张，验证集 228 张，场景多样，能充分验证模型鲁棒性。

  
  

  实验硬件为 RTX 4060 笔记本显卡，基于 PyTorch 2.1.0 框架训练，输入图像尺寸 640×640，训练 300 轮后损失稳定收敛，无过拟合现象。

  
  

  
  

2. 消融实验：模块叠加协同增益

通过逐项添加改进模块的消融测试，可以清晰看到每个模块的贡献：

• 单独添加任意模块，均能带来精度提升；

• 四个模块全部叠加后，协同增益达到最大：相比原生 YOLOv8，mAP@0.5 提升 2.7%，mAP@0.5:0.95 提升 2.5%；

• 其中混合淞类别的精度提升最显著，mAP@0.5 提升 3.4 个百分点；

• 整体算力仅从 8.2G FLOPs 升至 9.4G，增幅远小于精度收益。

  
  

  
  

  
  

3. 横向对比：精度位列第一梯队

研究将 HCDFI-YOLOv8 与 TOOD、Faster R-CNN、RT-DETR、YOLO 全系列等共 12 款主流模型做了横向对比，结果十分亮眼：

• 精度第一

  ：mAP@0.5 达到 90.2%，是所有对比模型中的最高值，比第二名 YOLOv8 高出 2.7 个百分点；

• 算力友好

  ：9.4G 的浮点运算量，远低于两阶段模型和 Transformer 类模型，仅比原生 YOLOv8 增加 1.2G；

• 速度够用

  ：单图推理耗时 3.3ms，完全满足无人机端边巡检的实时性要求。

  
  

从可视化效果来看，对比模型普遍存在的误检、低置信度问题，在 HCDFI-YOLOv8 上得到了明显改善，两类覆冰都能被高置信度准确检出。

【雨凇场景下 6 种算法的检测效果对比图】

【混合淞场景下 6 种算法的检测效果对比图】

PART/4

总结与展望

HCDFI-YOLOv8 针对输电线路覆冰检测的专属场景，用 “轻量化骨干 + 动态特征融合 + 多尺度检测头 + 优化损失函数” 的组合拳，在可控的算力成本下，实现了检测精度的显著突破，为电网无人机智能巡检提供了更可靠的算法支撑。

研究团队也坦言，当前数据集的场景丰富度仍有局限。未来的研究将向两个方向延伸：一是构建 “图像 + 气象数据 + 三维地形” 的多模态融合网络，提升复杂天气、复杂地形下的模型鲁棒性；二是采用旋转边界框（OBB）制作高精度数据集，进一步提升细长输电线路的覆冰检测精度。

对于电力行业与计算机视觉领域的从业者来说，这种面向垂直场景的精细化改进思路，也为行业专用检测模型的设计提供了可复用的参考。

有相关需求的你可以联系我们！