Insulator defect detection based on improved YOLOv11n

LEI Dewei; LIN Guojun; MA Run; CHEN Mingju

doi:10.37188/CJLCD.2026-0053

您当前的位置：

首页 >

文章列表页 >

Insulator defect detection based on improved YOLOv11n

Image Processing | 更新时间：2026-09-12

- Insulator defect detection based on improved YOLOv11n
- Chinese Journal of Liquid Crystals and Displays Vol. 41, Issue 5, Pages: 687-699(2026)
- 作者机构：
  
  1.四川轻化工大学自动化与信息工程学院，四川宜宾 644000
  2.智能感知与控制四川省重点实验室，四川宜宾 644000
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(42405145);Science and Technology Department of Sichuan Province(2024YFHZ0026);Natural Science Foundation of Sichuan Province(2025ZNSFSC0477;2024NSFSC2042)
- DOI：10.37188/CJLCD.2026-0053
  CLC： TM85;TP391.41
- CSTR：32172.14.CJLCD.2026-0053
- Received：27 March 2026，
  
  Revised：2026-04-12，
  
  Published：05 May 2026
- 稿件说明：
移动端阅览
LEI Dewei, LIN Guojun, MA Run, et al. Insulator defect detection based on improved YOLOv11n[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(5): 687-699.
DOI：

LEI Dewei, LIN Guojun, MA Run, et al. Insulator defect detection based on improved YOLOv11n[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(5): 687-699. DOI： 10.37188/CJLCD.2026-0053. CSTR： 32172.14.CJLCD.2026-0053.

摘要

针对电力系统巡检中绝缘子缺陷尺寸微小、特征微弱且易受复杂背景干扰导致的检测精度不足问题，提出一种改进的YOLOv11n目标检测模型。该模型在骨干与颈部网络融入3项优化策略提升缺陷检测性能：引入C3k2_DFF模块，通过自适应通道注意力与跨尺度动态加权融合实现高效特征融合；设计C3k2_LS模块，利用大卷积核注意力路径增强全局上下文感知；采用ConverseUp上采样算子替代传统方式，基于可学习反卷积主动重建高分辨率细节，减少信息损失。在真实绝缘子缺陷数据集上，改进模型相较YOLOv11n基线模型，破损类平均精度（AP）提升3.2%，闪污类AP提升1.1%，mAP提升1.5%，精确率提升5.7%，召回率稳定，同时保持对绝缘子目标的高检测精度，有效增强了缺陷识别能力，为电力巡检自动化提供了更可靠的技术支撑。

Abstract

To address the problem of insufficient detection accuracy in power system inspection due to the small size， weak characteristics， and susceptibility to complex background interference of insulator defects， an improved YOLOv11n object detection model is proposed. The model integrates three key optimization strategies into its backbone and neck networks to comprehensively enhance defect detection performance. The C3k2_DFF module is introduced， which achieves efficient dynamic feature fusion through an adaptive channel attention mechanism and cross-scale feature dynamic weighted fusion strategy. The C3k2_LS module is designed to augment global context information perception via a large-kernel attention pathway. The ConverseUp upsampling operator is developed and incorporated to replace conventional upsampling methods； based on a learnable deconvolution mechanism， it actively reconstructs high-resolution detail information during feature map scaling transformations， thereby mitigating information loss. Experimental results on a real-world insulator defect dataset demonstrate that the improved model significantly outperforms the original YOLOv11n baseline in critical defect categories， with the broken class Average Precision（AP） improving by 3.2%， the flashover contamination class AP by 1.1%， the overall mean Average Precision（mAP） by 1.5%， and Precision by 5.7%， while Recall remains stable. The model also maintains high detection accuracy for “insulator” targets， validating that the proposed improvements enhance defect recognition capability without compromising fundamental detection performance. This enhancement strategy effectively strengthens the model’s ability to identify insulator defects， providing more reliable technical support for automated power line inspection.

关键词

Keywords

references

ZHANG Z Y ， HUANG S H ， LI Y X ， et al . Image detection of insulator defects based on morphological processing and deep learning ［J］. Energies ， 2022 ， 15 （ 7 ）： 2465 . doi: 10.3390/en15072465 http://dx.doi.org/10.3390/en15072465

ZHANG Y L ， XUE X H ， MU L X ， et al . Detection of missing insulators in high-voltage transmission lines using UAV images ［J］. Drones ， 2026 ， 10 （ 3 ）： 213 . doi: 10.3390/drones10030213 http://dx.doi.org/10.3390/drones10030213

LIU Z Y ， WU G P ， HE W S ， et al . Key target and defect detection of high-voltage power transmission lines with deep learning ［J］. International Journal of Electrical Power & Energy Systems ， 2022 ， 142 ： 108277 . doi: 10.1016/j.ijepes.2022.108277 http://dx.doi.org/10.1016/j.ijepes.2022.108277

WANG H ， YANG Q ， ZHANG B L ， et al . Deep learning based insulator fault detection algorithm for power transmission lines ［J］. Journal of Real-Time Image Processing ， 2024 ， 21 （ 4 ）： 115 . doi: 10.1007/s11554-024-01495-9 http://dx.doi.org/10.1007/s11554-024-01495-9

SHI W X ， HUANG Z ， HUANG H H ， et al . LOEN： Lensless opto-electronic neural network empowered machine vision ［J］. Light： Science & Applications ， 2022 ， 11 （ 1 ）： 121 . doi: 10.1038/s41377-022-00809-5 http://dx.doi.org/10.1038/s41377-022-00809-5

LUO M C ， JIANG M R ， SHASTRI B J ， et al . Highly scalable machine vision enabled with meta-optics-based ultra-wide neural network ［J］. eLight ， 2026 ， 6 （ 1 ）： 10 . doi: 10.1186/s43593-026-00127-y http://dx.doi.org/10.1186/s43593-026-00127-y

ZHAI Y P ， FU X X ， SU Q ， et al . SparseFocus： Learning-based one-shot autofocus for microscopy with sparse content ［J］. Light： Advanced Manufacturing ， 2026 ， 7 （ 1 ）： 45 - 59 . doi: 10.37188/lam.2026.009 http://dx.doi.org/10.37188/lam.2026.009

刘子洋，徐慧英，朱信忠，等 . Bi-YOLO：一种基于YOLOv8n改进的轻量化目标检测算法［J］. 计算机工程与科学， 2024 ， 46 （ 8 ）： 1444 - 1454 ．

LIU Z Y ， XU H Y ， ZHU X Z ， et al . Bi-YOLO： An improved lightweight object detection algorithm based on YOLOv8n ［J］. Computer Engineering & Science ， 2024 ， 46 （ 8 ）： 1444 - 1454 . （in Chinese）

彭雪玲，林珊玲，林志贤，等 . 改进的YOLOv5s太阳能电池片缺陷检测算法［J］. 液晶与显示， 2024 ， 39 （ 2 ）： 237 - 247 ． doi: 10.37188/cjlcd.2023-0249 http://dx.doi.org/10.37188/cjlcd.2023-0249

PENG X L ， LIN S L ， LIN Z X ， et al . Defect detection algorithm of improved YOLOv5s solar cell ［J］. Chinese Journal of Liquid Crystals and Displays ， 2024 ， 39 （ 2 ）： 237 - 247 . （in Chinese） . doi: 10.37188/cjlcd.2023-0249 http://dx.doi.org/10.37188/cjlcd.2023-0249

杨彦萍，高军伟，刘兆龙，等 . 基于改进YOLO11的印刷电路板表面缺陷检测算法［J］. 液晶与显示， 2025 ， 40 （ 10 ）： 1545 - 1556 ． doi: 10.37188/cjlcd.2025-0137 http://dx.doi.org/10.37188/cjlcd.2025-0137

YANG Y P ， GAO J W ， LIU Z L ， et al . Surface defect detection on printed circuit boards based on improved YOLO11 ［J］. Chinese Journal of Liquid Crystals and Displays ， 2025 ， 40 （ 10 ）： 1545 - 1556 . （in Chinese） . doi: 10.37188/cjlcd.2025-0137 http://dx.doi.org/10.37188/cjlcd.2025-0137

谢星星，程塨，姚艳清，等 . 动态特征融合的遥感图像目标检测［J］. 计算机学报， 2022 ， 45 （ 4 ）： 735 - 747 ．

XIE X X ， CHENG G ， YAO Y Q ， et al . Dynamic feature fusion for object detection in remote sensing images ［J］. Chinese Journal of Computers ， 2022 ， 45 （ 4 ）： 735 - 747 . （in Chinese）

GUO M H ， LU C Z ， LIU Z N ， et al . Visual attention network ［J］. Computational Visual Media ， 2023 ， 9 （ 4 ）： 733 - 752 . doi: 10.1007/s41095-023-0364-2 http://dx.doi.org/10.1007/s41095-023-0364-2

LIU W Z ， LU H ， FU H T ， et al . Learning to upsample by learning to sample ［C］// Proceedings of the IEEE/CVF International Conference on Computer Vision . Paris， France ： IEEE ， 2023 ： 6004 - 6014 . doi: 10.1109/iccv51070.2023.00554 http://dx.doi.org/10.1109/iccv51070.2023.00554

LIU S T ， HUANG D ， WANG Y H ， et al . Learning spatial fusion for single-shot object detection ［J/OL］. arXiv ， 2019 ： 1911 . 09516 .

WANG Q L ， WU B G ， ZHU P F ， et al . ECA-Net： Efficient channel attention for deep convolutional neural networks ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition . Seattle， WA， USA ： IEEE ， 2020 ： 11531 - 11539 . doi: 10.1109/cvpr42600.2020.01155 http://dx.doi.org/10.1109/cvpr42600.2020.01155

ZHANG H ， WU C R ， ZHANG Z Y ， et al . ResNeSt： Split-attention networks ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition . New Orleans， LA， USA ： IEEE ， 2022 ： 2735 - 2745 . doi: 10.1109/cvprw56347.2022.00309 http://dx.doi.org/10.1109/cvprw56347.2022.00309

周颖，许士博，陈海永，等 . 融合多尺度特征与注意力的太阳能电池表面缺陷检测［J］. 光学精密工程， 2024 ， 32 （ 14 ）： 2286 - 2298 ． doi: 10.37188/ope.20243214.2286 http://dx.doi.org/10.37188/ope.20243214.2286

ZHOU Y ， XU S B ， CHEN H Y ， et al . Solar cell defect detection network combining multiscale feature and attention ［J］. Optics and Precision Engineering ， 2024 ， 32 （ 14 ）： 2286 - 2298 . （in Chinese） . doi: 10.37188/ope.20243214.2286 http://dx.doi.org/10.37188/ope.20243214.2286

陈名渝，谢玥辰，吕雄涛，等 . 冷轧钢表面与内部缺陷检测研究［J］. 中国光学（中英文）， 2024 ， 17 （ 4 ）： 823 - 833 ． doi: 10.37188/co.2023-0189 http://dx.doi.org/10.37188/co.2023-0189

CHEN M Y ， XIE Y C ， LV X T ， et al . Detection of surface and internal defects in cold rolled steel ［J］. Chinese Optics ， 2024 ， 17 （ 4 ）： 823 - 833 . （in Chinese） . doi: 10.37188/co.2023-0189 http://dx.doi.org/10.37188/co.2023-0189

CAO L ， XIAO W ， HU Z ， et al . Detection of citrus huanglongbing in natural field conditions using an enhanced YOLO11 framework ［J］. Mathematics ， 2025 ， 13 （ 14 ）： 2223 . doi: 10.3390/math13142223 http://dx.doi.org/10.3390/math13142223

ZHOU W Q ， LIU G . Review of overhead line defect inspection based on deep learning and UAV images ［J］. Electric Power Engineering Technology ， 2024 ， 43 （ 2 ）： 73 - 82 .

FENG Z Q ， GUO L ， HUANG D R ， et al . Electrical insulator defects detection method based on YOLOv5 ［C］// Proceedings of the 2021 IEEE 10th Data Driven Control and Learning Systems Conference . Suzhou， China ： IEEE ， 2021 ： 979 - 984 . doi: 10.1109/ddcls52934.2021.9455519 http://dx.doi.org/10.1109/ddcls52934.2021.9455519

郝帅，杨磊，马旭，等 . 基于注意力机制与跨尺度特征融合的YOLOv5输电线路故障检测［J］. 中国电机工程学报， 2023 ， 43 （ 6 ）： 2319 - 2330 ．

HAO S ， YANG L ， MA X ， et al . YOLOv5 transmission line fault detection based on attention mechanism and cross-scale feature fusion ［J］. Proceedings of the CSEE ， 2023 ， 43 （ 6 ）： 2319 - 2330 . （in Chinese）

WANG A ， CHEN H ， LIN Z J ， et al . LSNet： See large， focus small ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition . Nashville， TN， USA ： IEEE ， 2025 ： 9718 - 9729 . doi: 10.1109/cvpr52734.2025.00908 http://dx.doi.org/10.1109/cvpr52734.2025.00908

谢椿辉，吴金明，徐怀宇 . 改进YOLOv5的无人机影像小目标检测算法［J］. 计算机工程与应用， 2023 ， 59 （ 9 ）： 198 - 206 ． doi: 10.3778/j.issn.1002-8331.2212-0336 http://dx.doi.org/10.3778/j.issn.1002-8331.2212-0336

XIE C H ， WU J M ， XU H Y . Small object detection algorithm based on improved YOLOv5 in UAV image ［J］. Computer Engineering and Applications ， 2023 ， 59 （ 9 ）： 198 - 206 . （in Chinese） . doi: 10.3778/j.issn.1002-8331.2212-0336 http://dx.doi.org/10.3778/j.issn.1002-8331.2212-0336

WANG Y H ， ZHANG Y ， YAO Z ， et al . Learning content-adaptive upsampling for real-time image super-resolution ［J］. IEEE Transactions on Circuits and Systems for Video Technology ， 2023 ， 33 （ 5 ）： 2456 - 2470 .

SHI W Z ， CABALLERO J ， HUSZÁR F ， et al . Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network ［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition . Las Vegas， NV， USA ： IEEE ， 2016 ： 1874 - 1883 . doi: 10.1109/cvpr.2016.207 http://dx.doi.org/10.1109/cvpr.2016.207

HUANG X H ， LIU S Q ， ZHANG K ， et al . Reverse convolution and its applications to image restoration ［C］// Proceedings of the IEEE/CVF International Conference on Computer Vision . Honolulu， HI， USA ： IEEE ， 2025 ： 10507 - 10516 . doi: 10.1109/iccv51701.2025.00978 http://dx.doi.org/10.1109/iccv51701.2025.00978

WANG Q L ， LI E T ， CUI S H ， et al . Cross-scale recognition of dense insulators and defects in complex power grid environments ［J］. Engineering Applications of Artificial Intelligence ， 2026 ， 164 ： 113283 . doi: 10.1016/j.engappai.2025.113283 http://dx.doi.org/10.1016/j.engappai.2025.113283

Views

109

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

UAV aerial images object detection algorithm based on YOLOv11n

Lightweight citrus maturity detection algorithm with hybrid attention fusion

Lightweight algorithm for small object detection in UAV images

Target detection algorithm based on improved YOLOv11s UAV aerial image

中国科学院长春光学精密机械与物理研究所液晶光学团队

Related Author

QIU Qisheng

TAN Zhaoliang

LU Junliang

CHEN Mingxia

LU Yongyu

LI Hongbing

JIANG Wujin

XIE Hui

Related Institution

School of Mechanical and Control Engineering， Guilin University of Technology

Key Laboratory of Advanced Manufacturing and Automation Technology （Guilin University of Technology）， Education Department of Guangxi Zhuang Autonomous Region

School of Electronic and Information Engineering， Chongqing Three Gorges University

School of Computer Science and Engineering， Chongqing Three Gorges University

Jilin Provincial Science and Technology Innovation Center of Network Database Application Software

AI问答

Address：No.3888 Dong Nanhu Road, Changchun, Jilin, China 130033 Postal code：130033
Tel：0431-86176059 Email：yjxs@ciomp.ac.cn
Technical support is provided by Beijing Founder electronics co., LTD 吉ICP备11002662号-17 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.

⁰