FS-YOLO: マルチレベル特徴融合と局在品質推定に基づく軽量絶縁体欠陥検出手法
FS-YOLO: A Lightweight Insulator Defect Detection Method Based on Multi-Level Feature Fusion and Localization Quality Estimation
本論文は、複雑な検査シナリオにおける絶縁体欠陥の局在精度低下と、エッジデプロイの妨げとなるモデル冗長性の課題に対処するため、軽量欠陥検出アルゴリズム「FS-YOLO」を提案する。C3k2 ConvFormer Gated Linear Unit (C3k2-CFGLU) モジュールをバックボーンに採用し、計算量を削減しつつ欠陥特徴表現を強化する。Multi-Branch Multi-Scale Feature Pyramid Network (MBMSFPN) ネックは、マルチブランチ補助接続により高レベルおよび低レベルの特徴相互作用を強化し、欠陥ターゲットの知覚を向上させる。Shared Convolution Detection Head (SCDH) は、マルチスケール共有畳み込みとグループ正規化によりパラメータを削減し、局在品質推定メカニズムを組み込むことで軽量化による精度低下を補う。さらに、Layer Adaptive Sparsity for Magnitude-based Pruning (LAMP) により冗長なチャネルを削除し、モデルサイズを圧縮して効率を向上させる。実験の結果、FS-YOLO は 0.88M パラメータ、4.1 GFLOPs で 93.0% の精度、88.3% のリコール、92.9% の mAP@0.5、62.9% の mAP@0.5:0.95 を達成した。ベースラインと比較して、パラメータと計算量はそれぞれ 65.9%、34.9% 減少し、mAP@0.5 は 5.7% 増加した。他の主流 YOLO バリアントと比較しても、FS-YOLO は優れた精度効率トレードオフを提供し、電力線検査のインテリジェント開発に有望な参考となる。
- 軽量絶縁体欠陥検出アルゴリズム「FS-YOLO」を提案。C3k2-CFGLU バックボーン、MBMSFPN ネック、SCDH 検出ヘッド、LAMP プルーニングを組み合わせる。
- 実験で 0.88M パラメータ、4.1 GFLOPs、精度 93.0%、リコール 88.3%、mAP@0.5 92.9%、mAP@0.5:0.95 62.9% を達成。ベースライン比でパラメータ 65.9%減、計算量 34.9%減、mAP@0.5 は 5.7%増。
- 他の主流 YOLO バリアントと比較して優れた精度効率トレードオフを示し、電力線検査への応用が想定される。
軽量な物体検出モデルによるインフラ点検の自動化は、AIを電力設備の保守運用に落とし込む実需領域の進展を示す。0.88Mパラメータ・4.1 GFLOPsで93.0%精度、mAP@0.5を5.7%向上させた点はエッジ実装の現実味を高める。ただし本件は論文発表であり、特定企業の製品化・受注に直結する情報ではないため、投資判断には同技術を採用する電力会社・点検サービス事業者、エッジAI推論チップ側の動向を待つ必要がある。