TACSTechnology and Application of Computer Science2998-89262998-8934Art and Technology10.61369/TACS.2025130034Article基于改进YOLOv8与边缘计算的高压输电线路智能 检测方法研究https://artdesignp.com/journal/TACS/2/13/10.61369/TACS.2025130034王晓宇,黄仁宇,张义广20252132025-07-14高压输电线路的安全稳定是电力系统正常运行的重要保证，传统人工巡检效率低且风险高。因此本文提出了一种基于改进YOLOv8模型与边缘计算的高压输电线路异常智能检测方法。本方法通过改进全局注意力机制和增强多尺度特征模块，增强对复杂背景下的小目标异物检测能力；其次采用" 端- 边- 云" 协同架构，在边缘设备上进行实时监测，通过云端进行深度分析与模型更新。实验结果表明，本文方法在自建数据集上达95.5% 的精度，召回率提升至91.9%，检测精度和推理速度都能够满足实时检测需求，为高压输电线路智能巡检提供了技术支撑。高压输电线路,目标检测,YOLOv8,边缘计算,注意力机制

[1] 张学林, 闵悦, 熊金泉, 等. 基于YOLOv8改进算法的织物瑕疵检测方法[J]. 毛纺科技, 2025, 53(3):145-150.[2] 陈腾杰, 李永安, 张之好, 等. 基于改进YOLOv8n+DeepSORT 的带式输送机异物检测及计数方法[J]. 工矿自动化, 2024, 50(8):1-8.DOI:10.13272/j.issn.1671-251x.2024070043.[3] 周思, 李俊轩, 朱俊, 等. 基于改进YOLOv8的输电线路绝缘子缺陷检测[J]. 江西电力,2025,49(05):41-46.[4] 韩睿, 戴哲仁, 蒋鹏, 等. 基于改进YOLOv8 的电力场景通用缺陷检测模型[J]. 浙江电力, 2024, 43(4):113-120.[5] 姜香菊, 冯海照, 李涛. 基于FasterNet 和YOLOv8s 改进的铁路异物入侵快速检测方法[J]. 北京交通大学学报,2024,48(05):39-48.[6] 伍钰婷, 宋先琴, 伍继红, 等. 基于深度学习的输电线路检测综述[C]// 中国电力技术市场协会.2024年电力行业技术监督专业技术交流研讨会优秀论文集. 贵州电网有限责任公司安顺供电局;,2024:751-756.DOI:10.26914/c.cnkihy.2024.050567.[7] 顾明煜. 基于机器学习的架空输电线 路绝缘子缺陷检测技术[J]. 电力设备管理,2024,(19):61-63.[8] 夏玮泽. 基于深度学习的输电线路多目标检测算法研究[D]. 辽宁工程技术大学,2024.[9] 陈江丽. 面向电力巡检的绝缘子小目标缺陷检测算法研究[D]. 南京信息工程大学,2024.DOI:10.27248/d.cnki.gnjqc.2024.000215.[10] 回媛媛. 基于YOLOv8的改进型架空输电线路缺陷检测算法研究[D]. 延边大学,2024.DOI:10.27439/d.cnki.gybdu.2024.000608.[11] 刘博文. 基于深度学习的输电线路小目标检测方法研究[D]. 郑州轻工业大学,2024.DOI:10.27469/d.cnki.gzzqc.2024.000120.[12] 梁文韬. 基于深度学习的输电线路图像检测技术研究[D]. 西安电子科技大学,2024.DOI:10.27389/d.cnki.gxadu.2024.002243.