摘要：【目的】针对航拍输电塔异物检测中背景复杂、模型参数量大导致部署困难的问题，提出基于YOLOv10n的轻量级目标检测模型。【方法】首先，通过整合高效且轻量化的 GSConv（Group Shuffle Convolution）开发了一种轻量级卷积神经网络CBS-GSConv模块，降低了模型复杂性，同时保证了特征提取能力。其次，在C2f（CSP Bottleneck with 2 convolutions）模块基础上，改进FasterNet Block得到C2f-Faster，实现了模型尺寸的进一步缩减。此外，为了增强网络的特征提取效能，在C2f-Faster的前向传播网络中集成了EMA（Exponential Moving Average）注意力机制，形成了CF-EMA轻量化特征提取模块。这一改进显著提升了模型在复杂背景下对小目标的识别和提取能力，有效解决了以往模型在此类场景下的表现不足。最后，针对无人机航拍输电塔数据集（foreign＿body）的目标分布特点，重新构建了一个基于双尺度目标检测头SL(S＿Ghost-LSKA)检测头，从而提高对输电塔异物识别效率和精度。【结果】改进后的GCS-YOLOv10n在foreign＿body数据集上map@50达到98.8%，较原模型提升2.1个百分点，参数量减少30.51%（1.64M），模型体积降低23.63%（4.2MB）。消融实验验证了各模块的有效性，对比实验显示本模型在检测精度与轻量化方面优于主流算法。【结论】提出的GCS-YOLOv10 模型通过架构优化与注意力增强，在航拍输电塔异物检测任务中实现精度与效率的平衡，为无人机巡检提供轻量化的解决方案，满足边缘设备部署需求。
文章目录
1 引 言
2 YOLOv10n 算法及其改进
2.1 YOLOv10n算法改进
2.1.1 引入轻量 GSConv 模块
2.1.2 改进 C2f 模块
2.1.3 C2f-Faster 轻量化模块
2.1.4 CF-EMA 轻量化特征提取模块
2.1.5 双尺度目标检测头SL-检测
2.2 GCS-YOLOv10n 算法网络总体结构
3 实验与结果分析
3.1 实验环境与评价指标
3.2 结果分析
3.2.1 GCS-YOLOv10n 消融实验
3.2.2 GCS-YOLOv10n 与其他算法的对比实验
4 结论
