华南理工大学学报(自然科学版)

作者：王德弘, 张子轩

单位：1.东北电力大学 建筑工程学院，吉林 吉林 1320122.东北电力大学 吉林省电力基础设施安全评估与 灾害防治重点实验室，吉林 吉林 132012

关键词：输电塔,螺栓松动,深度学习,目标检测

基金：吉林省科技发展计划项目中青年科技创新人才（团队）培育项目(20250601091RC);吉林省“长白山英才计划”项目(202441208)

输电塔作为电力输送网络的关键基础设施，其结构安全性直接关系到电网的稳定运行。在长期服役过程中，输电塔螺栓受风荷载、温差效应及材料老化等多因素耦合作用，易逐渐发生松动。该文提出了一种基于改进YOLOv5s的输电塔螺栓松动智能检测模型（CCSGS-YOLO）：采用坐标卷积替代主干网络中的标准卷积层，增强模型对目标位置信息的获取能力；引入卷积注意力模块（CBAM），通过通道与空间双重注意力机制，强化模型在复杂背景下的特征鉴别能力；构建Slim-Neck特征融合结构，借助跨阶段部分连接与深度可分离卷积的优化组合，在维持检测精度的同时降低计算复杂度；采用GIoU损失函数与Soft-NMS的联合优化策略，通过考虑预测框与真实框的重叠几何特性，提升目标检测的定位精度。实验结果表明：CCSGS-YOLO的精确率达91.7%，召回率为89.4%，平均精度均值达到95.3%，F1分数提升至90.0%，较基准模型YOLOv5s分别提高了1.6、3.0、1.4和1.0个百分点；在计算效率方面，CCSGS-YOLO模型检测速度达74.8 f/s，推理时延降低至13.4 ms，较YOLOv5s模型提升11.6%。此外，该文通过现场实验验证了CCSGS-YOLO在不同场景下的检测鲁棒性，为输电塔螺栓松动的智能巡检提供了一种新思路。

来源：2026年第2期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2026年第2期