隨著科技的飛速發展，2025年保險絲行業正朝著智能化、精準化的方向邁進。在航空領域，保險絲作為重要的防松部件，其繞向的準確檢測關乎飛行安全。傳統人工目視檢查航空保險絲繞向的方式效率低下且標準不一，已難以滿足行業日益增長的需求。在此背景下，基於深度學習的目標檢測技術為航空保險絲繞向識別帶來了新的解決方案。

  一、YOLOv7 模型：航空保險絲繞向識別的基礎框架

  《2025-2030年中國保險絲行業項目調研及市場前景預測評估報告》指出，YOLOv7 模型是航空保險絲繞向識別研究的基礎，它由主幹網絡、頸部網絡和預測頭部輸出端構成。主幹網絡負責對輸入圖片進行格式化處理後，通過卷積、標準化及激活函數模塊的深層堆疊，提取不同尺度的特徵圖。深層堆疊的殘差塊結構搭配跳躍連接，既提升了網絡精度，又有效緩解了梯度消失問題。頸部網絡採用自上而下和自下而上雙向融合的方式，將不同大小的特徵圖進行融合，使網絡能更好地學習多級特徵。最後，來自頸部網絡的大、中、小三種尺寸的特徵圖，經深度可分離卷積處理，生成最終的預測結果。

  二、AFE-YOLOv7 模型：航空保險絲繞向識別的優化升級

  (一)優化 SPPCSPC 模塊，增強網絡信息關注度

  航空保險絲檢測面臨背景複雜、目標占比小的難題，需要網絡高度關注多維度信息。在 YOLOv7 頸部網絡的 SPPCSPC 模塊中融入 CBAM，形成 SPPCSPC_ATT 模塊。CBAM 由通道注意力模塊和空間注意力模塊組成，通道注意力模塊先對輸入特徵圖進行最大池化和平均池化，生成不同空間信息屬性的特徵圖，再經前向權值共享網絡處理，生成通道特徵圖;空間注意力模塊對通道處理後的特徵圖進行最大池化和平均池化，再經卷積生成空間注意力特徵層。SPPCSPC_ATT 模塊通過對特徵圖的處理和 CBAM 的作用，提升了模型對檢測目標分類的置信度。

  (二)嵌入坐標註意力機制，提升方向感知能力

  傳統全局池化層無法保留位置信息，而位置信息對航空保險絲繞向檢測至關重要。在頸部網絡與頭部預測網絡之間嵌入 CA 坐標註意力模塊，該模塊分別沿水平和垂直方向對輸入對象進行池化操作，獲取橫縱軸位置信息，將兩個方向的特徵聚合、拼接、卷積，再劃分並轉化為通道數相同的向量，經激活函數擴展後作為注意力權重，有效減少信道數，降低計算複雜度。將 CA 坐標註意力模塊嵌入頸部網絡後，模型對密集小目標的方向感知能力顯著增強，能夠檢測到原模型漏檢的樣本目標。

  (三)優化邊界框損失函數，提高模型魯棒性

  YOLOv7 的邊界框損失函數 CIoU 存在問題，當預測框與真實框寬高呈線性比例變化時，會影響模型檢測精度與魯棒性。引入 Focal-EIoU 損失函數，它不僅考慮預測框的寬高比和大小，還引入加權處理方法。使用 Focal-EIoU 損失函數後，模型訓練收斂速度加快，最終損失值更低，在面對寬高比較接近的檢測目標時，檢測效果得到明顯改善。

  (四)AFE-YOLOv7 模型構建

  通過在 SPPCSPC 模塊中融入 CBAM，在頸部與頭部網絡間嵌入 CA 坐標註意力模塊，將邊界框損失函數替換為 Focal-EIoU Loss，成功構建了 AFE-YOLOv7 模型。

  三、實驗與分析：驗證 AFE-YOLOv7 模型的有效性

  (一)數據集製作

  由於缺乏開源的航空保險絲繞向數據集，通過拍攝本校停機坪真實飛機及航材的保險絲，獲取 500 多張原始圖片，經數據增強後得到包含 2810 張圖像的數據集，其中有超過 5000 個正樣本和 4900 個負樣本。使用 Labelimg 標註工具對數據進行標註，並按 8∶1∶1 的比例劃分為訓練集、驗證集和測試集。

  (二)實驗環境

  實驗在 Windows 10 專業版 64 位作業系統下進行，採用 8GB 顯存的 GeForce RTX 4000 GPU、Intel (R) Core (TM) i9 - 10920xCPU，基於 pytorch 框架。運用遷移學習，以原始 YOLOv7 模型在 COCO 數據集上訓練的預權重作為初始權重，使用 Adam 優化器，設置初始學習率為 0.01，每次傳入 8 張圖片，數據加載數量為 4，訓練輪數為 500 輪。

  (三)衡量指標

  採用精確率、召回率、FPS 和平均精確率作為衡量指標。精確率評估模型檢測目標的準確性，召回率衡量檢測的全面性，FPS 表示推理速度，mAP 通過計算各類別精確率曲線與坐標軸圍成面積的積分並平均得到。

  (四)消融實驗

  以未改進的 YOLOv7 模型為基準，設置 7 種改進方法進行消融實驗。實驗結果表明，除一種方法精度下降外，其他改進均使指標有所提升，其中同時採用三種改進方法的模型取得最高精度 83.33%、較高召回率 81.96% 和 mAP 86.46%，證明了改進的有效性。

  (五)對比實驗

  將 AFE-YOLOv7 模型與 YOLOv5s、YOLOv7-Tiny、SSD 及 EfficientDet 等現有目標檢測方法在相同數據集和實驗環境下進行對比。結果顯示，AFE-YOLOv7 模型精度優於其他算法，FPS 為 30.1，滿足實時性檢測需求。在不同場景的典型圖片測試中，AFE-YOLOv7 模型在大、中、小樣本目標，高亮目標和密集場景目標的檢測中表現最佳。

  綜上所述，AFE-YOLOv7 模型在航空保險絲繞向識別領域實現了重大突破。通過對 YOLOv7 模型的優化改進，該模型在精確度、召回率和 mAP 等指標上均有顯著提升，相比原始模型分別提高了 7.67%、8.68% 及 10.25%，且運行速度達到 30.1 幀 /s，滿足實時檢測要求。在不同場景下，AFE-YOLOv7 模型對保險絲繞向的檢測性能優於其他廣泛應用的模型，能夠有效提升機務人員維修工作的安全性與便捷性，為2025年保險絲行業智能化發展提供了有力支撐，推動了智慧民航建設邁向新台階。