基于YOLO算法的無(wú)人機(jī)多目標(biāo)診斷技術(shù)研究與應(yīng)用

尹為松 陶俊 黃高舉 章兵

（安徽繼遠(yuǎn)軟件有限公司，安徽合肥 230088）

0.引言

近年來(lái)，我國(guó)國(guó)民經(jīng)濟(jì)的持續(xù)快速發(fā)展對(duì)我國(guó)電力工業(yè)提出了越來(lái)越高的要求，隨著無(wú)人機(jī)巡檢歷程與輸配電線路信息量的增加，如何有效地、快速地進(jìn)行線路信息采集，處理線路類(lèi)別，進(jìn)行缺陷類(lèi)型的識(shí)別與定位成為智能巡檢亟需解決的問(wèn)題。從近年來(lái)各單位的研究、應(yīng)用情況來(lái)看，無(wú)人機(jī)在巡檢過(guò)程中，對(duì)云臺(tái)拍攝圖像缺乏質(zhì)量評(píng)價(jià)，針對(duì)目標(biāo)遮擋、拍攝不清等相片，因圖像缺陷識(shí)別效果不好無(wú)法進(jìn)行識(shí)別，隨著人工智能、圖像處理和移動(dòng)互聯(lián)技術(shù)的發(fā)展，結(jié)合現(xiàn)階段無(wú)人機(jī)巡檢的業(yè)務(wù)需求，開(kāi)展無(wú)人機(jī)巡檢在線檢測(cè)、診斷與智能控制等技術(shù)研究與應(yīng)用，為上述問(wèn)題提供合理的解決方案，從而提高巡檢效率，保障巡檢安全[1]。

1.YOLO算法

YOLO系列算法的核心思想是將整張圖片作為網(wǎng)絡(luò)的輸入，直接在輸出層對(duì)外接邊框（Bounding Box簡(jiǎn)稱(chēng)BBox）的位置和類(lèi)別進(jìn)行回歸。具體實(shí)現(xiàn)方法如下：將一幅圖像分成SxS個(gè)網(wǎng)格，如果某個(gè)目標(biāo)的中心落在這個(gè)網(wǎng)格中，則這個(gè)網(wǎng)格就負(fù)責(zé)預(yù)測(cè)這個(gè)目標(biāo)。每個(gè)網(wǎng)格需要預(yù)測(cè)N個(gè)邊框的位置信息和置信度信息，一個(gè)BBox對(duì)應(yīng)著4個(gè)位置信息和一個(gè)置信度信息。置信度信息代表了所預(yù)測(cè)的邊框中含有檢測(cè)目標(biāo)的置信度和這個(gè)邊框預(yù)測(cè)的準(zhǔn)確度的兩重信息[2]，即

其中，IOU為BBox和實(shí)際的標(biāo)注的框之間的交并比，且如果有目標(biāo)落在一個(gè)網(wǎng)格里，第一項(xiàng)取1，否則取0。對(duì)于每個(gè)BBox都要預(yù)測(cè)（x，y，w，h）和置信度共5個(gè)值，每個(gè)網(wǎng)格還要預(yù)測(cè)一個(gè)類(lèi)別信息，記為C類(lèi)。對(duì)于一個(gè)SxS個(gè)網(wǎng)格，每個(gè)網(wǎng)格要預(yù)測(cè)N個(gè)BBox還要預(yù)測(cè)C個(gè)類(lèi)別信息，則最終輸出數(shù)據(jù)就是S×S×（5＊N+C）的一個(gè)張量[3]。

在設(shè)計(jì)損失函數(shù)時(shí)，構(gòu)造損失函數(shù)如下[4]。

YOLO算法的優(yōu)點(diǎn)在于快速、簡(jiǎn)單和通用性強(qiáng)。

2.YOLO算法在無(wú)人機(jī)多目標(biāo)診斷中應(yīng)用

2.1 數(shù)據(jù)處理流程

在利用YOLO算法對(duì)輸配電線路中的桿塔等目標(biāo)進(jìn)行檢測(cè)時(shí)，需要對(duì)YOLO模型作網(wǎng)絡(luò)上的調(diào)整，數(shù)據(jù)處理流程如圖1所示[5]。

圖1 數(shù)據(jù)處理流程

2.2 模型訓(xùn)練

在利用無(wú)人機(jī)進(jìn)行輸配電線路巡視時(shí)，通過(guò)無(wú)人機(jī)采集桿塔照片信息，基于YOLO算法將采集的照片被處理成一幀幀圖像并輸入到模型中，每幀圖像首先按YOLO分辨率的要求放縮成規(guī)定像素大小，然后將放縮后的圖像輸入到卷積層構(gòu)成的基礎(chǔ)深度神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)局部的特征交互[6]。

2.3 參數(shù)收斂

基于YOLO算法的評(píng)估參數(shù)包括GIoU值、目標(biāo)檢測(cè)損失值、分類(lèi)損失值，該值越小，表示框得越準(zhǔn)、檢測(cè)得越準(zhǔn)以及分類(lèi)得越準(zhǔn)。在數(shù)據(jù)訓(xùn)練過(guò)程和驗(yàn)證過(guò)程中，需要分析曲線的整體走勢(shì)情況，如果整體呈下降趨勢(shì)，越趨向于零，則表明YOLO算法取得了很好的識(shí)別和檢測(cè)精度。

在利用YOLO算法模型時(shí)，需要評(píng)估精度、召回率和平均精度等分布情況，其中參數(shù)精度計(jì)算公式如下：

該參數(shù)表示分類(lèi)器認(rèn)為是正類(lèi)并且確實(shí)是正類(lèi)的部分占所有分類(lèi)器認(rèn)為是正類(lèi)的比例，衡量的是一個(gè)分類(lèi)器分出來(lái)的正類(lèi)的確是正類(lèi)的概率。

參數(shù)召回率計(jì)算公式如下[7]：

該參數(shù)認(rèn)為是正類(lèi)并且確實(shí)是正類(lèi)的部分占所有確實(shí)是正類(lèi)的比例，衡量的是一個(gè)分類(lèi)能把所有的正類(lèi)都找出來(lái)的能力。

3.實(shí)例分析

選取某條配電線路，開(kāi)展無(wú)人機(jī)巡視，并將算法進(jìn)行驗(yàn)證，通過(guò)對(duì)算法進(jìn)行應(yīng)用和論證，從案例數(shù)據(jù)的識(shí)別結(jié)果來(lái)看，可以達(dá)到很好的目標(biāo)識(shí)別效果和精度，說(shuō)明本文所介紹的基于YOLO識(shí)別算法具有很好的識(shí)別診斷效果。得到相關(guān)參數(shù)收斂情況如圖2所示。

圖2 參數(shù)收斂情況

4.結(jié)語(yǔ)

利用無(wú)人機(jī)搭載可見(jiàn)光、紅外、紫外等模塊對(duì)瓷瓶、導(dǎo)線、金具等構(gòu)件的圖片進(jìn)行特征提取，適應(yīng)不同環(huán)境下設(shè)備故障檢測(cè)需求。通過(guò)基于YOLO算法的無(wú)人機(jī)多目標(biāo)診斷技術(shù)應(yīng)用，能較好地實(shí)現(xiàn)設(shè)備異常缺陷診斷，及時(shí)精準(zhǔn)地定位缺陷或潛在的風(fēng)險(xiǎn)，幾乎可取代傳統(tǒng)巡檢工作中的外業(yè)人力部分，有效降低運(yùn)維成本的同時(shí)為輸配電路運(yùn)維工作提供了極高效、 精準(zhǔn)、安全的保障。優(yōu)點(diǎn)有如下幾點(diǎn)。

（1）實(shí)現(xiàn)自動(dòng)判別故障解決人工挑選故障效率低難題。

（2）匯集圖片，剔除拍攝質(zhì)量差的無(wú)人機(jī)圖片。

（3）匯聚成故障識(shí)別診斷庫(kù)和故障訓(xùn)練集，高效準(zhǔn)確，逐步提升人工智能識(shí)別精度。

（4）通過(guò)算法應(yīng)用能進(jìn)行精準(zhǔn)圖片治理，響應(yīng)即時(shí)。

（5）能替代人工識(shí)別，有效降低運(yùn)維成本，節(jié)本增效明顯。