基于改進YOLO5的輸電線路風箏線檢測

國網江蘇省電力有限公司南通供電分公司 陳曉建 顧 嘉 彭 龍 繆鵬彬

近年來，隨著國家全民健身運動的開展，放風箏運動推廣的力度不斷增大，越來越多的人在城郊的輸電線路附近放風箏，給輸電線路運行帶來了極大的安全隱患[1]。當前的風箏線主要由尼龍、紡織棉繩、鋼絲線和釣魚線組成[2]，若在距離輸電線路300米內的警戒區域，風箏線一旦在輸電線路上纏繞，鋼絲線將直接引起相間短路或者單相接地事故[3]；其它類型的風箏線將在受潮或下雨天氣變成導體，從而引發輸電線路安全事故[4]，因此，亟需開展輸電線路的風箏線檢測。

國內外許多學者對輸電線路風箏線檢測做了大量研究。文獻[5]中，提出了一種基于深度學習的輸電線路風箏檢測方法，通過異物對抗圖像識別模型，實現了輸電線路的風箏線識別，識別的有效性達70%；文獻[6]中，提出了一種基于Faster R-CNN的輸電線路風箏檢測方法，針對風箏線識別樣本數量不足的問題，采用了Faster R-CNN 獲取輸電線路風箏線數據，并采用數據增強方法提高對風箏線的識別能力。文獻[7]中，提出了一種基于激光測距與雷達結合的輸電線路風箏檢測方法，通過毫米波雷達實現了輸電線路風箏線的檢測，由此可見，輸電線路風箏線檢測方法多樣，但風箏線較細，上述研究中的識別成功率不高。

為解決輸電線路風箏纏繞的問題，文中提出了一種基于改進YOLO5的輸電線路風箏線檢測方法，首先，無人機攝像頭采集輸電線路的圖像數據；其次通過局部特征檢測獲取輸電線路異常物體特征，然后，采用改進YOLO5算法對輸電線路風箏進行檢測。

1 輸電線路風箏線檢測

文中所述的基于改進YOLO5的輸電線路風箏線檢測主要包括基于無人機的輸電線路視頻采集、異常物體特征檢測、輸電線路風箏線檢測三部分內容。

圖1 輸電線路風箏線檢測框架圖

在輸電線路視頻采集環節，首先通過無人機攝像頭采集輸電線路的視頻情況，然后對輸電線路的視頻特征信息進行提取。在異常物體特征監測環節，首先加載輸電線路的視頻特征，然后采用局部特征檢測方法進行輸電線路異常物體特征檢測。在輸電線路風箏線檢測環節，采用改進YOLO5算法對輸電線路風箏進行檢測，并對發現的風箏線進行告警。

2 輸電線路風箏線檢測模型

2.1 輸電線路視頻采集

輸電線路高清視頻由無人機上的高清攝像頭進行拍攝。無人機的工作模式分為人工控制和自主導航兩種。人工控制模式，顧名思義是指由操作人員直接操控無人機的飛行線路開展巡查。通常使用地面控制站來預先布置無人機的飛行位置，或采用手動遙控器控制飛行，可直接目視無人機飛行位置。無人機人工控制的優勢是可以直觀的看到輸電線路的風箏線異物情況，對于發現圖像異常后，無人機操作人員可以駕駛無人機到到異常點附近進行近距離觀察，并拍攝高清圖像，避免出現因圖像質量不清晰，造成的輸電線路風箏線檢測錯誤問題。自主導航模式則是指預先設置好無人機的飛行路線，由無人機全自主或半自主控制飛行來開展預先設定好的飛行巡視任務，該方法的優點是無需人工干預，但在光線不好的天氣情況下，因圖片質量不高，會存在輸電線路風箏線漏檢的情況。

對于風箏線檢測而言，現階段主要使用第一種方式，即人工控制模式，使用人工操縱無人機實行視屏采集。

在圖像檢測領域中，方向梯度直方圖（Histogram of oriented gradient,HOG）是一種無人機輸電線路視頻特征點提取方法，HOG 方法采用輸電線路無人機視頻的局部梯度信息來統計輸電線路風箏線視頻特征，可以在一個輸電線路風箏線檢測的網格中獲得統一大小的細胞單元，同時，采用重疊局部特征的對比歸一方法提高輸電線路風箏線檢測的圖像特征點檢測能。

因此，在通過無人機巡視獲得輸電線路視頻數據后，采用HOG 圖像特征點提取方法，對輸電線路的特征信息進行提取。

2.2 異常物體特征檢測

局部特征檢測方法尺度不變特征變換（Scale Invariant Feature Transform,SIFT）是一種圖像處理算法，通過圖像中的尺度不變特征檢測出輸電線路異常物體的特征，在SIFT 檢測中，因為部分輸電電路風箏線圖片有一些特征不受光照、圖像偏轉等因素影響，例如是風箏線的邊緣角點、暗區域的亮點，該方法通過搜索尺度空間的輸電線路風箏線圖像位置，通過高斯微分函數來識別圖像的SIFT特征。然后通過定位輸電線路風箏線圖片的關鍵點和部分的特征方向，在每個輸電線路風箏線的關鍵位置精細擬合來確定位置和尺度。然后依據圖像的穩定度，分配給每一個輸電線路風箏線檢測的多個方向，并進行輸電線路風箏線尺度和位置的變換。并通過輸電線路風箏線關鍵點的特征向量，模擬出互相對于的輸電線路風箏線圖片特征點，建立輸電線路風箏線特征的對應關系。因此，該文采用SIFT算法進行異常物體特征檢測。

首先，對無人機攝像頭采集的視頻特性信息提取數據進行視頻特征加載，然后采用SIFT 算法搜索輸電線路上異常物體的圖像位置，其次，通過SIFT算法的高斯函數[8]對輸電線路異常物體的圖像進行旋轉，對輸電線路異常物體進行大小和亮度的變化，從而完整的判讀異常物體的特征。最后，生成輸電線路異常物體圖像清單。

2.3 輸電線路風箏線檢測

YOLO5算法是一種輸電線路圖像數據的單階段的目標圖像檢測算法，該算法在YOLO4算法的基礎上提升了輸入端、基準網絡的手段，從而提高了輸電線路異常物體檢測的速度與精度。該算法中，輸入端的模型訓練增加了數據增強和輸電線路異常物體圖片縮放功能。在基準網絡檢查中增加了Focus輸電線路圖像檢測結構，在輸出層，改進了輸電線路異常物體檢測訓練函數的損失函數，提高數據分析的精準度，因此，文中采用YOLO5算法進行風箏線檢測。

在輸電線路異常物體圖像的清單上，采用YOLO5算法進行風箏線的圖像檢測。首先在輸入端加載輸電線路異常物體信息時，通過Mosaic 輸電線圖圖片數據增強，提高數據輸入的質量。即YOLO5輸電線路風箏線檢測算法的輸入端中，放入輸電線路風箏線圖像數據，在輸入端進行圖像預處理，通過輸電線路風箏線的圖像縮放，進行所有圖片的歸一化處理，然后通過輸電線路風箏線檢測網絡訓練，提升輸電線路風箏線檢測線的檢測數據的模型的判斷精度。

其次，在基準網絡Focus 結構中，融入了多種檢測算法，提高了風箏線識別的可靠性，在YOLO5輸電線路風箏線檢測算法的基準網絡中，通過風箏線圖像處理性能的優異性能，提取通用信息，并建立輸電線路識別基準架構，使用相關的輸電線路風箏線檢測結構作為基準網絡。輸電線路風箏線檢測算法Neck 網絡中，該網絡在基準網絡與輸電線路風箏線檢測頭網絡的中間，利用該網絡，提升輸電線路風箏線檢測的魯棒性和特征多樣性。

在輸出層中，通過訓練損失函數的改進，提高了輸電線路風箏線檢測的精準性。在輸電線路風箏線檢測算法Head 輸出端中，針對不同的輸電線路風箏線檢測圖片，歸屬不同的回歸分支數據，提高輸電線路風箏線檢測的精度。

3 算例分析

為驗證文中所提基于改進YOLO5的輸電線路風箏線檢測有效性，在某輸電線路應用文中所提方法。輸電線路的視頻圖像采用720P，處理算例用的計算機操作系統為win10，處理器為4核心3.2G，內存為16GB。

3.1 輸電線路風箏線檢測時長

輸電線路風箏線檢測時長是衡量文中所提基于改進YOLO5的輸電線路風箏線檢測的運行能力的指標，該指標的計算方式是無人機拍攝輸電線路風箏線視頻數據后，到生成檢測結果的時間，輸電線路風箏線檢測時長越短，說明該指標性能越好。

選擇輸電線路風箏線的視頻圖像數量為100、200、300、400、500、600、700、800和1000個，對比文中所提基于改進YOLO5的輸電線路風箏線檢測方法與業界廣泛使用的Faster R-CNN 輸電線路風箏線檢測時長，對比結果如表1所示。

表1 輸電線路風箏線檢測時長對比表

由表1可見，文中所提基于改進YOLO5的輸電線路風箏線檢測方法在視頻圖像檢測時長方面優于Faster R-CNN 輸電線路風箏線檢測方法，說明基于改進YOLO5的輸電線路風箏線檢測方法性能更優。

3.2 輸電線路風箏線識別準確率

輸電線路風箏線識別準確率是為了判斷文中所提模型的處理能力。其計算方式為識別正確的輸電線路風箏線數量和總的風箏線數據之百分比。文中采用改進YOLO5算法識別風箏線的數量和人工識別風箏線的數量進行比較。該指標的取值范圍是0-100%，其取值越大，說明該指標的準確率越高。

選擇的輸電線路風箏線視頻數量分別為100、200、300、500、600、900、1000個，對比文中所提基于改進YOLO5的輸電線路風箏線檢測與Faster R-CNN 輸電線路風箏線檢測的準確性，對比結果如圖2所示。

圖2 輸電線路風箏識別準確率對比表

由圖2可見，文中所提基于改進YOLO5的輸電線路風箏線檢測有效性高于Faster R-CNN 輸電線路風箏線檢測方法。

4 結語

為解決輸電線路風箏纏繞的問題，文中提出了一種基于改進YOLO5的輸電線路風箏線檢測方法，在用無人機高清攝像頭采集輸電線路視頻的基礎上，通過局部特征檢測獲取輸電線路異常物體特征，然后采用YOLO5算法對輸電線路風箏進行檢測。在輸電線路實際應用中的情況表面，該算法的有效率高于Faster R-CNN 輸電線路風箏線檢測方法。

下一步，將在配電線路上應用文中所提方法。