基于改進YOLOv5的輸電線路走廊滑坡災害識別

熊昌全 張宇寧 楊和生 唐道建 劉詩劍

（1.國家電投集團四川電力有限公司，四川 成都 610213；2.國家電投集團西南能源研究院有限公司，四川 成都 610218）

0 引言

隨著我國大規模輸電線路網絡的發展建設，部分輸電線路不可避免地需要穿越地質復雜、易發生滑坡的區域。輸電桿塔作為輸電線路的連接節點，常常需要修建在人煙稀少的地區，這樣的地理環境條件增加了地質災害發生的可能性，一旦出現滑坡災害，不及時進行處理，則會導致桿塔基礎變形損壞，嚴重威脅輸電線路的安全運行。

2006年，Hinton等人在Science上發表的論文提出了“深度學習”的概念，解決了深度神經網絡訓練困難的問題，打開了深度學習的大門。近二十年來，隨著計算機運算能力的大幅提高，深度學習得到了迅速發展，在各個領域都有大量應用。

由于滑坡常發生于人煙稀少的地區，故滑坡圖像一般為衛星圖或無人機航拍圖，而衛星圖中滑坡圖像尺寸較小，無人機航拍圖滑坡圖像尺寸較大，所以存在數據目標尺寸差異較大、不統一的問題。

針對上述問題，Wang等人[1]使用地理數據庫，對比卷積神經網絡這一深度學習方法以及強化學習、隨機森林、SVM、強化學習4種機器學習方法在識別滑坡時的精度，指出卷積神經網絡具有較高的魯棒性及準確率；Cheng等人[2]在YOLOv4的基礎上提出一種新的YOLO-SA滑坡檢測模型，對比11種現有的目標檢測模型，在精度及運行速度上得到了極大的提升；巨袁臻等人[3]利用Mask R-CNN，結合谷歌地球影像數據實現了對黃土滑坡的自動識別。吳琪等人[4]針對10種網絡結構以及4種注意力機制對滑坡識別的影響進行了分析，得出ResNet-101結構具有最高的準確率及召回率，ResNet-101+DAN模型為最佳模型。

本文以YOLOv5網絡模型為基礎，提出一種改進YOLOv5（YOLOv5-BC）深度學習滑坡災害識別方法，將原有的PANet層替換為BiFPN結構，提高網絡多層特征融合能力，引入CIoU損失函數替換原本的GIoU損失函數，使最終預測框更接近真實框，提升了網絡的預測精度，通過在滑坡數據集上進行訓練測試，取得了較好的識別效果。

1 YOLOv5目標檢測算法

YOLOv5算法是YOLO系列的一個延伸，可以看作是YOLOv3、YOLOv4的改進，相比YOLOv4算法，YOLOv5的輸入端保留了Mosaic增強，嵌入了自適應錨框計算及自適應圖片縮放，有效提高了檢測速度；Backbone部分保留了CSP（Cross Stage Partial Network）模塊，引入了Focus結構，減少了計算量，降低了內存的使用量；Neck部分使用了FPN和PAN結構進行采樣操作，增強了網絡進行特征提取的能力；Output部分使用GIoU損失函數作為邊框預測的損失函數，采用非極大值抑制NMS對冗余的框進行抑制。

2 YOLOv5算法改進

本文從Neck部分及Output部分入手，針對原版YOLOv5進行改進，提升算法對尺度差別很大的數據集的識別準確率。

2.1 BiFPN

YOLOv5使用的PANet網絡較為簡單，是在Faster-RCNN中的FPN基礎上提出的從下向上的二次融合網絡，簡單地增加了從下而上的融合路徑，在進行特征融合時，未考慮不同的輸入特征圖貢獻不同。針對這個問題，采用EfficentDet-BiFPN[5]替代PANet，BiFPN在原先的FPN基礎上增加了添加上下文信息的邊，對每個邊都乘一個對應的權重，實現多尺度特征融合。FPN、PANet、BiFPN結構如圖1所示。

圖1 FPN、PANet、BiFPN結構

相比PANet，BiFPN有如下改進：（1）BiFPN刪除了只有一條輸入邊的節點，簡化了雙向網絡；（2）當原始輸入節點和輸出節點處于同一層時，在原始輸入節點和輸出節點之間添加一條額外的邊，在不增加太多運算成本的情況下實現了融合更多的特性；（3）相比只有一個自上而下和自下而上的雙向通路的PANet，BiFPN將每個雙向通路作為一個特征層，并重復同一個特征層多次，實現高層次特征融合；（4）為每個輸入增加權重值，在特征融合時區分各個輸入特征圖的重要性，可以快速歸一化地進行特征融合。

2.2 損失函數

2.2.1 GIoU損失函數

YOLOv5網絡使用的回歸函數為GIoU[6]函數，公式為：

式中：IoU為交互比函數，用于評判預測框與真實框的重合程度，IoU越高，重合程度越高；A為目標框；B為預測框；C為包括A與B的最小矩形框；LGIoU為GIoU的Loss函數。

GIoU解決了IoU存在的無法優化兩框不相交的情況的問題，但在實際使用中發現GIoU存在以下兩個問題：（1）當預測框和真實框不對齊時，會導致外接框C的面積增大，使GIoU值變小；（2）當目標框與預測框屬于包含關系時，GIoU會退化為IoU，無法判斷兩者相對位置關系。

2.2.2 CIoU損失函數

針對GIoU存在的問題，引入CIoU[7]替代GIoU，CIoU將GIoU的最小外接框C替換為最小化兩個Box中心點的標準化距離，并將Bounding box的縱橫比考慮進損失函數中，公式如下：

式中：ρ2（b，bgt）為兩個框中心點的歐氏距離，b，bgt為預測框B與真實框A的中心點；c為同時包含預測框與真實框的最小區域的對角線距離；α為用作trade-off的參數；v為用來衡量長寬比一致性的參數；w與h分別表示預測框的寬和高；wgt、hgt分別表示真實框的寬和高。

CIoU相對GIoU有如下特點：（1）CIoU與GIoU均具有尺度不變性；（2）CIoU在目標框不重疊時，仍可以為邊界框提供移動方向；（3）CIoU可以直接最小化兩個目標框的距離，較GIoU收斂快；（4）CIoU在兩個框完全重疊時仍能很快回歸，GIoU則退化為IoU；（5）引入BoundBox的縱橫比，進一步提高了回歸精度。

3 實驗分析

3.1 實驗環境

實驗環境如表1所示。

表1 實驗環境

3.2 滑坡數據集構建

目前，公開數據集中并無公開的滑坡數據集，因此本文收集Google Earth滑坡發生后的衛星云圖圖像及滑坡地區的無人機航拍圖像構建滑坡數據集，共包含滑坡圖像1 247張，使用labelImg標注圖像中的滑坡區域，數據集按照8:1:1比例劃分訓練集、測試集、驗證集。

3.3 實驗結果分析

分別采用YOLOv5-BC模型、YOLOv5模型、Faster-RCNN模型對滑坡數據集訓練300輪，使用SGD優化器進行權重更新，學習率α設置為0.01，batch-size（批次大小）設置為64。

YOLOv5-BC訓練Loss曲線如圖2所示。

圖2 YOLOv5-BC訓練Loss曲線圖

識別效果如圖3所示。

圖3 YOLOv5-BC識別效果圖

最終實驗結果如表2所示。

表2 實驗結果

根據表2的對比結果可以看出，由于滑坡數據集存在目標尺寸大小不一、差距過大的問題，YOLOv5算法及Faster-RCNN算法表現較差，改進算法YOLOv5-BC對滑坡數據集的計算精度相比Faster-RCNN及YOLOv5顯著提高，分別取得了37.7%及27.9%的提升。

4 結論

本文提出了一種用于識別輸電線路走廊滑坡災害的改進YOLOv5（YOLOv5-BC）算法，通過將YOLOv5的Neck部分PANet結構替換為BiFPN結構，優化了特征融合網絡，增強了對尺寸差異大的圖像的檢測能力；將GIoU損失函數替換為CIoU損失函數，提高了目標框回歸損失，提高了檢測精度。

構建了滑坡數據集，基于構建的數據集對不同模型進行了測試，驗證了YOLOv5-BC模型的有效性，相比Faster-RCNN及YOLOv5模型的mAP@0.5分別提高了37.7%及27.9%，達到了79.2%。

實驗結果表明，本文提出的YOLOv5-BC模型，具有實際應用于輸電線路走廊滑坡災害識別的潛力。