基于改進型YOLOV5網絡的輸電線塔防外破目標檢測技術研究

劉慶（通訊作者）?陳友坤?李義?姜繼彬?李璘

摘要：高壓輸電線路及桿塔常因自然條件、人為活動等因素影響，頻繁產生大面積跳閘事件，損失極大，尤其因外力破壞為重。外力破壞的偶發性和不可預測性，造成運維成本增加、可靠性不高等問題。本文基于YOLOV5算法，利用CARAFE（Content-Aware ReAssembly of FEatures）改進上采樣過程，使用SENet（Squeeze-and-Excitation Network）注意力機制重構原網絡的CSP模塊，并在自建的輸電線塔數據集上進行模型的訓練和測試。結果表明：改進的CARAFE-SE-YOLOV5模型比傳統YOLOV5模型達到了更高檢測精度，對人、汽車、工程車輛的識別準確率高達92%、96%、88%。

關鍵詞：高壓輸電線；外力破壞；YOLOV5算法；上采樣；注意力機制

一、引言

架空高壓輸電線路的正常工作支撐著電網調度、營銷、生產等核心業務，是電網穩定可靠運行的基石。然而因自然條件、人為活動等不確定因素存在，導致輸電線路設備常發生短路、跳閘、停電等事故，造成輸電線路停運。通過對國內部分省份電網線路跳閘影響因素的調研[1-2]，發現外力破壞因素占比超過50%，其中施工（人、機械）破壞占比52.9%，樹木砍伐占比5.9%，異物短路占比39.3%，火災、洪水、泥石流占比1.9%。傳統的人工巡檢以及無人機巡檢受成本的影響，無法全天候對輸電線路及桿塔進行監控，且周期過長、效率極低、運營成本高、監管困難。因此，本文基于自建的高壓輸電線及桿塔數據集上，設計一種基于改進型YOLOV5算法網絡，相比于傳統YOLOV5模型，改進后的模型在自建數據集上有更高的檢測準確度。

二、改進型YOLOV5算法分析

（一）YOLOV5算法原理

在YOLOV4網絡基礎上，YOLOV5網絡作出四點修改：①輸入端引入數據增強、自適應錨框計算、自適應圖片縮放。②改進基準網絡的Focus、CSP（Cross Stage Partial Network）結構。③Neck網絡中添加新的FPN（Feature Pyramid Network）+PAN（Path Aggregation Network）結構。④輸出層改進了GIOU_Loss損失函數與DIOU_NMS預測框篩選函數。使得YOLOV5的推理速度和精度皆高于YOLOV4及以往任何版本，如圖1所示。

YOLOV5網絡模型主要由Backbone與Head組成，其中Backbone由Focus、CBL（Conv+BN+LeakyRelu）、CSP（Cross Stage Partial Network）和SPP（Spatial Pyramid Pooling）構成，而Head由FPN（Feature Pyramid Network）、PAN（Path Aggregation Network）和Detection Head模塊構成。其中，Backbone部分，Focus層通過切片操作將輸入信息融入各通道，經切片后的輸入通道數擴充為原來的4倍，且圖像的寬度、高度信息都包含在通道中，因此輸入圖像的下采樣過程沒有信息丟失。CBL模塊由Conv（Convolutional Layer）卷積層、BN（Batch Normalization）標準化層以及LeakyRelu激活函數層組成，用于特征提取。CSP模塊將特征圖分成兩路，一路進行卷積操作，另一路和第一路的卷積結果進行合并，可在分類問題上降低計算量，對網絡學習能力也有一定的提升。SPP為不同大小窗口的池化過程，目的是進一步提升特征提取的效果。

對于YOLOV5的Head部分，分為三個不同大小的尺度部分構成，每個Head經過8、16、32倍的下采樣后輸出結果，其中FPN結構目的是利用深層網絡對淺層網絡進行指導校正，提取更高級的語義信息。PAN結構相比于FPN，增加了自底向上的過程，用于提高網絡對淺層信息的定位能力。

根據網絡寬度、深度不同，YOLOV5又分為s、m、l、x四個不同大小的網絡型號，該文需實現輸電線塔目標實時檢測，網絡模型的性能指標更加偏向于推理結果的精度，故采用適用于較大目標檢測的s型YOLOV5網絡為基礎模型進行改進。

（二）CARAFE上采樣

CARAFE是一種高效的輕量級通用上采樣框架[3]，可在一個較大的范圍內聚合上下文信息，并對特定于實例的內容進行感知處理，自適應生成上采樣核，如圖2所示。CARAFE由上采樣核預測模塊和內容感知重組模塊組成，輸入特征圖大小為H×W×C，上采樣倍率為，該結構首先是核預測模塊得到預測的上采樣核，并利用內容感知重組模塊完成上采樣計算，輸出得到σH×σW×C大小的特征圖。

上采樣核預測模塊利用一個1×1卷積將其通道數量壓縮至Cm，然后進行內容編碼和上采樣核預測。若上采樣核的大小為pup×pup，需使用pencoder×pencoder的卷積層預測上采樣核，此時輸入通道數量為Cm，輸出通道為σ2pup2，將輸出在空間維度展開得到σH×σW×pup2的上采樣核，最后進行softmax核歸一化處理。

內容感知重組模塊將輸出特征圖的各位置信息映射回輸入特征圖，取其中心處pup×pup的區域與在該位置的預測上采樣卷積核作點積得到輸出圖像，其中相同位置的不同通道共享同一個上采樣核。

該文利用CARAFE上采樣算子替換傳統YOLOV5模型中的上采樣，在目標檢測任務的上采樣過程中，該采樣算子可明顯提高網絡的語義提取能力，同時僅帶來很小的額外參數和計算量。

（三）SE注意力機制模塊

SENet是Hu等人在2017年提出的一種架構模型[4]，它通過顯式方式建立通道之間的相關性，并重新自適應校準通道特性響應。SENet模塊在增加少量計算成本的基礎上為現有CNN網絡帶來顯著的性能改進。

如圖3所示，SENet模塊是一個構建在映射變換上的計算單元，將輸入端的X∈RH'×W'×C'映射至輸出端的特征圖U∈RH×W×C，其中U=[u1，u2，...，uc]，uc的計算如下式：

（1）

其中，，，*表示卷積計算，vsc表示一個二維的空間核，作為輸入端X相對應的通道。利用全局平均池函數生成通道統計將全局空間信息壓縮至通道描述符中，統計信息zc∈RC的計算公式如下：

（2）

由（3）和（4）式，通過Sigmoid激活函數建立的門控機制尋找出通道間的依賴關系，再使用激活s函數重新縮放標定U，得到模塊輸出。

（3）

（4）

其中，，而表示Fscale（uc，sc）為特征圖uc與sc間的通道相乘運算。可見，SE模塊與傳統CNN不同在于，將經過卷積變換后得到的特征通道進行Squeeze、Excitation、Reweight三步操作，得到新的通道特征。通過Squeeze得到通道上全局響應分布，那么靠近輸入端的層也可獲取全局感受野。利用Excitation的門控機制顯式地尋找出通道之間的相關性。最后Reweight則是將輸出權重信息完成在通道維度上對原始特征的重標定。該文通過重構原網絡中CSP結構的ResNet網絡層，為其添加SE注意力機制模塊，提高網絡的語義表征能力。

三、輸電線塔防外破目標檢測仿真與驗證

（一）數據集與網絡訓練

該文對輸電線塔監控視頻進行幀剪輯和圖片剪切，得到合計1500張圖片的數據集，其中500張人體圖片、400張汽車圖片、600張工程車（挖掘機）圖片，該數據集能有效反應真實情況下輸電線塔外力破壞事件的誘發主體，使用LabelImg軟件對三種標簽的圖片進行人工標注。然后，將數據集隨機打亂后劃分為75%的訓練集和25%的測試集，所有模型的訓練與測試均在同一臺電腦上完成，其中Pytorch版本為1.8.0，網絡學習率（Learning rate， Lr）設置為0.001，網絡優化器（Optimizer， Opt）選用Adam，批量大小（Batch size， Bs）為4，迭代次數（Epoch， Epo）為100。

（二）實驗結果與分析

模型識別準確度對比，如圖4所示。可以看出：改進后的CARAFE-SE-YOLOV5模型在自建數據集上有更高的檢測準確度。

在輸電線塔防外破檢測任務中，識別準確度可直接反應目標的檢測情況，由于漏檢可能導致外力破壞事件的發生，因此Precision準確度指標成為模型評價的重要指標之一，并綜合考慮檢測精度和速率，選擇性能最好的CARAFE-SE-YOLOV5模型作為最優模型，檢測效果如圖5所示，在陰暗以及復雜背景環境下依然能夠較好的檢測出目標。

四、結束語

以輸電線及桿塔防外破目標檢測為研究目標，通過收集已有數據進行標注，自建專用于輸電線塔外力破壞目標的檢測任務數據集，利用CARAFE模塊改進上采樣過程，使用SENet注意力機制重構原網絡中的CSP模塊，得到CARAFE-SE-YOLOV5模型。測試結果已證明改進模型的檢測準確度更好。在增加少量復雜度的情況下，明顯改善了對工程車（挖掘機）的檢測精度，實現實時目標檢測。

作者單位：劉慶 陳友坤 李義 姜繼彬 李璘 貴州電網有限責任公司畢節供電局

參? 考? 文? 獻

[1]陸佳政，周特軍，吳傳平，等.某省級電網220kV及以上輸電線路故障統計與分析[J].高電壓技術， 2016，42（01）： 200-207.

[2]盧銀均，李翊嘉，姜金節，等.輸電線路故障統計分析及防控對策研究[J].山東電力技術， 2021， 48（04）： 47-52.

[3]J. Wang， K. Chen， R. Xu， Z. Liu， C. C. Loy and D. Lin， CARAFE： Content-Aware ReAssembly of FEatures， 2019 IEEE/CVF International Conference on Computer Vision （ICCV）， 2019， pp. 3007-3016.

[4]J. Hu， L. Shen， S. Albanie， G. Sun and E. Wu， Squeeze-and-Excitation Networks [J]， IEEE Trans. Pattern Anal. Mach. Intell.， vol. 42， no. 8， pp. 2011-2023， 1 Aug. 2020.

該文受2022年貴州電網有限責任公司畢節供電局電力技術開發項目”高壓輸電線路走廊多異常事件智能監控及通信技術研究”（0607002022030101SC00049）資助。

陳友坤（1978.08-），男，漢族，貴州畢節，本科，貴州電網有限責任公司畢節供電局工程師，研究方向：輸電管理；

劉慶（1983.08-），男，苗族，貴州畢節，本科，貴州電網有限責任公司畢節供電局工程師，研究方向：輸電線路運檢及輸電通信管理；

李義（1991.02-），男，彝族，貴州畢節，本科，工程師，研究方向：電氣工程及科技管理；

姜繼彬（1992.06-），男，漢族，四川江安，本科，助理工程師，研究方向：輸電線路運檢及輸電通信管理；

李璘（1969.06.22-），男，漢族，貴州畢節，本科，工程師，研究方向：輸電安全及輸電通信管理。