基于目標檢測與特征匹配測距的輸電線路防外破監測方法*

佘仰騰 范亮 張惠榮 陳奕戈 張磊

1. 廣東電網有限責任公司惠州供電局 廣東 惠州 516000；2. 廣州中科智巡科技有限公司 廣東 廣州 510623

引言

塔吊、吊車、挖掘機和推土機等大型機械在輸電線路下施工時，極易造成碰電線事故。近年來，基于卷積神經網絡的目標檢測模型逐步取代傳統的目標檢測算法進行輸電線路外力破壞隱患檢測，在提高隱患目標檢測準確率的同時也提升了檢測效率。然而，由于攝像頭的視場范圍比較寬廣，目標檢測模型將輸電線路外遠處的施工機械檢測出來的誤檢情況經常發生。

為了排除誤檢情況，本文基于雙目攝像機，提出一種結合目標檢測與特征匹配測距的輸電線路外力破壞隱患檢測方法，實現自動化、高準確率、高實用性的輸電線路防外破監測。

1 相關理論

1.1 YOLOv4模型

YOLOv4目標檢測模型較好地兼顧了檢測精度和速度，其結構由4大部分組成：主干特征提取網絡CSPDarknet53網絡、空間金字塔池化層SPP層、路徑匯集網絡PANet網絡以及預測網絡。

本文引入注意力機制增強隱患目標的特征表達，在CSPDarknet53網絡中的CSP模塊中加入CA注意力機制，將傳遞通道賦予不同的權重，使得在梯度計算過程中，權重較大的通道占主導地位，最終呈現在原始圖像中網絡能更明顯的檢測重點關注部分[1]。

1.2 LoFTR模型

本文采用基于深度學習的LoFTR模型進行雙目圖像配準，LoFTR模型直接從包含相同或相似特征內容的圖像對中學習到像素級別的匹配關系，提取特征點匹配對精度較高，可以在低紋理、運動模糊的區域產生高質量的特征匹配對，對于運動中的外力破壞目標具有較好的配準效果[2]。

2 本文算法

2.1 構建改進YOLOv4模型

本文改進YOLOv4模型所引入CA注意力機制的計算流程圖如下[3]。將原始輸入特征分解為兩個一維特征的編碼過程，分別沿著長寬兩個空間方向聚合特征進行全局池化，在一個空間方向建立依賴關系的同時，在另一方向捕獲精準的位置特征，二者相輔相成，共同應用于特征圖，以增強關注對象的表示。再將生成的attention map進行concat操作，使通道疊加，在經過卷積及非線性函數變換，為空間信息各自在長寬方向進行編碼的中間特征映射，將得到的新特征按照H和W的值拆分，在經過激活函數與最原始的輸入相乘，得到最終的注意力特征圖[4]。

圖1 引入CA注意力機制的計算流程圖

在PANet中對主干特征網絡輸出的最后第2層、最后第3層以及SPP層輸出的特征圖進行融合，對于輸入的融合特征圖，預測網絡首先將特征圖劃分為S×S個網格，每個網格負責預測中心落入該網絡的對象是否是外力破壞隱患，并計算3個預測框。每個預測框對應5+C個值，C代表待檢測外力破壞隱患的種類數目，5表示預測框的信息，分別是：中心點坐標（x，y），框的寬和高以及置信度。最后使用非極大值抑制算法來篩選出置信度得分較高的隱患目標預測框作為最終的檢測結果進行輸出，獲取隱患目標區域的最大外界矩形框。

2.2 雙目相機參數調整

攝像機鏡頭拍攝的圖像會存在畸變現象，因此在測距之前需要對左右圖像進行校正。依據雙目攝像機已標定好的參數對左右圖像進行畸變及立體校正，獲取對準的雙目圖像[5]。

為了獲取攝像機的畸變系數以及焦距和基線距等基礎參數，本文利用張正友標定法對攝像機進行標定。首先以棋盤格為標定參照物，使用雙目攝像機拍攝多張不同角度的圖像。再利用Matlab軟件中camera calibration工具箱將拍攝的多張圖像通過提取角點、預估畸變誤差等操作對左右攝像頭分別進行單目標標定，得到左右攝像頭的畸變系數和內部參數。最后使用stereo camera calibrator工具箱將誤差較大圖像移除后重新計算，對外部參數進行標定。

2.3 LoFTR模型對雙目圖像進行圖像配準

采用LoFTR模型對雙目圖像進行圖像配準，根據圖像中的隱患目標區域范圍，提取范圍內的特征匹配對[6]。

2.3.1 采用LoFTR模型進行雙目圖像配準。雙目圖像輸入LoFTR模型后生成N個特征匹配對{（x，y）∈Ili，（x，y）∈Iri|i=1，2，3...N}，其中（x，y）∈Ili是左圖像中的特征匹配像素點坐標，（x，y）∈Iri是右圖像中的特征匹配像素點坐標，i為特征匹配對的序號。

2.3.2 提取隱患目標區域范圍內的特征匹配對。以左圖像作為基準圖像，根據左圖像中的隱患目標區域范圍，篩選出預測框內的左圖特征匹配像素點坐標，并通過序號i獲取右圖中對應的特征匹配像素點坐標，即可提取隱患目標區域范圍內的特征匹配對。

2.4 外力破壞隱患實際距離的測量

雙目攝像機測距原理如下圖所示，攝像機的基線b和焦距f可在攝像機標定過程中獲取，圖像中的像素差X可通過所提取若干特征匹配對橫坐標的距離均值獲取，最終實際距離z可用公式表示為：

2.5 目標跟蹤

引入deepsort算法對出現在做圖像畫面中的外力破壞隱患目標進行目標跟蹤[7]，記錄每一個目標的停留幀數，聯合目標實際距離進行綜合的告警判斷。

2.5.1 采用deepsort算法進行隱患目標跟蹤。deepsort算法采用通過引入檢測目標的外觀信息，對淺層殘差網絡提取的128維特征向量進行關聯，計算特征向量與檢測框的最小余弦距離，實現狀態匹配。將目標檢測獲得的檢測框與卡爾曼濾波器獲得的預測框匹配后，通過對各目標標記ID來確定身份，實現目標跟蹤。

2.5.2 結合目標距離和停留幀數進行告警判斷。當隱患目標通過計算得到的實際距離大于預設閾值時將其視為無關目標，而當實際距離小于預設閾值時，則通過deepsort算法實時統計該隱患目標的停留幀數[8]，若該隱患目標在輸電線路監控區域中的停留時間較短（停留幀數小于等于90），則進行低風險告警，提醒工作人員有隱患目標進入現場；若該隱患目標在輸電線路監控區域中的停留較長（停留幀數大于90），進行高風險告警，表明該目標有長時間停留的趨勢。

3 實驗過程與結果分析

3.1 機械設備模擬進入監測區域

采用模擬輸電線路施工機械進入監測場景的方法進行算法和設備的驗證。

3.2 實驗環境與配置

采用設備參數如下：CPU，主頻2.40GHz，8C/16T；顯卡，NVIDIA Geforce 3070ti；操作系統，Redhat Centos 9.2207。

3.3 算法訓練與結果測試

表1 算法實驗結果

3.4 結果分析

通過分析比較，雙面攝像頭搭配算法的模型能夠有效監測現場是否存在施工機械，并且根據距離預警輸出，對較遠距離的模擬測試過程發現，測距精度相應損失較大，在300m范圍的精度完全滿足現場實際應用的需要。

4 結束語

本文提出的結合目標檢測模型、基于特征匹配模型的雙目測距技術和目標跟蹤算法實現自動化、高準確率、高實用性的輸電線路防外破監測。目標檢測模型以YOLOv4模型為基準模型，引入CA注意力機制增強隱患目標的特征表達，提高模型對外力破壞隱患目標的檢測精度。采用LoFTR模型進行雙目圖像配準，獲取左右圖像中隱患目標更準確的像素差，從而使計算得到目標距離的更加精準。通過deepsort算法實時統計隱患目標的停留幀數，結合隱患目標的實際距離和停留時長進行告警判斷，提高防外破監測方法的實用性。