混合數據驅動的輕量化YOLOv5故障選線方法

郝帥，田卓，馬旭，等.混合數據驅動的輕量化YOLOv5故障選線方法[J].西安科技大學學報，2024，44（5）：966-975.

HAO Shuai，TIAN Zhuo，MA Xu，et al.Lightweight YOLOv5 fault line selection method driven by hybrid data[J].Journal of Xi’an University of Science and Technology，2024，44（5）：966-975.

摘要：針對傳統選線方法精度低、實時性差、易受噪聲干擾的問題，提出一種混合數據驅動的輕量化YOLOv5選線方法，簡記為MSE-YOLOv5。首先，以零序電流作為區分故障線路與非故障線路的判斷依據，為了增強二者間數據對比差異性，利用小波變換將零序電流信號映射為二維時頻圖；其次，為了擴充樣本數量，利用搭建的小電流接地系統仿真模型，通過改變故障點位置、初相位以及接地電阻等參數生成仿真數據，與真實數據構成混合數據集；然后，為了減少選線時背景噪聲對微弱故障信號特征的影響，在所搭建檢測網絡的頸部網絡中引入通道注意力模塊，從而增強故障特征的表達能力；最后，為了提高選線實時性，在網絡中引入輕量化網絡以減少其參數量與運算量。為了驗證所提出方法的優勢，利用某變電站真實故障數據進行測試，并與4種經典算法進行比較。結果表明：所提混合數據驅動的輕量化YOLOv5故障選線方法具有較高精度，其選線精度可達95.2%，即使在噪聲干擾條件下，選線精度依然可以保持在90%以上；具有更輕的體量及更快的選線速度，參數量下降至原網絡的1/5，計算量下降至1/7，檢測速度可達7.7 ms。因此，混合數據驅動的輕量化YOLOv5故障選線方法具有體量小、速度快、精度高的優點，有利于后期將其部署到現場設備中。

關鍵詞：故障選線；小波變換；混合數據集；通道注意力模塊；輕量化網絡

中圖分類號：TM 773

Lightweight YOLOv5 fault line selection method driven by hybrid data

HAO Shuai，TIAN Zhuo，MA Xu，LI Wei，LI Jiahao

（College of Electrical and Control Engineering，Xi’an University of Science and Technology，Xi’an 710054，China）

Abstract：In order to "solve the problems of low precision，poor real-time performance and being easy to be disturbed by noise in traditional fault line selection methods，a hybrid data-driven lightweight YOLOv5 line selection method is proposed，briefly referred to as MSE-YOLOv5.Firstly，the zero sequence current is used as the basis to distinguish the fault line from the non-fault line.To enhance the data difference between them，the zero sequence current signal is mapped to two-dimensional time-frequency graph by wavelet transform.Secondly，to expand the number of samples，the simulation model of the small current grounding system is used to generate the simulation data by changing the fault location，initial phase and fault resistances.Simulation data and real data constitute mixed data set together.Thirdly，to reduce the influence of background noise on weak fault signal characteristics during fault line selection，a channel attention module is introduced into the neck network to promote the expression ability of fault characteristics.Finally，to improve the real-time performance of fault line selection，lightweight network is introduced to reduce the number of parameters and calculation.In order to verify the advantages of the proposed method，the real fault data of a substation are tested and compared with those by four classical algorithms.The experimental results demonstrate that the proposed hybrid data-driven lightweight YOLOv5 fault line selection method exhibits a higher level of accuracy，with its line selection accuracy reaching 95.2%.Even in the presence of noise interference，the accuracy remains above 90%.Additionally，this method offers reduced weight and faster line selection speed，as it reduces the number of parameters to only 1/5 of the original network while decreasing computational requirements to just 1/7.Consequently，the detection speed can achieve an impressive rate of 7.7 ms.Therefore， the lightweight YOLOv5 line selection method driven by hybrid data has the advantages of compact size and high speed，suitable for deployment on field equipment in the future.

Key words：fault line selection；wavelet transform；mixed data；channel attention module；lightweight net

0引言

中性點接地方式通常分為小電流接地和大電流接地2大類，而小電流接地又分為不接地、經消弧線圈接地和經高阻接地等[1]。中低壓配電網采用中性點非直接接地的小電流接地方式，該接地方式下系統發生單相接地故障時，接地點故障電流小，對供電設備不會立即造成很大的危害，系統仍可繼續運行1～2 h[2-4]，但在此期間必須找到故障線路并切除，以免造成更大的危害。據統計，單相接地故障占配電網總故障次數的80%以上[5-7]。因此，快速、準確地進行故障選線是保證配電網安全、可靠運行的重要手段。

現有的故障選線方法大多是以零序電流為特征進行判斷，主要分為以下3類[8-10]。

1）基于穩態信號的判別方法。該類方法是在故障發生后，通過對故障線路與非故障線路中的穩態電氣量特征差異進行辨識從而實現故障選線，代表方法包括比幅比相法、5次諧波法和有功分量法等。林志超等提出比較各饋線零序電流幅值和相位之間差異的接地保護方法，并通過試驗證明了該方法可有效提高小電阻接地系統接地故障保護靈敏度[11]。然而，基于穩態信號的選線法往往存在穩態特征量微弱，且易受消弧線圈影響等問題，選線可靠性不高[12]。

2）基于暫態信號的判別方法。該類方法主要是對故障相中的暫態電氣量特征差異進行辨識從而實現故障選線，代表方法包括首半波法、相關性選線法等。姜博等提出將行波選線法和暫態信號相結合的選線方法，通過試驗證明其可以較好地解決選線可靠性低的問題[13]。然而，李國藝等指出利用暫態信號可能會受故障發生時刻、接地電阻等客觀因素影響，導致選線時暫態特征不明顯或者不穩定，進而導致選線靈敏度和可靠性降低等問題[14]。

3）基于人工智能的故障選線方法。程文傲等提出一種對三相電流構建三維空間域圖像，并分別向不同平面投影然后再融合，最后利用圖像識別與分類算法實現故障選線的方法[15]。該方法在人工提取故障特征信息缺失等多種因素影響下，相比于傳統選線方法，圖像故障特征更明顯、選線準確率更高，且具有抗噪聲能力。

上述3類方法進行故障選線時都需要人為地根據故障特性進行故障特征設計，然后對選線數據進行分類。因此，特征設計或選取的好壞對最終選線精度有直接的影響。然而，小電流接地系統單相接地故障特征受很多因素影響，如故障初相角、故障點位置、接地電阻以及故障線路類型（架空線路、電纜線路或混合線路）等。基于人工故障特征設計的選線方法往往存在易受噪聲干擾、魯棒性弱等缺點。深度學習通過構建深層次的卷積神經網絡，可以自動學習或訓練出目標可靠或有效特征，并在智能監控、交通等領域有廣泛應用[16]。相關學者也將深度學習方法引入到解決選線問題中，郝帥等提出一種基于改進GoogLeNet的小電流接地選線方法，通過遷移學習來解決小樣本條件下如何可靠選線的問題，并通過試驗驗證了所提出方法具有較高的選線精度和較強的抗噪能力[17]；殷浩然等提出一種基于S變換相關度和深度學習的配電網單相接地故障選線方法，通過S變換獲取零序電流時頻信息，利用S-CNN算法來實現選線，試驗證明所提方法在不同故障條件下均具有較高選線正確率及魯棒性[18]。

雖然基于深度學習的選線方法相比于傳統選線方法的精度較高，但其檢測精度與樣本特征信息豐富程度有關，現有的真實樣本故障特征信息有限且數據量較少，檢測精度往往受此原因影響較大。TANG等提出基于真實圖像生成模擬圖像，將二者一起用于深度神經網絡的訓練，添加不同數量的模擬圖像，網絡的準確率均有不同程度的提高[19]；JINWOO等提出與只采用真實數據或仿真數據這2種數據源中的一種相比，使用混合數據進行訓練，能夠提高模型檢測精度，同時可以減少50%左右的必要真實訓練圖像[20]。電力系統單相接地故障仿真數據是從人為搭建的配電網仿真模型中所獲取，盡管與真實數據存在差異性，但其故障線路與非故障線路零序電流數據表現出與真實數據相似的特征。

為此，針對小樣本數據條件下如何實現準確、快速選線問題，提出一種基于混合數據驅動的輕量化YOLOv5[21]選線方法，簡記為MSE（MobileNetV3，Squeeze and Excitation）-YOLOv5。主要貢獻和創新如下：

1）利用小波變換生成時頻圖，通過時頻圖來增強故障和非故障線路差異，同時，通過構造仿真模型生成仿真數據，與真實數據融合，構成混合數據集，從而增強檢測網絡的魯棒性；

2）為減少選線時背景噪聲對相似度較高數據的影響，在所搭建檢測網絡的頸部網絡引入SE（Squeeze and Excitation）通道注意力模塊；

3）為提高選線的實時性，在YOLOv5網絡中引入MobileNetV3輕量化網絡。

1MSE-YOLOv5小電流接地選線方法

所提出的MSE-YOLOv5小電流接地故障選線方法算法框架如圖1所示。

MSE-YOLOv5選線網絡的檢測流程如下：

1）利用小波變換將零序電流映射為二維時頻圖，構建混合數據集；

2）對訓練集目標區域進行標注，輸入檢測網絡中進行訓練，得到訓練權重；

3）利用MoblieNetV3[22]中深度可分離卷積運算量和參數量小的特性，使檢測網絡體量更小、檢測速度更快，達到模型輕量化的目的；

4）搭建YOLOv5檢測網絡，并在特征提取網絡引入SE通道注意力模塊[23]來提高圖像中故障目標區域的顯著度；

5）利用真實數據進行測試驗證。

1.1小波變換原理

小波變換可以通過伸縮和平移等運算對信號進行細化分析[24]，為了具象化表示故障線路與非故障線路之間零序電流的數據差異，選用小波變換的方法，將現有零序電流信號映射為二維時頻圖。

設零序電流為f（t），經過連續小波變換后可表示為

WΨ（a，b）=∫+f（t）Ψa，b（t）dt（1）

Ψa，b（t）=1aΨa，b（t－ba）（2）

式中WΨ（a，b）為小波變換函數；a為伸縮因子；b為平移因子；Ψa，b（t）為小波系數；t為時間變量。連續小波變換包括以下過程

設Ci為小波序列，則Ci=2Fc·L（3）

式中L為尺度序列長度。

設小波尺度Scale用S表示，則S=Ci/L（4）

則小波的實際頻率為Fa=Fs·Fc/S（5）

式中Fa為小波實際頻率；Fs為采樣頻率；Fc為中心頻率。

設置故障位置在線路50%處，故障初相角為0°，接地電阻分別為10，100，300 Ω時，系統零序電流變化。如圖2所示，隨著接地電阻的增大，零序電流所表現出來的暫態過程縮短，且故障線路與非故障線路零序電流均減小。

從圖2可以看出，高阻接地時零序電流經過小波變換后故障線路與非故障線路間具有明顯差異。因此，利用小波變換作為選線網絡的數據預處理手段，可以有效提高選線網絡的檢測精度。

1.2SE通道注意力模塊

由于配電網在發生高阻接地這類故障時，故障線路與非故障線路在零序電流上所表現出的差異是極其微小的，從而造成檢測精度受限。

為了解決微弱故障信號特征易淹沒在背景噪聲下的問題，在網絡中引入SE通道注意力模塊。

SE模塊中包含Squeeze、Excitation和Scale 3部分，如圖3所示。Squeeze通過全局平均池化（Global Average Pooling）將輸入的特征圖壓縮至1×1×C（C為輸入特征圖的通道數）。

Excitation由2個全連接層以及2個不同的激活函數ReLU（Rectified Linear Unit）[25]和Sigmoid[26]組成，使得壓縮后的特征圖可以學習各通道之間的非線性關系，并且保證每個通道都有對應的輸出。

Scale結構將Excitation計算出的1×1×C特征圖的權重值與原H×W×C（H為特征圖高度，W為特征圖寬度）特征圖的權重相乘，得到最終的輸出結果。

1.3輕量化網絡MobileNetV3

為了提高選線的實時性，將YOLOv5的原始Backbone網絡更換為體量更小、計算量更少的MobileNetV3，其結構如圖4所示。

MobileNetV3在深度卷積過程中引入了SE通道注意力模塊與h-swish（hard-swish）[27]激活函數，通道注意力模塊可以有效提高故障特征在算法網絡中的顯著度，h-swish激活函數能夠有效提高網絡精度。輕量化網絡MobileNetV3引入了深度可分離卷積，結構如圖5所示。

卷積核中，M為輸入特征圖通道數；N為輸出特征圖通道數，與卷積核個數相等，卷積核尺寸為DK×DK；DW為數據輸出寬度。深度卷積核中，通道數恒為1，卷積核數量與輸入特征圖通道數相等；逐點卷積中，卷積核通道數與輸入特征圖通道數相等，輸出特征圖通道數等于卷積核個數，其中卷積核尺寸恒為1×1。

常規卷積核的運算量J1為

J1=DK×DK×DW×DW×M×N

（6）

參數量T1為

T1=DK×DK×M×N

（7）

深度可分離卷積的運算量J2為

J2=DK×DK×DW×DW×M

+DW×DW×N

（8）

參數量T2為

T2=DK×DK×M+M×N

（9）

由式（6）～（9）可知，采用深度可分離卷積的參數量和運算量相比于常規卷積可以大幅減少。MSE-YOLOv5選線方法中分別采用3×3的深度卷積核，1×1的逐點卷積核，輸入通道數為3，輸出通道數為256的情況下，網絡總參數量可降低至原網絡的1/8，計算量降至1/5。

2結果分析

試驗中使用的軟硬件平臺配置見表1。

2.1數據采集與處理

試驗中采用的真實數據是某變電站近3 a內發生的各類單相接地故障的Comtrade故障錄波數據，通過小波變換后可以得到1 800張時頻圖，部分圖像如圖6所示。

利用Matlab/Simulink平臺搭建10 kV小電流接地系統仿真模型，通過設置不同的故障點位置、故障初相位以及接地電阻等參數得到零序電流數據，經小波變換后共得到900張仿真數據時頻圖，部分圖像如圖7所示。

從圖6和圖7可以看出，非故障線路頻率較高，均在400 Hz以上，且局部區域表現出高亮的特點，故障線路幅值較低。相較于一維零序電流信號，時頻圖可以具象化地區分故障線路與非故障線路。

為減小真實數據量有限，其特征信息對比不明顯等因素造成選線精度較低的影響，在數據集中引入仿真數據，與真實數據構成混合數據集，可以擴充數據集樣本數量，同時提高數據間相似度對比差異性，緩解了樣本類別不均衡的問題。

2.2網絡模型訓練

在模型訓練時，設置動量大小參數為0.937。在前100輪訓練中，將學習率設置為0.01；后200輪訓練中，學習率設置為0.001。當訓練達到300輪時，損失函數與精度趨于穩定，從而得到模型訓練權重。

2.3試驗結果及分析

將仿真數據均作為訓練集，真實數據以7∶3劃分為訓練集與測試集。

選取準確率kpre、召回率kre、平均準確率kmAP、網絡參數量Np、浮點運算量NF和檢測時間NT作為評價指標。各指標計算公式如下[28-30]

kpre=NTPNTP+NFP

（10）

kre=NTPNTP+NFN（11）

kmAP=∑ni=1Ai

（12）

式中NTP為將非故障線路判定為非故障線路的樣本數量；NFP為將故障線路判定為非故障線路的樣本數量；NTN為將故障線路判定為故障線路的樣本數量；NFN為將非故障線路判定為故障線路的樣本數量；Ai為各類別所對應的準確率和召回率曲線下方的面積。

使用混合數據集，在設置一致的訓練參數的條件下，MSE-YOLOv5與YOLOv5檢測網絡的平均選線精度如圖8所示。

從圖8可以看出，所提出方法的平均檢測精度高于YOLOv5，在迭代至250輪左右時，YOLOv5模型的kmAP值達到0.7，最終穩定在0.818左右；而MSE-YOLOv5迭代80輪左右kmAP值便可達到0.7，此后逐漸上升，并穩定在0.952左右。

由于采用混合數據集來替換單一真實數據集，并且在YOLOv5的基礎上引入了MobileNetV3輕量化網絡與SE通道注意力模塊，為了驗證各部分作用，進行消融試驗，見表2。

由表2可知，所提方法的平均檢測精度與YOLOv5原始網絡相比提升13.4%。使用混合數據集時網絡的檢測精度高于單一數據集；在引入SE模塊后，網絡的檢測精度均有不同程度的提升；輕量化網絡MobileNetV3引入后，盡管精度下降了1.5%，但參數量降至原始網絡的1/5，計算量下降至1/7。

為了進一步驗證MSE-YOLOv5算法的優點，使用混合數據集進行訓練，選取Faster-RCNN[31]、SSD[32]、YOLOv4[33]和YOLOv5算法與其進行對比，結果如圖9所示。

從圖9可以看出，Faster-RCNN的訓練精度可以達到90.2%，SSD為81.1%，YOLOv4為48.6%，YOLOv5為92.6%，MSE-YOLOv5精度為95.2%，高于其余4種對比算法。

為了驗證MSE-YOLOv5的魯棒性，分別對數據集加以3個不同方差的高斯噪聲，對比結果見表3。

由表3可知，在同樣的方差條件下，MSE-YOLOv5算法對比其余4種算法仍具有較高的檢測精度，而且當噪聲不斷增大時，各算法的精度均有所下降，但是MSE-YOLOv5仍保持有較高的精度，證明所提算法具有良好的抗噪性。

3結論

1）通過構建混合數據集的方法，可以增強樣本之間的特征對比，同時擴充數據集樣本數量，從而提高模型的檢測精度及泛化能力。

2）通過在檢測網絡Neck部位引入SE的舉措，可以提高檢測網絡對故障特征的識別能力，進而提高檢測網絡的檢測精度。

3）在Backbone引入MobileNetV3輕量化網絡后，網絡參數量與計算量得以降低，從而提高選線網絡的實時性，這對于其在實際場景中的部署應用具有積極意義。

參考文獻（References）：

[1]劉群杰，樊艷芳，侯俊杰，等.基于開關控制的風電場集電線路復合中性點接地方式研究[J].太陽能學報，2019，40（9）：2424-2432.

LIU Qunjie，FAN Yanfang，HOU Junjie，et al.Study on composite neutral grounding mode of wind farm lines based on switching control[J].Acta Energiae Solaris Sinica，2019，40（9）：2424-2432.

[2]曾祥君，尹項根，張哲，等.零序導納法饋線接地保護的研究[J].中國電機工程學報，2001，21（4）：5-10.

ZENG Xiangjun，YIN Xianggen，ZHANG Zhe，et al.Study on feeder grounding fault protection based on zero sequence admittance[J].Proceedings of the CSEE，2001，21（4）：5-10.

[3]郝帥，范文璐，付周興，等.基于壓縮感知的小電流接地系統故障選線方法[J].西安科技大學學報，2020，40（2）：330-335.

HAO Shuai，FAN Wenlu，FU Zhouxing，et al.Fault line selection method for small current grounding system based on compressed sensing[J].Journal of Xi’an University of Science and Technology，2020，40（2）：330-335.

[4]CONG Z，LIU Y，FANG J，et al.Root-cause identifica-tion of single line-to-ground fault in urban small current grounding systems based on correlation dimension and average resistance[J].IEEE Transactions on Power Delivery，2020，35（4）：1834-1843.

[5]張國棟，蒲海濤，劉凱.基于深度學習的小電流接地系統故障選線方法[J].發電技術，2019，40（6）：548-554.

ZHANG Guodong，PU Haitao，LIU Kai.Fault line selection method of small current grounding system based on deep learning[J].Power Generation Technology，2019，40（6）：548-554.

[6]薛太林，張建新，侯雋朗.基于小波相關分析的小接地系統故障選線方法[J].電氣自動化，2018，40（4）：77-80.

XUE Tailin，ZHANG Jianxin，HOU Juanlang.Fault line selection method for small grounding systems based on correlation-wavelet analysis[J].Electrical Automation，2018，40（4）：77-80.

[7]劉寶穩，萬子雄，曾祥君，等.基于有源消弧暫態衰減信息的配電網接地故障跟蹤檢測方法[J].中國電機工程學報，2024，44（2）：464-476.

LIU Baowen，WAN Zixiong，ZENG Xiangjun，et al.Ground fault tracking and detection of distribution network based on transient attenuation information of active arc-suppression process[J].Proceedings of the CSEE，2024，44（2）：464-476.

[8]李高明，黎皓彬，盧穎，等.基于暫穩態電流幅值比較的諧振接地系統故障選線方法[J].電力系統及其自動化學報，2022，34（10）：97-103.

LI Gaoming，LI Haobin，LU Ying，et al.Fault line selection method for resonance grounding system based on comparison between transient and steady-state current amplitudes[J].Proceedings of the CSU-EPSA，2022，34（10）：97-103.

[9]喻錕，胥鵬博，曾祥君，等.基于模糊測度融合診斷的配電網接地故障選線[J].電工技術學報，2022，37（3）：623-633.

YU Kun，XU Pengbo，ZENG Xiangjun，et al.Grounding fault line selection of distribution networks based on fuzzy measures integrated diagnosis[J].Transactions of China Electrotechnical Society，2022，37（3）：623-633.

[10]朱玉勇，呂飛鵬，廖小君，等.基于路圖GFT譜相似度的小電流接地系統故障選線[J].電力自動化設備，2023，43（11）：89-94，116.

ZHU Yuyong，L Feipeng，LIAO Xiaojun，et al.Fault line selection of small current grounding system based on GFT spectral similarity of path graph[J].Electric Power Automation Equipment，2023，43（11）：89-94，116.

[11]林志超，劉鑫星，王英民，等.基于零序電流比較的小電阻接地系統接地故障保護[J].電力系統保護與控制，2018，46（22）：15-21.

LIN Zhichao，LIU Xinxing，WANG Yingmin，et al.Grounding fault protection based on zero sequence cu-rrent comparison in low resistance grounding system[J].Power System Protection and Control，2018，46（22）：15-21.

[12]程啟明，高杰，王曉衛，等.基于優化雙穩態去噪的小電流接地系統故障選線方法[J].高電壓技術，2018，44（11）：3483-3492.

CHENG Qiming，GAO Jie，WANG Xiaowei，et al.Fault line selection method based on optimized bistable denoising for non-solid-earthed network[J].High Voltage Engineering，2018，44（11）：3483-3492.

[13]姜博，董新洲，施慎行，等.配電網單相接地故障選線典型方法實驗研究[J].電力自動化設備，2015，35（11）：67-74.

JIANG Bo，DONG Xinzhou，SHI Shenxing，et al.Experimental research on typical single-phase grounding line selection methods of distribution network[J].Electric Power Automation Equipment，2015，35（11）：67-74.

[14]李國藝，潘明，劉毅.小電流接地故障仿真分析及選線方法研究[J].電工技術，2022（8）：145-148.

LI Guoyi，PAN Ming，LIU Yi.Research on line selection method and analysis of small grounding fault simulation[J].Electric Engineering，2022（8）：145-148.

[15]程文傲，徐明，高金峰.小電流接地系統單相接地故障選線空間域圖像生成及融合方法[J].電力自動化設備，2021，41（7）：97-103.

CHENG Wenao，XU Ming，GAO Jinfeng.Spatial domain image generationand fusion method of single-phase grounding fault line selection for small current grounding system[J].Electric Power Automation Equipment，2021，41（7）：97-103.

[16]蒲玲玲，楊柳.改進YOLOv5的多車輛目標實時檢測及跟蹤算法[J].科學技術與工程，2023，23（28）：12159-12167.

PU Lingling，YANG Liu.Improved real-time detection and tracking algorithm for multi vehicle targets in YOLOv5[J].Science Technology and Engineering，2023，23（28）：12159-12167.

[17]郝帥，張旭，馬瑞澤，等.基于改進GoogLeNet的小電流接地系統故障選線方法[J].電網技術，2022，46（1）：361-368.

HAO Shuai，ZHANG Xu，MA Ruize，et al.Fault line selection method for small current grounding system based on improved GoogLeNet[J].Power System Technology，2022，46（1）：361-368.

[18]殷浩然，苗世洪，郭舒毓，等.基于S變換相關度和深度學習的配電網單相接地故障選線新方法[J].電力自動化設備，2021，41（7）：88-96.

YIN Haoran，MIAO Shihong，GUO Shuyu，et al.Novel method for single-phase grounding fault line selection in distribution network based on S-transform correlation and deep learning[J].Electric Power Automation Equipment，2021，41（7）：88-96.

[19]TANG Z，CHEN K，PAN M，et al.An augmentation s-trategy for medical image processing based on statistical shape model and 3d thin plate spline for deep learning[J].IEEE Access，2019，7：133111-133121.

[20]JINWOO K，DAEHO K，SANGHYUN L，et al.Hybrid DNN training using both synthetic and real construction images to overcome training data shortage[J].Automation in Construction，2023，149：104771-104783.

[21]郝帥，楊晨祿，趙秋林，等.基于雙分支頭部解耦和注意力機制的災害環境人體檢測[J].西安科技大學學報，2023，43（4）：797-806.

HAO Shuai，YANG Chenlu，ZHAO Qiulin，et al.Pedestrian detection method in disaster environment based on double branch decoupled head and attention mechanism[J].Journal of Xi’an University of Science and Technology，2023，43（4）：797-806.

[22]JIA L，WANG Y，ZANG Y，et al.Mobilenetv3 with cbam for bamboo stick counting[J].IEEE Access，2022，10：53963-53971.

[23]HU J，SHEN L，ALBANIE S，et al.Squeeze-and-excitation networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（8）：2011-2023.

[24]元宙昊，葉義成，羅斌玉，等.基于小波變換理論的巖石節理面粗糙度分級表征[J].煤炭學報，2022，47（7）：2623-2642.

YUAN Zhouhao，YE Yicheng，LUO Binyu，et al.Hierarchical characterization joint surface roughness coefficient of rock joint based on wavelet transform[J].Journal of China Coal Society，2022，47（7）：2623-2642.

[25]WANG D，ZENG J，LIN S.Random sketching for neural networks with relu[J].IEEE Transactions on Neural Networks and Learning Systems，2021，32（2）：748-762.

[26]張有健，陳晨，王再見.深度學習算法的激活函數研究[J].無線電通信技術，2021，47（1）：115-120.

ZHANG Youjian，CHEN Chen，WANG Zaijian.Research on activation function of deep learnimg algorithm[J].Radio Communications Technology，2021，47（1）：115-120.

[27]JAESEONG L，JUNGSUB R，DUSEOK K，et al.Snas：fast hardware-aware neural architecture search methodo-logy[J].IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems，2022，41（11）：4826-4836.

[28]郝帥，楊磊，馬旭，等.基于注意力機制與跨尺度特征融合的YOLOv5輸電線路故障檢測[J].中國電機工程學報，2023，43（6）：2319-2331.

HAO Shuai，YANG Lei，MA Xu，et al.YOLOv5 transmission line fault detection based on attention mechanism and cross-scale feature fusion[J].Proceedings of the CSEE，2023，43（6）：2319-2331.

[29]王道累，張世恒，袁斌霞，等.基于改進YOLOv5的輕量化玻璃絕緣子自爆缺陷檢測研究[J].高電壓技術，2023，49（10）：4382-4390.

WANG Daolei，ZHANG Shiheng，YUAN Binxia，et al.Research on self-explosion defect detection of lightweight glass insulators based on improved YOLOv5[J].High Voltage Engineering，2023，49（10）：4382-4390.

[30]叢帥，楊磊，華征豪，等.基于目標檢測和遷移時間序列的教室人員檢測[J].河北大學學報（自然科學版），2023，43（4）：432-441.

CONG Shuai，YANG Lei，HUA Zhenghao，et al.Classroom personnel detection based on object detection and time series migration[J].Journal of Hebei University（Natural Science Edition），2023，43（4）：432-441.

[31]林剛，王波，彭輝，等.基于改進Faster-RCNN的輸電線巡檢圖像多目標檢測及定位[J].電力自動化設備，2019，39（5）：213-218.

LIN Gang，WANG Bo，PENG Hui，et al.Multi-target detection and location of transmission line inspection image based on improved Faster-RCNN[J].Electric Power Automation Equipment，2019，39（5）：213-218.

[32]韓雁鵬，侯進，譚光鴻，等.一種改進的SSD算法及其在車輛目標檢測中的應用[J].計算機應用與軟件，2021，38（11）：191-196，231.

HAN Yanpeng，HOU Jin，TAN Guanghong，et al.An improved SSD algorithm and its application in vehicle object detection[J].Computer Applications and Software，2021，38（11）：191-196，231.

[33]WANG L，LI L，WANG H，et al.Real-time vehicle identification and tracking during agricultural master-slave follow-up operation using improved YOLOv4 and bino-cular positioning[J].Proceedings of the Institution of Mechanical Engineers，Part C：Journal of Mechanical Engineering Science，2023，237（6）：1393-1404.

（責任編輯：高佳）

收稿日期：2024-03-25

基金項目：國家自然科學基金項目（51804250）；中國博士后科學基金項目（2020M683522）；陜西省自然科學基礎研究計劃項目（2024JC-YBMS-490）

通信作者：郝帥，男，河北任丘人，副教授，碩士生導師，E-mail：haoxust@163.com