國網(wǎng)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(fēng)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(fēng)箏，給輸電線路運行帶來了極大的安全隱患[1]。當(dāng)前的風(fēng)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(nèi)的警戒區(qū)域，風(fēng)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(fēng)箏線將在受潮或下雨天氣變成導(dǎo)體，從而引發(fā)輸電線路安全事故[4]，因此，亟需開展輸電線路的風(fēng)箏線檢測。

國內(nèi)外許多學(xué)者對輸電線路風(fēng)箏線檢測做了大量研究。文獻[5]中，提出了一種基于深度學(xué)習(xí)的輸電線路風(fēng)箏檢測方法，通過異物對抗圖像識別模型，實現(xiàn)了輸電線路的風(fēng)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(fēng)箏檢測方法，針對風(fēng)箏線識別樣本數(shù)量不足的問題，采用了Faster R-CNN 獲取輸電線路風(fēng)箏線數(shù)據(jù)，并采用數(shù)據(jù)增強方法提高對風(fēng)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(jié)合的輸電線路風(fēng)箏檢測方法，通過毫米波雷達實現(xiàn)了輸電線路風(fēng)箏線的檢測，由此可見，輸電線路風(fēng)箏線檢測方法多樣，但風(fēng)箏線較細(xì)，上述研究中的識別成功率不高。

為解決輸電線路風(fēng)箏纏繞的問題，文中提出了一種基于改進YOLO5的輸電線路風(fēng)箏線檢測方法，首先，無人機攝像頭采集輸電線路的圖像數(shù)據(jù)；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(fēng)箏進行檢測。

1 輸電線路風(fēng)箏線檢測

文中所述的基于改進YOLO5的輸電線路風(fēng)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(fēng)箏線檢測三部分內(nèi)容。

圖1 輸電線路風(fēng)箏線檢測框架圖

在輸電線路視頻采集環(huán)節(jié)，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(jiān)測環(huán)節(jié)，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(fēng)箏線檢測環(huán)節(jié)，采用改進YOLO5算法對輸電線路風(fēng)箏進行檢測，并對發(fā)現(xiàn)的風(fēng)箏線進行告警。

2 輸電線路風(fēng)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(dǎo)航兩種。人工控制模式，顧名思義是指由操作人員直接操控?zé)o人機的飛行線路開展巡查。通常使用地面控制站來預(yù)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(yōu)勢是可以直觀的看到輸電線路的風(fēng)箏線異物情況，對于發(fā)現(xiàn)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(xiàn)因圖像質(zhì)量不清晰，造成的輸電線路風(fēng)箏線檢測錯誤問題。自主導(dǎo)航模式則是指預(yù)先設(shè)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(yù)先設(shè)定好的飛行巡視任務(wù)，該方法的優(yōu)點是無需人工干預(yù)，但在光線不好的天氣情況下，因圖片質(zhì)量不高，會存在輸電線路風(fēng)箏線漏檢的情況。

對于風(fēng)箏線檢測而言，現(xiàn)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(lǐng)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(tǒng)計輸電線路風(fēng)箏線視頻特征，可以在一個輸電線路風(fēng)箏線檢測的網(wǎng)格中獲得統(tǒng)一大小的細(xì)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(fēng)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(shù)據(jù)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(fēng)箏線圖片有一些特征不受光照、圖像偏轉(zhuǎn)等因素影響，例如是風(fēng)箏線的邊緣角點、暗區(qū)域的亮點，該方法通過搜索尺度空間的輸電線路風(fēng)箏線圖像位置，通過高斯微分函數(shù)來識別圖像的SIFT特征。然后通過定位輸電線路風(fēng)箏線圖片的關(guān)鍵點和部分的特征方向，在每個輸電線路風(fēng)箏線的關(guān)鍵位置精細(xì)擬合來確定位置和尺度。然后依據(jù)圖像的穩(wěn)定度，分配給每一個輸電線路風(fēng)箏線檢測的多個方向，并進行輸電線路風(fēng)箏線尺度和位置的變換。并通過輸電線路風(fēng)箏線關(guān)鍵點的特征向量，模擬出互相對于的輸電線路風(fēng)箏線圖片特征點，建立輸電線路風(fēng)箏線特征的對應(yīng)關(guān)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(shù)據(jù)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(shù)[8]對輸電線路異常物體的圖像進行旋轉(zhuǎn)，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(fēng)箏線檢測

YOLO5算法是一種輸電線路圖像數(shù)據(jù)的單階段的目標(biāo)圖像檢測算法，該算法在YOLO4算法的基礎(chǔ)上提升了輸入端、基準(zhǔn)網(wǎng)絡(luò)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(xùn)練增加了數(shù)據(jù)增強和輸電線路異常物體圖片縮放功能。在基準(zhǔn)網(wǎng)絡(luò)檢查中增加了Focus輸電線路圖像檢測結(jié)構(gòu)，在輸出層，改進了輸電線路異常物體檢測訓(xùn)練函數(shù)的損失函數(shù)，提高數(shù)據(jù)分析的精準(zhǔn)度，因此，文中采用YOLO5算法進行風(fēng)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(fēng)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(shù)據(jù)增強，提高數(shù)據(jù)輸入的質(zhì)量。即YOLO5輸電線路風(fēng)箏線檢測算法的輸入端中，放入輸電線路風(fēng)箏線圖像數(shù)據(jù)，在輸入端進行圖像預(yù)處理，通過輸電線路風(fēng)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(fēng)箏線檢測網(wǎng)絡(luò)訓(xùn)練，提升輸電線路風(fēng)箏線檢測線的檢測數(shù)據(jù)的模型的判斷精度。

其次，在基準(zhǔn)網(wǎng)絡(luò)Focus 結(jié)構(gòu)中，融入了多種檢測算法，提高了風(fēng)箏線識別的可靠性，在YOLO5輸電線路風(fēng)箏線檢測算法的基準(zhǔn)網(wǎng)絡(luò)中，通過風(fēng)箏線圖像處理性能的優(yōu)異性能，提取通用信息，并建立輸電線路識別基準(zhǔn)架構(gòu)，使用相關(guān)的輸電線路風(fēng)箏線檢測結(jié)構(gòu)作為基準(zhǔn)網(wǎng)絡(luò)。輸電線路風(fēng)箏線檢測算法Neck 網(wǎng)絡(luò)中，該網(wǎng)絡(luò)在基準(zhǔn)網(wǎng)絡(luò)與輸電線路風(fēng)箏線檢測頭網(wǎng)絡(luò)的中間，利用該網(wǎng)絡(luò)，提升輸電線路風(fēng)箏線檢測的魯棒性和特征多樣性。

在輸出層中，通過訓(xùn)練損失函數(shù)的改進，提高了輸電線路風(fēng)箏線檢測的精準(zhǔn)性。在輸電線路風(fēng)箏線檢測算法Head 輸出端中，針對不同的輸電線路風(fēng)箏線檢測圖片，歸屬不同的回歸分支數(shù)據(jù)，提高輸電線路風(fēng)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(fēng)箏線檢測有效性，在某輸電線路應(yīng)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(tǒng)為win10，處理器為4核心3.2G，內(nèi)存為16GB。

3.1 輸電線路風(fēng)箏線檢測時長

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

選擇輸電線路風(fēng)箏線的視頻圖像數(shù)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(fēng)箏線檢測方法與業(yè)界廣泛使用的Faster R-CNN 輸電線路風(fēng)箏線檢測時長，對比結(jié)果如表1所示。

表1 輸電線路風(fēng)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(fēng)箏線檢測方法在視頻圖像檢測時長方面優(yōu)于Faster R-CNN 輸電線路風(fēng)箏線檢測方法，說明基于改進YOLO5的輸電線路風(fēng)箏線檢測方法性能更優(yōu)。

3.2 輸電線路風(fēng)箏線識別準(zhǔn)確率

輸電線路風(fēng)箏線識別準(zhǔn)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(fēng)箏線數(shù)量和總的風(fēng)箏線數(shù)據(jù)之百分比。文中采用改進YOLO5算法識別風(fēng)箏線的數(shù)量和人工識別風(fēng)箏線的數(shù)量進行比較。該指標(biāo)的取值范圍是0-100%，其取值越大，說明該指標(biāo)的準(zhǔn)確率越高。

選擇的輸電線路風(fēng)箏線視頻數(shù)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(fēng)箏線檢測與Faster R-CNN 輸電線路風(fēng)箏線檢測的準(zhǔn)確性，對比結(jié)果如圖2所示。

圖2 輸電線路風(fēng)箏識別準(zhǔn)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(fēng)箏線檢測有效性高于Faster R-CNN 輸電線路風(fēng)箏線檢測方法。

4 結(jié)語

為解決輸電線路風(fēng)箏纏繞的問題，文中提出了一種基于改進YOLO5的輸電線路風(fēng)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(chǔ)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(fēng)箏進行檢測。在輸電線路實際應(yīng)用中的情況表面，該算法的有效率高于Faster R-CNN 輸電線路風(fēng)箏線檢測方法。

下一步，將在配電線路上應(yīng)用文中所提方法。