在以架空輸電線為主的電力傳輸中，多數(shù)絕緣子安裝在室外的高空環(huán)境，受自然條件和動(dòng)物活動(dòng)等影響極有可能出現(xiàn)爆裂、掉串和污穢等問(wèn)題，將危害整條線路的正常運(yùn)行和壽命，因此能及時(shí)發(fā)現(xiàn)故障絕緣子具有重要的現(xiàn)實(shí)意義.對(duì)于目前的電網(wǎng)規(guī)模，傳統(tǒng)的人工攀爬巡檢已不適用，而基于無(wú)人機(jī)的航拍圖像巡檢已成為主流，效率可達(dá)人工巡檢的40倍，且安全可靠.

在獲取航拍圖像后，利用機(jī)器視覺(jué)檢測(cè)絕緣子是否出現(xiàn)故障.在絕緣子故障檢測(cè)研究中，文獻(xiàn)[1]針對(duì)絕緣子爆裂和缺失問(wèn)題，將最大類間方差法(Otsu)與形態(tài)學(xué)濾波結(jié)合對(duì)圖像預(yù)處理，用免疫遺傳Snake算法優(yōu)化提取絕緣子邊界，計(jì)算絕緣子片數(shù)量后判斷是否出現(xiàn)故障；文獻(xiàn)[2]針對(duì)絕緣子自爆問(wèn)題，基于Alexnet網(wǎng)絡(luò)實(shí)現(xiàn)檢測(cè)能力的提升.文獻(xiàn)[3]將改進(jìn)的YOLOv3算法和全卷積網(wǎng)絡(luò)(FCN)相結(jié)合，優(yōu)化絕緣子多類故障的檢測(cè)效果.基于電網(wǎng)不間斷運(yùn)行的特點(diǎn)，運(yùn)維人員若能在巡檢過(guò)程中通過(guò)實(shí)時(shí)檢測(cè)掌握絕緣子的故障所在，將極大提升工作效率，充分做好檢修的前期規(guī)劃工作.但實(shí)時(shí)檢測(cè)對(duì)算法的檢測(cè)速度和精度提出了更高要求.在提升檢測(cè)網(wǎng)絡(luò)的速度方面，可以通過(guò)減小網(wǎng)絡(luò)輸入大小(損失了精度)、量化網(wǎng)絡(luò)或使用特殊的推理引擎來(lái)實(shí)現(xiàn)，但這些方法具有較大的局限性，限制了使用場(chǎng)景.目前常用方法是對(duì)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化處理，文獻(xiàn)[4]以YOLOv4算法為基礎(chǔ)，對(duì)路徑聚合網(wǎng)絡(luò)(PANet)結(jié)構(gòu)和聚焦損失函數(shù)進(jìn)行優(yōu)化，實(shí)現(xiàn)檢測(cè)速度和精度的小幅提升；文獻(xiàn)[5]針對(duì)交通監(jiān)管領(lǐng)域的車輛實(shí)時(shí)監(jiān)測(cè)，將YOLOv3的主干網(wǎng)絡(luò)更換為輕量級(jí)的EfficientNet網(wǎng)絡(luò)，同時(shí)改進(jìn)融合機(jī)制，有效提升網(wǎng)絡(luò)的檢測(cè)精度，并兼顧檢測(cè)速度；文獻(xiàn)[6]設(shè)計(jì)了一種名為GS-YOLO的檢測(cè)網(wǎng)絡(luò)，基于Ghost模塊并利用模型壓縮技術(shù)，與YOLOv4相比在速度、精度和體積方面都有較大提升.

基于無(wú)人機(jī)平臺(tái)的實(shí)時(shí)檢測(cè)絕緣子故障研究很難實(shí)現(xiàn)精度、速度和體積3個(gè)方面的綜合提升.YOLOv5目標(biāo)檢測(cè)算法具有快速、輕量的特點(diǎn)，為該領(lǐng)域的發(fā)展創(chuàng)造了一定條件.本文針對(duì)絕緣子掉串這一故障的實(shí)時(shí)檢測(cè)進(jìn)行研究，嘗試通過(guò)高清圖傳實(shí)時(shí)采集圖像，由車載或手持上位機(jī)完成圖像檢測(cè)工作.以YOLOv5s檢測(cè)網(wǎng)絡(luò)為基礎(chǔ)，首先將原PANet網(wǎng)絡(luò)替換為雙向特征金字塔網(wǎng)絡(luò)(BiFPN)，以提升特征融合能力，引入DIoU對(duì)損失函數(shù)進(jìn)行優(yōu)化；其次對(duì)模型中批量歸一化(BN)層通道進(jìn)行稀疏正則化處理，通過(guò)縮放因子()篩選不重要通道并將其剪切，利用微調(diào)技術(shù)解決修剪后網(wǎng)絡(luò)精度的精度丟失問(wèn)題，在擴(kuò)增的絕緣子掉串?dāng)?shù)據(jù)集中進(jìn)行驗(yàn)證；最后在網(wǎng)絡(luò)輸出處進(jìn)行圖像增強(qiáng)處理，盡可能降低背景對(duì)絕緣子的成像干擾，總體上增強(qiáng)算法在絕緣子掉串檢測(cè)中的部署能力和可用性.通過(guò)上述方法，絕緣子掉串的巡檢過(guò)程將更加高效便捷，更好地輔助運(yùn)維人員完成絕緣子掉串的初檢工作，提前做好檢修規(guī)劃，提高工作效率.

1 目標(biāo)檢測(cè)算法

YOLO是一種利用回歸思想處理圖片的目標(biāo)檢測(cè)網(wǎng)絡(luò)，其將整張圖片送入網(wǎng)絡(luò)，解決了圖像目標(biāo)的分類和定位問(wèn)題，是該系列算法的開(kāi)山之作；相較于前代，YOLOv2在準(zhǔn)確性、處理速度和識(shí)別種類3方面進(jìn)行了迭代升級(jí)；YOLOv3采用了全新的Darknet-53網(wǎng)絡(luò)，在多個(gè)方面做出優(yōu)化，被廣泛應(yīng)用于工業(yè)領(lǐng)域；YOLOv4在前代基礎(chǔ)上，加入許多有效的改進(jìn)方法，大大提升了算法的綜合性能；相較于前代，YOLOv5在可部署性、速度和體積方面有了更大提升，在公開(kāi)數(shù)據(jù)集PASCAL-VOC、Kaggle和COCO中表現(xiàn)優(yōu)異，基本結(jié)構(gòu)如圖1所示.其中，將輸入圖片轉(zhuǎn)化640像素×640像素的RGB三通道輸入；CBL為卷積、池化和激活函數(shù)組成的功能模塊；CSP由跨階段局部網(wǎng)絡(luò)組成(CSPNet)的功能模塊，依照結(jié)構(gòu)和功能分為CSP1和CSP2兩類；骨干和預(yù)測(cè)部分的數(shù)據(jù)均為像素值.YOLOv5總體上分為輸入、骨干、頸部和預(yù)測(cè)4個(gè)部分，分別用于輸入預(yù)處理、特征提取、特征融合和檢測(cè).

從譯文的語(yǔ)言看，對(duì)于原文“And looked down oneasfar as I could”一句，譯文一譯為“極目望去”，譯文二譯為“極目望一徑”，“極目”一詞較好地解釋了asfar as Icould想傳達(dá)的感覺(jué)，相比之下方版譯文中的“遠(yuǎn)遠(yuǎn)望去”的效果稍顯不足。

在檢測(cè)過(guò)程中，大于閾值則算作正確，否則算作錯(cuò)誤.其中，真陽(yáng)性(TP)即正確樣本預(yù)測(cè)為正；假陽(yáng)性(FP)即錯(cuò)誤樣本預(yù)測(cè)為正；假陰性(FN)即正確樣本預(yù)測(cè)為負(fù)，沒(méi)有檢測(cè)到框；真陰性(TN)即錯(cuò)誤樣本預(yù)測(cè)為負(fù).準(zhǔn)確率()和召回率()計(jì)算如下：

骨干部分負(fù)責(zé)提取特征映射，通過(guò)多次的卷積和池化操作，從輸入中提取不同尺寸的特征圖像.其中切片處理對(duì)3層640像素×640像素的輸入圖片進(jìn)行切片操作，最終獲得32層160像素×160像素的特征圖，切片操作處理效果如圖5所示.該結(jié)構(gòu)可以提高網(wǎng)絡(luò)的運(yùn)行速度.Yolov5設(shè)計(jì)了兩種CSP結(jié)構(gòu)，以Yolov5s網(wǎng)絡(luò)為例，CSP1_X結(jié)構(gòu)應(yīng)用于骨干的主干網(wǎng)絡(luò)，另一種CSP2_X結(jié)構(gòu)則應(yīng)用于頸部.CSP結(jié)構(gòu)增強(qiáng)了網(wǎng)絡(luò)的學(xué)習(xí)能力，減少了計(jì)算和內(nèi)存消耗.骨干部分通過(guò)卷積操作，生成了大小分別為80像素×80像素、40像素×40像素和20像素×20像素的特征圖，頸部結(jié)構(gòu)融合這3種特征圖后可獲得更多上下層信息并減少信息丟失.在融合過(guò)程中，采用PANet的特征金字塔結(jié)構(gòu)，如圖6所示.其中，F(xiàn)PN為特征圖金字塔網(wǎng)絡(luò)，PAN為像素聚合網(wǎng)絡(luò).

上個(gè)世紀(jì)50年代至70年代，閩臺(tái)方言合唱音樂(lè)作品得到了進(jìn)一步的發(fā)展。主要有楊揚(yáng)的混聲合唱《閩南漁歌》《月光暝》等作品，呂泉生的《六月田水》《兩只蜻蜓》，同時(shí)，還有采用歌仔戲曲調(diào)創(chuàng)作的閩南語(yǔ)合唱作品《農(nóng)村酒歌》等[3]。

卷積的層數(shù)越深，特征提取程度越深，該層攜帶的語(yǔ)義信息越強(qiáng)，位置信息越弱，如圖7所示.假設(shè)在7像素×7像素的特征圖上，每單元的感受野為1，經(jīng)卷積層1后感受野為3，經(jīng)卷積層2后感受野為5，此時(shí)每個(gè)單元能感受原圖中5×5的區(qū)域范圍，因此適合檢測(cè)圖像中較大的物體，但對(duì)相對(duì)位置信息的感知變差.所以，F(xiàn)PN結(jié)構(gòu)將強(qiáng)語(yǔ)義特征從深層傳遞至淺層，同時(shí)PAN結(jié)構(gòu)將強(qiáng)位置特征從淺層傳遞到深層，這兩種結(jié)構(gòu)共同加強(qiáng)了頸部結(jié)構(gòu)的特征融合能力.在預(yù)測(cè)部分的檢測(cè)過(guò)程中，YOLOv5以GIoU為損失函數(shù).IoU函數(shù)的示意圖如圖8所示，計(jì)算公式如下.

隨著我國(guó)信息化技術(shù)的不斷發(fā)展，許多銀行在日常的運(yùn)營(yíng)過(guò)程中也都已經(jīng)運(yùn)用計(jì)算機(jī)技術(shù)來(lái)形成了自身的數(shù)據(jù)庫(kù)管理系統(tǒng)，其對(duì)于銀行管理水平的提升也有著非常重要的意義。但是目前許多銀行在信息化技術(shù)的應(yīng)用以及建設(shè)過(guò)程中還存在有比較多的安全問(wèn)題，并直接威脅到了該銀行的持續(xù)穩(wěn)定發(fā)展。針對(duì)這一問(wèn)題，也就要求各銀行能夠在已有基礎(chǔ)上來(lái)對(duì)信息化管理系統(tǒng)以及數(shù)據(jù)庫(kù)系統(tǒng)進(jìn)行不斷的更新與優(yōu)化，來(lái)促使自身的信息管理能力得到進(jìn)一步的提升。只有在結(jié)合客戶實(shí)際需求的基礎(chǔ)上進(jìn)行信息的準(zhǔn)確把握跟及時(shí)決策，才能夠給用戶進(jìn)行全方位金融服務(wù)的有效提供。

(1)

式中：和分別為真實(shí)標(biāo)注框和算法預(yù)測(cè)框，當(dāng)與不相交時(shí)，=0，在很大范圍內(nèi)(不相交的區(qū)域)，損失函數(shù)沒(méi)有梯度，可用GIoU函數(shù)解決該問(wèn)題.假設(shè)找到一個(gè)最小的封閉形狀，使得可以把和包含在內(nèi)，計(jì)算中不含和的面積占總面積的比率，令I(lǐng)oU值減去這個(gè)比率，表示為

(2)

2 算法改進(jìn)

為同時(shí)提升檢測(cè)算法的速度、精度以及減小模型體積，本文以輕量的YOLOv5s網(wǎng)絡(luò)模型為基礎(chǔ)，采用BiFPN特征融合、DIoU損失函數(shù)優(yōu)化，進(jìn)行系數(shù)通道剪枝和微調(diào)技術(shù)優(yōu)化網(wǎng)絡(luò)，改進(jìn)原生網(wǎng)絡(luò)的綜合性能，在最后輸出層加入圖像增強(qiáng)技術(shù)提升可視化效果，提高算法的實(shí)用性.

2.1 BiFPN特征融合和損失函數(shù)

算法將PANet結(jié)構(gòu)替換為效果更佳的BiFPN結(jié)構(gòu)，以更好平衡不同尺度的特征信息，PANet只有一條“由上至下”路徑和一條“由下至上”路徑，而B(niǎo)iFPN重復(fù)堆疊，獲得更高級(jí)的特征融合方式，如果輸入和輸出的結(jié)點(diǎn)是同一尺度，則添加一條額外通道，在不損失信息的同時(shí)融合更多特征.BiFPN結(jié)構(gòu)如圖9所示，其中～為路徑.

DIoU將目標(biāo)與目標(biāo)先驗(yàn)框之間的距離、重疊率和尺度都考慮在內(nèi)，使得目標(biāo)框回歸變得更穩(wěn)定.與IoU和GIoU不同，DIoU在訓(xùn)練過(guò)程中不會(huì)出現(xiàn)發(fā)散等問(wèn)題，更加符合目標(biāo)框回歸的機(jī)制，效果如圖10所示.其中，和分別為預(yù)測(cè)框(綠色虛線框)和真實(shí)框(黑色虛線框)的中心點(diǎn)，為預(yù)測(cè)框和真實(shí)框的距離，最外圍的灰色虛線框?yàn)槟軌蛲瑫r(shí)包含預(yù)測(cè)框和真實(shí)框的最小包閉區(qū)域，為該包閉區(qū)域的對(duì)角線距離.此時(shí)，DIoU的計(jì)算公式為

(3)

式中：為計(jì)算兩個(gè)中心點(diǎn)間歐氏距離的函數(shù).當(dāng)兩個(gè)絕緣子過(guò)于接近時(shí)，其中一個(gè)絕緣子的預(yù)測(cè)框很可能被濾除，利用DIoU可在一定程度上提升對(duì)于靠近物體的檢測(cè)效果.

2.2 基于γ系數(shù)的通道剪枝和微調(diào)

針對(duì)多規(guī)合一實(shí)施建設(shè)項(xiàng)目選址機(jī)制不完善的問(wèn)題，基于前述選址模型開(kāi)發(fā)了“多規(guī)合一”平臺(tái)的項(xiàng)目選址輔助決策系統(tǒng)，利用“多規(guī)合一”平臺(tái)共享的空間數(shù)據(jù)，智能引導(dǎo)各類項(xiàng)目從合規(guī)性選址到量化優(yōu)化選址。以基礎(chǔ)設(shè)施與服務(wù)項(xiàng)目、居住項(xiàng)目、工業(yè)項(xiàng)目三種項(xiàng)目選址為例，進(jìn)行項(xiàng)目落地選址分析，對(duì)不同的項(xiàng)目將從因子庫(kù)中提取相關(guān)影響因子構(gòu)建具體建設(shè)項(xiàng)目的因子評(píng)價(jià)體系見(jiàn)表4。

在通道稀疏正則化訓(xùn)練時(shí)，需要將其強(qiáng)加到訓(xùn)練的目標(biāo)函數(shù)中，目標(biāo)函數(shù)為

(4)

′=∑′+∑sign()

(5)

式中：sign為符號(hào)函數(shù)，此時(shí)即可獲取的最小值對(duì)縮放因子經(jīng)過(guò)L1正則化并與權(quán)重?fù)p失函數(shù)聯(lián)合優(yōu)化處理后，進(jìn)入修剪通道階段.

在根據(jù)縮放因子修剪通道時(shí)，本質(zhì)上是要剪切所有與該通道相關(guān)的輸入和輸出連接關(guān)系，獲得一個(gè)更窄的網(wǎng)絡(luò)，邏輯如圖12所示.

圖12中，縮放因子起到通道選擇的作用，通過(guò)的正則項(xiàng)和權(quán)重?fù)p失函數(shù)聯(lián)合優(yōu)化，網(wǎng)絡(luò)會(huì)自動(dòng)鑒別不重要的通道(小于閾值)，然后將其移除掉，幾乎不影響網(wǎng)絡(luò)的泛化性能.目前，大部分卷積神經(jīng)網(wǎng)絡(luò)采用BN層使得網(wǎng)絡(luò)快速收斂并獲得更好的性能，通常BN層使用Mini-batch梯度下降法的統(tǒng)計(jì)特性將內(nèi)部激活值歸一化，與縮放因子結(jié)合后，即產(chǎn)生如下所示的轉(zhuǎn)化：

(6)

本文的訓(xùn)練環(huán)境為Windows10系統(tǒng)，搭載i7-10700FCPU@2.90 GHz、GeForce RTX 3060 GPU和32 GB的隨機(jī)存取存儲(chǔ)器，代碼基于PyTorch深度學(xué)習(xí)框架，Python版本為3.8，編譯所用的集成開(kāi)發(fā)環(huán)境為PyCharm.

修剪不重要的通道后，檢測(cè)網(wǎng)絡(luò)的精度會(huì)有所下降，下降程度取決于剪枝率，一般可以通過(guò)微調(diào)剪枝之后的模型后再訓(xùn)練使其精度恢復(fù).微調(diào)網(wǎng)絡(luò)是指將預(yù)訓(xùn)練模型網(wǎng)絡(luò)中的全連接層換成實(shí)驗(yàn)數(shù)據(jù)集類別數(shù)的全連接層，且采用預(yù)訓(xùn)練好的網(wǎng)絡(luò)參數(shù)為訓(xùn)練的初始值，并在該網(wǎng)絡(luò)中采用相對(duì)較小的數(shù)據(jù)集即絕緣子掉串故障數(shù)據(jù)集進(jìn)行再訓(xùn)練，這將節(jié)約大量的訓(xùn)練時(shí)間且有助于網(wǎng)絡(luò)性能的提高.通過(guò)上述方法，便可將通道稀疏正則化、根據(jù)縮放因子和微調(diào)修剪網(wǎng)絡(luò)3個(gè)步驟迭代使用，在精度無(wú)法提高時(shí)結(jié)束迭代，此時(shí)即可輸出一個(gè)緊湊高效的絕緣子掉串故障檢測(cè)網(wǎng)絡(luò)模型.

2.3 圖像增強(qiáng)

在無(wú)人機(jī)實(shí)際航拍中，實(shí)時(shí)檢測(cè)時(shí)的圖像會(huì)出現(xiàn)亮度過(guò)大、因天氣原因?qū)е聢D像不清晰以及背景復(fù)雜等問(wèn)題，為減輕巡檢人員的視覺(jué)負(fù)擔(dān)，同時(shí)在一定程度上彌補(bǔ)故障部位檢測(cè)精度相對(duì)較低的問(wèn)題，在改進(jìn)的檢測(cè)算法輸出處進(jìn)行圖像增強(qiáng)處理.將檢測(cè)到的絕緣子摳選出來(lái)，在其他窗口并行展示.對(duì)其進(jìn)行插值放大處理后，分別采用自動(dòng)色階算法、反色處理和拉普拉斯算子銳化等方法進(jìn)行處理.采用上述方法在幾乎不影響實(shí)時(shí)檢測(cè)性能的同時(shí)優(yōu)化缺陷部位的顯示效果，效果如圖13所示.絕緣子本體相對(duì)于掉串部位更易檢測(cè)，將絕緣子摳選并進(jìn)行多種圖像增強(qiáng)處理，以此應(yīng)對(duì)可能出現(xiàn)的由多種情況導(dǎo)致的圖像顯示不清晰問(wèn)題，緩解監(jiān)控壓力，提升巡檢工作效率.

基于YOLOv5s絕緣子掉串檢測(cè)模型在算力較低的上位機(jī)端運(yùn)行時(shí)，檢測(cè)速度無(wú)法滿足要求.通過(guò)縮減輸入圖片尺寸可以提升檢測(cè)速度，減少運(yùn)算量，但是這將極大降低檢測(cè)效果，同時(shí)模型體積依然在14 MB左右，因此需要對(duì)模型進(jìn)行壓縮.在檢測(cè)算法的壓縮處理中，基于縮放因子的通道剪枝是一種十分經(jīng)典的方法，該方案可以減小模型體積和運(yùn)行時(shí)的內(nèi)存占用，在不影響檢測(cè)精度的同時(shí)，降低模型計(jì)算量.該方法的基本原理如下：首先對(duì)輸入網(wǎng)絡(luò)初始化，在訓(xùn)練期間不斷甄別BN層中不重要的網(wǎng)絡(luò)通道，將和這個(gè)通道有關(guān)聯(lián)的所有輸入和輸出的連接都剪切，實(shí)現(xiàn)通道的稀疏化，進(jìn)而在幾乎沒(méi)有損失的情況下獲得一個(gè)緊湊的網(wǎng)絡(luò)，基本流程如圖11所示.

3 消融實(shí)驗(yàn)

式中：和分別為輸入和輸出；和分別為輸入激活的平均值和標(biāo)準(zhǔn)偏差值；和為可訓(xùn)練的仿射變換參數(shù)(標(biāo)度和移位)，可將歸一化的線性激活轉(zhuǎn)換成任何標(biāo)度，對(duì)應(yīng)偏置量每個(gè)通道激活大小，即和系數(shù)正相關(guān)，如果接近于0，則激活值也非常小，即可判定該通道為不重要的通道而修剪掉值的界定取決于人為在整個(gè)網(wǎng)絡(luò)中所有層設(shè)置的全局閾值，即剪枝率，被定義為所有縮放因子的一個(gè)比率.例如，當(dāng)要剪掉整個(gè)網(wǎng)絡(luò)40%的通道時(shí)，首先需要對(duì)所有縮放因子進(jìn)行排序，以從小到大的順序排列，將縮放因子增長(zhǎng)序列中處在40%處的值定為閾值.

從表2可以看出，隨著乙酸銨與對(duì)硝基苯甲腈物質(zhì)的量比增加至1.05時(shí)，產(chǎn)品的收率也得到逐步提高，當(dāng)達(dá)到1.10時(shí)，收率變化不大。主要原因是：乙酸銨用量的增加，一定程度上促進(jìn)了氨氣的釋放，進(jìn)而促進(jìn)了反應(yīng)的正向進(jìn)行，提高了反應(yīng)收率；但如果乙酸銨的量過(guò)大，反應(yīng)釋放的氨氣來(lái)不及反應(yīng)就被系統(tǒng)排出，從而導(dǎo)致反應(yīng)收率偏低。從工業(yè)化生產(chǎn)方面來(lái)講，乙酸銨用量過(guò)大，不僅造成原料成本增加，更重要的是增加了企業(yè)的“三廢”，使后處理成本明顯增加。綜合考慮以上因素，選擇乙酸銨與對(duì)硝基苯甲腈的物質(zhì)的量比為1.05。

3.1 數(shù)據(jù)集擴(kuò)增

數(shù)據(jù)集來(lái)自上海市電力公司電力科學(xué)研究院，從 5 000 張無(wú)人機(jī)航拍絕緣子照片中人工篩選出501張，其中包括完整絕緣子和出現(xiàn)掉串故障的絕緣子.使用Labelimg工具重新打標(biāo)，分為絕緣子整體和掉串故障兩類，標(biāo)簽分別為“Insulator”和“defect”.另外考慮到可能存在特殊天氣下的巡檢問(wèn)題，使用Imgaug工具包將數(shù)據(jù)集擴(kuò)增4倍，包括特殊天氣條件如小雨、積雪和霧霾，效果如圖14所示.最終獲得數(shù)據(jù)集圖片 2 004 張，圖片分辨率從 1 656 像素×926像素到 5 184 像素×3 456 像素不等.將所有圖片按照約6∶2∶2隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，3個(gè)集合的圖片均不相同.

首先在網(wǎng)絡(luò)輸入部分，利用馬賽克數(shù)據(jù)增強(qiáng)技術(shù)隨機(jī)選取4張圖片，隨機(jī)縮放后進(jìn)行拼接，產(chǎn)生一個(gè)即將輸入網(wǎng)絡(luò)的訓(xùn)練圖片，與原始的以4張圖片為輸入相比，該方法增加了小目標(biāo)數(shù)量，非常適合無(wú)人機(jī)視角下的絕緣子掉串故障檢測(cè)場(chǎng)景，并能提升訓(xùn)練效率.馬賽克數(shù)據(jù)增強(qiáng)技術(shù)處理前后效果如圖2和圖3所示.其中，標(biāo)簽0和1分別代表標(biāo)記的絕緣子本體和掉串故障處.在此基礎(chǔ)上還包括光度變換、幾何變換和模擬遮擋等增強(qiáng)手段；在實(shí)際檢測(cè)過(guò)程中，加入了自適應(yīng)圖片縮放技術(shù)，自動(dòng)計(jì)算圖片的最佳縮放系數(shù)，對(duì)原始圖片自適應(yīng)添加最少黑邊(本文縮放至640像素×640像素)，效果如圖4所示.

3) 2017年10月5日在應(yīng)用系統(tǒng)開(kāi)展診斷監(jiān)測(cè)過(guò)程中，發(fā)現(xiàn)煉油部供烯烴部重石腦油質(zhì)量流量計(jì)驅(qū)動(dòng)增益和密度劇烈波動(dòng)，經(jīng)過(guò)系統(tǒng)診斷運(yùn)算，發(fā)現(xiàn)輸送過(guò)程中存在流量過(guò)小而產(chǎn)生3.64%嚴(yán)重氣化現(xiàn)象，確定其管線處于不滿管狀態(tài)。為此及時(shí)通知調(diào)度調(diào)整工藝及閥門開(kāi)度，成功避免了計(jì)量結(jié)算爭(zhēng)議，確保計(jì)量數(shù)據(jù)精準(zhǔn)。

(7)

(8)

以為橫軸，以為縱軸，即可獲取曲線，而平均精準(zhǔn)度(AP)即為對(duì)曲線上的求均值對(duì)于曲線，AP的積分計(jì)算如下：

(9)

AP值越大，模型效果越好.現(xiàn)階段，大多目標(biāo)檢測(cè)采用mAP(所有檢測(cè)類別的AP取均值即得到mAP作為衡量標(biāo)準(zhǔn)，本文采用mAP(50%)，即閾值為0.5時(shí)的mAP值，檢測(cè)速度以每張圖片的檢測(cè)時(shí)間為標(biāo)準(zhǔn).

（3）灌漿壓力控制在0.3～0.5MPa，灌漿流量70L/min，提升速度控制在12～13cm/min，擺噴速度為5°/s，擺動(dòng)角度23°。

3.2 測(cè)試結(jié)果

采用消融實(shí)驗(yàn)驗(yàn)證算法性能，共測(cè)試了6組網(wǎng)絡(luò)，分別在有無(wú)數(shù)據(jù)集擴(kuò)增、DIoU損失函數(shù)、BiFPN結(jié)構(gòu)以及γ系數(shù)的剪枝微調(diào)方面開(kāi)展.所有網(wǎng)絡(luò)的輸入尺寸均為640像素×640像素，預(yù)訓(xùn)練模型均為官方提供的COCO數(shù)據(jù)集下的訓(xùn)練結(jié)果，超參數(shù)設(shè)置相同，訓(xùn)練、驗(yàn)證與測(cè)試均在本文自制數(shù)據(jù)集進(jìn)行，以保證結(jié)果的有效性.所有訓(xùn)練結(jié)果均達(dá)到收斂狀態(tài)，從網(wǎng)絡(luò)模型的速度、精度和體積3個(gè)方面進(jìn)行對(duì)比.

第1組測(cè)試使用擴(kuò)增前的數(shù)據(jù)集，模型為YOLOv5s的原始網(wǎng)絡(luò)；第2組使用擴(kuò)充后的數(shù)據(jù)集，其他與第1組相同；第3～5組均在第2組的基礎(chǔ)上，單獨(dú)或同時(shí)添加BiFPN 和DIoU改進(jìn)方法；第6組在第5組基礎(chǔ)上增加基于系數(shù)的剪枝微調(diào).在第6組實(shí)驗(yàn)過(guò)程中，首先進(jìn)行稀疏訓(xùn)練，將本來(lái)趨于正態(tài)分布的BN層權(quán)重向0收斂，極小值越多，說(shuō)明網(wǎng)絡(luò)越稀疏.根據(jù)迭代情況調(diào)整學(xué)習(xí)率，稀疏訓(xùn)練前后的BN層權(quán)重分布如圖15所示.其中，為BN層權(quán)重值，為訓(xùn)練次數(shù).

根據(jù)表1結(jié)果分析可知，數(shù)據(jù)集擴(kuò)充對(duì)平均檢測(cè)精度影響較大，在原有網(wǎng)絡(luò)模型的基礎(chǔ)上提升了7.3%；在此基礎(chǔ)上，DIoU在精度平均值上小幅提升了0.78%，BiFPN在速度上提升了2.5%，當(dāng)兩者同時(shí)引入時(shí)，精度平均值提升了1.5%，但速度卻下降了1.6%，在追求高網(wǎng)絡(luò)特征提取能力時(shí)損失了部分檢測(cè)速度；最后對(duì)模型進(jìn)行系數(shù)剪枝微調(diào)處理，精簡(jiǎn)冗余的網(wǎng)絡(luò)參數(shù)，精度平均值提升了3.91%，速度提升了25.6%，體積下降了59.1%.

在本文數(shù)據(jù)集下，將所提模型與YOLOv5n、YOLOv3-tiny、YOLOv5s和YOLOXs輕量檢測(cè)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，訓(xùn)練結(jié)果和測(cè)試數(shù)據(jù)如圖17和表2所示.可知，改進(jìn)算法在精度、速度和體積方面均有提升，綜合表現(xiàn)最佳.

本研究育成的甘藍(lán)型油菜細(xì)胞質(zhì)雄性不育系9171A育性徹底，且育性不受溫度影響，9171A的育成不僅豐富了雜交油菜的不育材料，同時(shí)還提供了油菜雜種優(yōu)勢(shì)利用的新途徑。

1.加強(qiáng)玉米收獲、儲(chǔ)存工作，防止發(fā)生霉變。在玉米收獲季節(jié)，注意天氣變化，及時(shí)收割，不宜過(guò)早也不宜過(guò)遲。收獲后應(yīng)盡快曬干（或烘干）。對(duì)于因環(huán)境變化而無(wú)法曬干（或烘干）的，可使用一些防霉劑，如丙酸劑等。

此外，所提算法可正常檢測(cè)絕大部分目標(biāo)，部分檢測(cè)結(jié)果如圖18所示(未經(jīng)圖像增強(qiáng)處理).

4 結(jié)語(yǔ)

提出一種改進(jìn)YOLOv5s絕緣子掉串實(shí)時(shí)檢測(cè)算法，方便巡線人員對(duì)絕緣子掉串故障快速定位，提升巡線效率.首先將特征融合結(jié)構(gòu)替換為性能更佳的BiFPN結(jié)構(gòu)，引入DIoU函數(shù)對(duì)損失函數(shù)進(jìn)行優(yōu)化；其次對(duì)模型進(jìn)行基于γ系數(shù)的通道剪枝輕量化處理，并微調(diào)回準(zhǔn)；最后在網(wǎng)絡(luò)輸出部分增加圖像增強(qiáng)處理，緩解巡檢人員的監(jiān)測(cè)壓力.實(shí)驗(yàn)結(jié)果表明，與其他輕量網(wǎng)絡(luò)模型相比，該改進(jìn)算法綜合性能更佳；相較于原始的YOLOv5s，模型精度平均值提升了3.91%，速度提升了25.6%，體積下降了59.1%，具有較高的實(shí)際意義.另外，針對(duì)平臺(tái)算力不足問(wèn)題和便攜性較差等問(wèn)題，將來(lái)考慮引入5G通信技術(shù)，將處理工作放在云端，巡檢人員僅需攜帶顯示設(shè)備即可，實(shí)現(xiàn)智能實(shí)時(shí)檢測(cè).