杜覺曉，趙留學(xué)，莽修偉，焦政國，裴少通，楊 瑞

（1.國網(wǎng)北京檢修公司，北京 100073；2.國網(wǎng)北京市電力公司，北京豐臺(tái) 100075，3.華北電力大學(xué)電力工程系，河北保定 071003）

0 引言

輸電線路巡檢是電力系統(tǒng)穩(wěn)定運(yùn)行的可靠保障。隨著我國特高壓工程的開展，輸電線路里程還在逐年增長(zhǎng)，隨之而來，線路巡檢的壓力越來越大[1]。目前，我國已基本形成“人巡為輔，機(jī)巡為主”的自動(dòng)化巡檢格局[2]。隨著人工智能技術(shù)的發(fā)展，運(yùn)用人工智能算法對(duì)無人機(jī)的航拍圖像進(jìn)行智能診斷成為研究的重點(diǎn)。下一步，巡檢方式將向著智能化的方向發(fā)展。

目前主流的智能識(shí)別方法是深度學(xué)習(xí)，即通過卷積神經(jīng)網(wǎng)絡(luò)在大量的數(shù)據(jù)集中自主提取特征并進(jìn)行缺陷的定位與自動(dòng)分類[3]。主流方法包括Faster-RCNN（Faster-Regions with CNN Features）等兩階段方法[4]與YOLO（You Only Look Once）等一階段[5]方法以及各種衍生算法：如趙振兵團(tuán)隊(duì)[6]提出的遞歸特征金字塔與神經(jīng)結(jié)構(gòu)搜索（Neural Architecture Search，NAS）的空洞卷積相結(jié)合的方法，一定程度上解決了金具檢測(cè)精確度低的問題；尹子會(huì)團(tuán)隊(duì)[7]通過改進(jìn)Faster-RCNN 模型中的錨框生成機(jī)制，有效實(shí)現(xiàn)架空輸電線路巡檢圖像中的鳥種識(shí)別。

隨著5G 網(wǎng)絡(luò)的建成與無人機(jī)集群技術(shù)成熟，無人機(jī)上傳到云端的航拍視頻總量呈現(xiàn)爆發(fā)式增長(zhǎng)。為了解決帶寬擁堵問題并緩解中心服務(wù)器壓力，移動(dòng)邊緣計(jì)算應(yīng)運(yùn)而生[8]。陳達(dá)團(tuán)隊(duì)[9]提出了基于MobileNet 的設(shè)備紅外圖像自動(dòng)故障診斷方法，并進(jìn)行了軟件封裝；盛從兵團(tuán)隊(duì)[10]通過綜合5G網(wǎng)絡(luò)和AI 邊緣計(jì)算可實(shí)現(xiàn)無人機(jī)實(shí)時(shí)結(jié)果傳輸，提高無人機(jī)巡檢效率和智能化程度。與之相伴隨，模型輕量化、邊緣化成為了深度學(xué)習(xí)算法發(fā)展的新方向[11～24]。

由于邊緣計(jì)算裝置的算力與內(nèi)存有限，必須對(duì)AI 算法模型進(jìn)行邊緣端的改進(jìn)與適配。Liu 團(tuán)隊(duì)[25]采用了反向縱深可分離卷積（Reverse Depthwise Separable Convolution，RDSC）開 發(fā) 并 應(yīng) 用 于YOLOv4 的主干網(wǎng)絡(luò)和特征融合網(wǎng)絡(luò)，檢測(cè)速度提高了20%以上；Fang 團(tuán)隊(duì)[26]使用MobileNetV3 替代CSPDarkNet53 特征提取網(wǎng)絡(luò)，采用深度可分離卷積（Depthwise Separable Convolution，DWconv）和高效通道注意（Efficient Channel Attention，ECA）提升了檢測(cè)速度，每秒幀數(shù)（Frames Per Second，F(xiàn)PS）達(dá)到了38.06；以MobileNet 為基礎(chǔ)，華為諾亞方舟實(shí)驗(yàn)室[27]從卷積神經(jīng)網(wǎng)絡(luò)特征圖冗余這一特點(diǎn)出發(fā)，設(shè)計(jì)了類似于深度可分離卷積的幻影卷積（Ghostconv）模塊，提出了輕量級(jí)網(wǎng)絡(luò)結(jié)構(gòu)新范式；楊東團(tuán)隊(duì)[28]基于YOLO 算法和紅外檢測(cè)技術(shù)，實(shí)現(xiàn)了電力系統(tǒng)變壓器套管故障檢測(cè)；基于此，文中在NVIDIA Jetson Xavier NX 邊緣計(jì)算模塊上，針對(duì)YOLOv5 算法進(jìn)行了輕量化與特征融合能力的改進(jìn)，通過引入Ghostconv 模塊進(jìn)一步增強(qiáng)特征提取和融合能力；引入雙向特征金字塔結(jié)構(gòu)（Bidirectional Feature Pyramid Network，BiFPN）以提升多層特征融合能力；并融入Meta-ACON（Meta-Activate Or Not）激活函數(shù)，同時(shí)應(yīng)用了多目標(biāo)跟蹤算法（Deep Simple Online Realtime Tracking，DeepSORT）對(duì)算法進(jìn)行加速，從而解決了邊緣計(jì)算識(shí)別效果差的實(shí)際問題。

1 算法框架

1.1 YOLOv5目標(biāo)檢測(cè)算法

YOLOv5 是YOLO 系列算法中綜合性能和可拓展性最強(qiáng)的版本之一，其整體網(wǎng)絡(luò)結(jié)構(gòu)與YOLOv4版本類似，主要的特點(diǎn)是在數(shù)據(jù)增強(qiáng)部分應(yīng)用了Mosaic 數(shù)據(jù)增強(qiáng)提升小目標(biāo)的檢測(cè)能力；在Backbone 和Neck 部分引入2 種CSP（Cross Stage Paritial）結(jié)構(gòu)，提升了網(wǎng)絡(luò)特征的融合能力；在Neck部分采用了特征金字塔網(wǎng)絡(luò)（Feature Pyramid Network，F(xiàn)PN）和路徑聚合網(wǎng)絡(luò)（Path Aggregation Network，PAN）結(jié)構(gòu)來進(jìn)行下采樣和上采樣；在網(wǎng)絡(luò)損失部分應(yīng)用了類別損失、置信度損失和定位損失。在YOLOv5 算法6.0 版本中，采用了6×6 大小卷積替換Focus 結(jié)構(gòu)，采用C3 模塊替換了CSP 模塊，并引入快速空間金字塔池化結(jié)構(gòu)（Spatial Pyramid Pooling-Fast，SPPF）結(jié)構(gòu)替換空間金字塔池化結(jié)構(gòu)（Spatial Pyramid Pooling，SPP）結(jié)構(gòu)。

1.2 YOLOv5改進(jìn)策略

基于YOLOv5 算法6.0 版本，從Backbone 部分、Neck 部分和激活函數(shù)3 部分進(jìn)行了輕量化改進(jìn)，以提升YOLOv5 整體的準(zhǔn)確率與識(shí)別速度，改進(jìn)后的算法如圖1 所示。圖1 中網(wǎng)絡(luò)輸入為RGB（Red-Green-Blue）三通道數(shù)據(jù)。在采用原始YOLOv5算法的拼接模塊（concat）和采樣模塊（Maxpool）基礎(chǔ)上，使用Ghostconv 模塊代替普通卷積模塊、ACON激活函數(shù)模塊代替SiLU（Sigmoid Linear Unit）激活函數(shù)模塊，與原有BN（Batch Normalization）模塊一起構(gòu)成GBA（Ghostconv-BN-ACON）模塊。在此基礎(chǔ)上，借助深度可分離卷積模塊（Depth-Wise Conv，DWconv）等構(gòu)建起幻影瓶頸結(jié)構(gòu)（GhostBottleneck）。為了避免過擬合同時(shí)降低網(wǎng)絡(luò)參數(shù)量，僅在Backbone 和neck 部分對(duì)原有CBS（Conv-BN-SiLU）模塊進(jìn)行了替換。

1.2.1 Ghost模塊引入

GhostNet 是專為移動(dòng)端設(shè)計(jì)的網(wǎng)絡(luò)，網(wǎng)絡(luò)整體由Ghostconv 模塊堆疊而成。在進(jìn)行傳統(tǒng)卷積層堆疊的同時(shí)，模塊中的每一層都利用線性運(yùn)算操作產(chǎn)生Ghost 特征，融合之后作為模塊輸出，在保證精度的同時(shí)最大限度壓縮了網(wǎng)絡(luò)結(jié)構(gòu)。

一般卷積的算法可以表示為：

式中：Xc*h*w為通道數(shù)為c、高度為h、寬度為w的特征圖矩陣；Yn*h*w為通道數(shù)為n、高度為h、寬度為w的特征圖矩陣；fk*k為大小為k*k的卷積核；b為偏置項(xiàng)。

Ghostconv 模塊的算法可以表示為：

式中：X為特征圖矩陣；Y′為一般卷積輸出的輸入x的m個(gè)本征特征圖；f′為大小為k*k的m個(gè)卷積核；Y′i為Y′中的第i個(gè)本征特征圖；Yij為由d*d的卷積核線性變換生成的第j個(gè)Ghost 特征圖；φi,j表示第i個(gè)本征特征圖和第j個(gè)Ghost 特征圖之間的對(duì)應(yīng)關(guān)系。

如圖1 所示，在改進(jìn)算法YOLOv5-GBA 中，通過堆疊2 個(gè)Ghostconv 模塊形成GhostBottleneck 模塊：其中第一個(gè)模塊用于增加特征維度，第二個(gè)模塊用于減少特征維度，在此基礎(chǔ)上，在兩模塊中插入普通DW 卷積層，并在旁路中采用DW 卷積層和普通卷積層組成的下采樣結(jié)構(gòu)。用堆疊成的GhostBottleneck 模塊代替原始YOLOv5 算法6.0 版本中C3 模塊中的殘差（Restunit）結(jié)構(gòu)，形成基于Ghost 卷積的改進(jìn)模塊：GC3 模塊。在這樣的設(shè)計(jì)方式下，GC3 模塊不僅比其它壓縮方法更能降低模型的體量，也最能保持模型準(zhǔn)確率。

1.2.2 BiFPN結(jié)構(gòu)引入

輸電桿塔巡檢工作中常見的缺陷尺度大小差距較為懸殊[15]。在多種缺陷統(tǒng)一識(shí)別的任務(wù)時(shí)，模型必須具備較強(qiáng)的多層特征融合能力。因此，本文采用了EfficientDet 中的BiFPN 簡(jiǎn)化結(jié)構(gòu)來替換YOLOV5 算法中的PANet 層，實(shí)現(xiàn)自上而下與自下而上的深淺層特征雙向融合，顯著強(qiáng)化了不同網(wǎng)絡(luò)層之間特征信息的傳遞。圖2 為原始BiFPN 結(jié)構(gòu)示意圖與YOLOv5-GBA 適配的簡(jiǎn)化BiFPN 結(jié)構(gòu)圖。

圖2 BiFPN結(jié)構(gòu)示意圖Fig.2 Schematic diagram of BiFPN structure

1.2.3 Meta-ACON激活函數(shù)

采用Meta-ACON 激活函數(shù)和其設(shè)計(jì)空間，可以自適應(yīng)地選擇是否激活神經(jīng)元，以替換原有YOLO5 網(wǎng)絡(luò)的激活函數(shù)。常用的RelU 激活函數(shù)其本質(zhì)為最大值函數(shù)，計(jì)算方式為：

MAX 函數(shù)的平滑形式為：

式中：β為平滑因子；k為特征向量數(shù)；xi為輸入量。

對(duì)于雙輸入量ηa(x)，ηb(x)情況，帶入式（3），能得到以下特殊形式：

式中：σ為sigmoid 激活函數(shù)，采用式（7）的一般形式：

式中：A為激活函數(shù)輸出值；p1和p2為適應(yīng)調(diào)整學(xué)習(xí)率的自適應(yīng)參數(shù)。

通過對(duì)ACON-C 函數(shù)求導(dǎo)可知，激活函數(shù)的一階導(dǎo)數(shù)的正負(fù)極限值與導(dǎo)數(shù)上下界均由2 個(gè)參數(shù)來決定。為了確定β的數(shù)值以確定是否抑制神經(jīng)元，β自適應(yīng)函數(shù)為：

式中：H，W為矩陣高度與寬度；W1，W2為可變權(quán)重。

文中引入DeepSORT 多目標(biāo)跟蹤的跟蹤算法，將YOLOv5-GBA 算法識(shí)別的結(jié)果作為DeepSORT 多目標(biāo)跟蹤算法的輸入，將輸電線路航拍視頻流的診斷分為識(shí)別與跟蹤2 部分，整體技術(shù)路線如圖3 所示。

圖3 DeepSORT多目標(biāo)跟蹤的跟蹤算法原理圖Fig.3 Schematic diagram of tracking algorithm for DeepSORT multi-target tracking

YOLOv5-GBA 預(yù)測(cè)結(jié)束后會(huì)形成一系列預(yù)測(cè)框，層疊在一起構(gòu)成一組軌跡，經(jīng)卡爾曼濾波目標(biāo)位置預(yù)測(cè)后形成軌跡的延續(xù)。假設(shè)預(yù)測(cè)出的軌跡上的目標(biāo)是確定態(tài)（即待檢測(cè)的輸電線路缺陷），則將卡爾曼濾波目標(biāo)位置預(yù)測(cè)結(jié)果和YOLOv5—GBA預(yù)測(cè)結(jié)果進(jìn)行級(jí)聯(lián)匹配。一旦一組軌跡和待檢測(cè)線路缺陷配對(duì)完成，僅僅需要在不斷循環(huán)的過程中更新目標(biāo)檢測(cè)和目標(biāo)跟蹤軌跡。

若預(yù)測(cè)的結(jié)果是不確定態(tài)（即存在未知比例的背景或其他種類缺陷），則進(jìn)行重疊度（Intersection over Union，IOU）匹配，經(jīng)由匈牙利算法進(jìn)行最優(yōu)化軌跡配對(duì)；若仍然出現(xiàn)失配現(xiàn)象，對(duì)于通過IOU 匹配并滿足閾值的對(duì)象，則返回程序起始點(diǎn)重新預(yù)測(cè)；對(duì)于未通過IOU 匹配或超過最大匹配次數(shù)的對(duì)象直接刪除。

尿蛋白是糖尿病腎病的主要指標(biāo)之一，ACEI類藥物可使糖尿病腎病患者尿蛋白顯著減少，降低血壓，擴(kuò)張腎血管，提高糖尿病腎病的療效[8]。ACEI可以抑制血管緊張素Ⅰ轉(zhuǎn)化為血管緊張素Ⅱ，降低循環(huán)系統(tǒng)血壓，改善腎臟血流動(dòng)力學(xué)效果[9]。ACEI可以減緩2型糖尿病患者的腎病進(jìn)程，起到保護(hù)腎功能、避免惡化的作用[10]。ACEI不僅可以減少尿蛋白排泄，同時(shí)可以保護(hù)腎避免因蛋白質(zhì)的重吸收引起的腎小管超負(fù)荷導(dǎo)致的促炎癥反應(yīng)。臨床上可以將其與其它藥物聯(lián)用，提高治療效果[11-12]。

圖4 為不同算法在邊緣計(jì)算裝置中實(shí)時(shí)視頻流的處理流程。圖4（a）為YOLOv5 6.0 算法單線運(yùn)行情況，輸出帶有預(yù)測(cè)框的視頻流幀率通常穩(wěn)定在15FPS，最大可達(dá)20FPS；圖4（b）為改進(jìn)算法YOLOv5-GBA 單線運(yùn)行情況，在輕量化算法的提速下，單幀處理周期縮短，識(shí)別速率明顯提升。

圖4 視頻流處理流程Fig.4 Video stream processing flow

圖4（c）為DeepSORT 目標(biāo)跟蹤算法與YOLOv5-GBA 目標(biāo)識(shí)別算法雙線并行的情況，兩者起到了互補(bǔ)的作用：YOLOv5-GBA 為DeepSORT 提供系列預(yù)測(cè)框?qū)盈B在一起的一組軌跡，進(jìn)而作為卡爾曼目標(biāo)位置預(yù)測(cè)的重要依據(jù)，而DeepSORT 算法復(fù)雜度低，內(nèi)存占用量低，運(yùn)行速度快，單獨(dú)運(yùn)行可達(dá)200FPS以上，對(duì)于進(jìn)行速度慢的目標(biāo)檢測(cè)算法起到了有效的補(bǔ)充效果?？梢詫OLOv5-GBA 運(yùn)行得到的識(shí)別框視為關(guān)鍵點(diǎn)，而DeepSORT 推演得到的識(shí)別框視為關(guān)鍵點(diǎn)之間的插值，大幅提升帶有預(yù)測(cè)框的視頻流幀率。

圖4（d）為當(dāng)出現(xiàn)遮擋、半遮擋情況或強(qiáng)烈環(huán)境光影響時(shí)，YOLOv5-GBA 算法漏檢，而DeepSORT仍能根據(jù)歷史預(yù)測(cè)框軌跡進(jìn)行短時(shí)推演?，F(xiàn)場(chǎng)測(cè)試證明，目標(biāo)跟蹤算法的存在，顯著提升了遮擋或半遮擋的線路缺陷檢出率，并降低了環(huán)境光的影響。

2 模型訓(xùn)練與評(píng)價(jià)

2.1 模型訓(xùn)練與邊緣端部署

目標(biāo)識(shí)別與跟蹤算法的訓(xùn)練環(huán)境、邊緣端部署環(huán)境如表1 所示。

表1 訓(xùn)練與部署環(huán)境Table 1 Training and deployment environment

實(shí)驗(yàn)所用邊緣計(jì)算裝置所用NVIDIA Jetson Xavier NX 模塊，其CPU 具有6 核NVIDIA Carmel ARM?v8.2 64 位CPU6MB L2+4MB L3，并搭載48個(gè)Tensor Core 的384 核NVIDIA Volta?GPU，功耗可在10W，15W，20W 之間切換。

在此基礎(chǔ)上，通過加裝顯示器模塊、按鍵控制模塊實(shí)現(xiàn)交互式操作；加裝5G 通訊模塊實(shí)現(xiàn)診斷報(bào)表上傳；加裝大容量鋰電池、電源管理模塊與其他輔助模塊；設(shè)計(jì)防水防塵便攜式外包裝，以NVIDIA Jetson Xavier NX 模塊為核心，搭建起了如圖5 所示的邊緣計(jì)算裝置。

圖5 邊緣計(jì)算裝置圖Fig.5 Picture of edge computing device

2.2 航拍數(shù)據(jù)集構(gòu)建

目前國內(nèi)并無輸電線路可見光缺陷公開數(shù)據(jù)集，因此文中自建了包含有9 類缺陷的綜合數(shù)據(jù)集，如表2 所示。

表2 輸電線路巡缺陷航拍數(shù)據(jù)集Table 2 Aerial photography data set for transmission line defects

2.3 改進(jìn)YOLOv5算法訓(xùn)練

深度學(xué)習(xí)模型具有較大的數(shù)據(jù)饑餓特性，常見的公開數(shù)據(jù)集諸如coco，ImageNet，PASCAL VOC 等均有上萬張，而由于輸電線路缺陷的稀缺性，很難獲得大量不同圖像特征的樣本集。數(shù)據(jù)不均衡的情況下容易出現(xiàn)嚴(yán)重過擬合或收斂速度過慢的現(xiàn)象。因此，采用了遷移學(xué)習(xí)、分階段學(xué)習(xí)與余弦退火算法的訓(xùn)練策略，盡量保持較大學(xué)習(xí)率以加大收斂速度同時(shí)防止過擬合現(xiàn)象出現(xiàn)。

式中：N為當(dāng)前訓(xùn)練輪次，L(N+1)為下一訓(xùn)練輪次的學(xué)習(xí)率；L為步長(zhǎng)；T為訓(xùn)練總周期；E為可調(diào)節(jié)的超參數(shù)；I為固定超參數(shù)。

YOLOv5 6.0 算法與YOLOv5-GBA 算法訓(xùn)練過程中的網(wǎng)絡(luò)損失曲線如圖6 所示，其中網(wǎng)絡(luò)損失無量綱。

圖6 訓(xùn)練曲線Fig.6 Training curves

由圖5 可知，在YOLOv5-GBA 加載遷移學(xué)習(xí)的預(yù)訓(xùn)練權(quán)重后，網(wǎng)絡(luò)損失的初始值就處于較低的水平0.105。在第二階段采用大學(xué)習(xí)率訓(xùn)練時(shí)，網(wǎng)絡(luò)損失值在前10 輪快速下降至0.015，在訓(xùn)練到135輪時(shí)，網(wǎng)絡(luò)損失最終下降到0.008，趨于穩(wěn)定。在迭代35～135 輪，迭代100 步網(wǎng)絡(luò)損失沒有顯著變化，認(rèn)定模型收斂，得到恒定的網(wǎng)絡(luò)權(quán)重。而YOLOv5算法6.0 版本采用常規(guī)訓(xùn)練方法，在前100 輪網(wǎng)絡(luò)損失下降迅速，在100 輪以后收斂速度減緩，最終在345 輪停止迭代。圖7 為準(zhǔn)確率曲線。對(duì)比圖6、圖7 明顯可以看出分階段學(xué)習(xí)可以有效提升收斂速度。

圖7 準(zhǔn)確率曲線Fig.7 Accuracy curves

最終9 類缺陷的平均準(zhǔn)確率穩(wěn)定在0.753 31，這說明改進(jìn)策略獲得了很好的效果。將YOLOV5—GBA 算法與原始YOLOV5 算法針對(duì)單目標(biāo)對(duì)比，測(cè)試準(zhǔn)確率對(duì)比如表3。

表3 測(cè)試準(zhǔn)確率對(duì)比Table 3 Comparison of test accuracy %

對(duì)比檢測(cè)結(jié)果可知，改進(jìn)算法YOLOVS-GBA相比于原有YOLOv5 算法提升平均準(zhǔn)確度2.8%，尤其是對(duì)鳥巢、絕緣子串自爆等具有顯著特征可見光缺陷提升較大，最高可達(dá)4.2%，對(duì)于銷釘缺失、螺母缺失、異物等空間尺度較小的缺陷也有不同程度提升。

為了驗(yàn)證改進(jìn)策略對(duì)YOLOv5 算法6.0 版本的整體效果影響，本文設(shè)計(jì)了如下消融實(shí)驗(yàn)，結(jié)果如表4 所示。表4 中√表示使用對(duì)應(yīng)的改進(jìn)策略。

表4 消融試驗(yàn)Table 4 Ablation test

表4 的消融實(shí)驗(yàn)結(jié)果表明，Ghost 模塊加入網(wǎng)絡(luò)后將準(zhǔn)確率小幅降低了2.2%，但將檢測(cè)速率大幅提升了3 倍以上。在此基礎(chǔ)上，BiFPN 與Meta-ACON 激活函數(shù)的引入將準(zhǔn)確率分別提升了3.8%，4.1%。綜合改進(jìn)策略相比YOLOv5 算法6.0 版本準(zhǔn)確率總體提升了2.8%，識(shí)別速率提升約3 倍。在大幅提升檢測(cè)速率的基礎(chǔ)上保證了輸電線路多類別缺陷的檢測(cè)精度，對(duì)于邊緣檢測(cè)環(huán)境下缺陷現(xiàn)場(chǎng)檢測(cè)的實(shí)時(shí)性和準(zhǔn)確性改善均有貢獻(xiàn)。

2.4 邊緣端部署

進(jìn)行算法的邊緣端部署，測(cè)試環(huán)境為滿載功率下的NVIDIA Jetson Xavier NX 模塊，算法最大識(shí)別速率如表5 所示。

表5 最大識(shí)別速率對(duì)比Table 5 Comparison of maximum recognition rates

由于底層架構(gòu)不兼容，YOLOv3，YOLOv4-tiny與目標(biāo)識(shí)別算法難以同時(shí)部署。根據(jù)表5 可知，相比表4，YOLOv5 系列算法在邊緣端部署后識(shí)別速率有明顯下降，而DeepSORT 算法在邊緣端裝置中可以與YOLOv5-GBA 算法進(jìn)行較好的適配，并起到了有效的提速作用。識(shí)別效果如圖8 所示。

圖8 識(shí)別效果Fig.8 Recognition results

由圖8 可知，YOLOv5-GBA 算法可以有效地完成防震錘銹蝕、鳥巢、銷釘缺失、絕緣子串自爆、均壓環(huán)歪斜等缺陷，由圖8（a）可知，在自動(dòng)跟蹤算法的輔助下，鳥巢等容易被遮擋的對(duì)象也可以有效識(shí)別；由圖8（b）可知，算法可以有效區(qū)分正常的銷釘和缺失的銷釘，避免錯(cuò)檢；由圖8（c）和（d）可知，算法具有較強(qiáng)的類間辨識(shí)能力。

3 結(jié)論

文中提出了一種應(yīng)用于9 種常見輸電桿塔故障檢測(cè)的輕量化改進(jìn)算法YOLOv5-GBA。構(gòu)建了包含有7891 處輸電線路可見光缺陷的數(shù)據(jù)集，基于原有YOLOv5 框架，引入GSConv 模塊進(jìn)一步增強(qiáng)特征提取和融合能力；引入BiFPN 結(jié)構(gòu)以提升多層特征融合能力；并融入Meta-ACON 激活函數(shù)。之后，通過兩階段訓(xùn)練與遷移學(xué)習(xí)的方法，保證模型快速收斂，并在測(cè)試中獲得了平均準(zhǔn)確率75.1%，單類別最高準(zhǔn)確率91.1%的結(jié)果。此外，引入DeepSORT 算法加速邊緣計(jì)算裝置的幀率，最高可達(dá)到224 FPS，保證了邊緣端可視化巡檢的實(shí)時(shí)性。

在結(jié)果中，對(duì)于銷釘缺失、螺母缺失等小目標(biāo)識(shí)別仍具有一定的提升空間。由于邊緣計(jì)算裝置算力有限，無法部署深層網(wǎng)絡(luò)模型。在實(shí)際的工程應(yīng)用中，通常使用云邊協(xié)同的診斷方式，在邊緣端僅進(jìn)行金具連接板的整體識(shí)別，借助云服務(wù)器的強(qiáng)大算力進(jìn)行深度診斷，從而提升整體缺陷檢出率。

實(shí)驗(yàn)結(jié)果表明，文中提出的YOLOv5-GBA 算法在面對(duì)無人機(jī)航拍視頻流時(shí)具有較好的處理與診斷能力，對(duì)輸電線路現(xiàn)場(chǎng)診斷與云邊協(xié)同診斷具有重要意義。