廖承就，張磊，張惠榮，陳華超，鄭路銘

（1.廣東電網(wǎng)有限責(zé)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）

輸電線路鐵塔大多分布在荒野地帶，線路分布廣、由于線路“無(wú)圍墻”容易導(dǎo)致線路周邊第三方施工、人為破壞、重車碾壓等隱患，因此需要投入很大成本在輸電線路巡檢等安全防護(hù)上?，F(xiàn)在主要采用人工徒步巡線、無(wú)人機(jī)巡線、人工監(jiān)控?cái)z像頭等判斷是否存在外力破壞危險(xiǎn)的手段。

近年來(lái)，智能圖像視頻監(jiān)控技術(shù)被廣泛應(yīng)用于輸電線路場(chǎng)景下的施工機(jī)械入侵報(bào)警任務(wù)中，但是，其對(duì)小目標(biāo)及遮擋目標(biāo)的識(shí)別效果有待提升。本文通過(guò)引入CBAM 模塊，添加了注意力機(jī)制方法,設(shè)計(jì)了Fusion-CBAM 用于增強(qiáng)算法實(shí)現(xiàn)，為輸電線路安全隱患分析提供基礎(chǔ)。

1 相關(guān)理論

1.1 目標(biāo)檢測(cè)模型

YOLOv5 包含3 個(gè)不同尺度的yolo head,每個(gè)yolo head 上預(yù)設(shè)了3 種錨框比例，在同類型算法上具有速度以及精度的優(yōu)勢(shì)。

1.2 CBAM 注意力機(jī)制

CBAM 是一種混合注意力機(jī)制方法，是網(wǎng)絡(luò)的一種構(gòu)型，當(dāng)輸入是一組長(zhǎng)度可能會(huì)發(fā)生變化的向量時(shí)，實(shí)際訓(xùn)練的時(shí)候無(wú)法充分發(fā)揮這些輸入之間的關(guān)系而導(dǎo)致模型訓(xùn)練結(jié)果效果極差，可以嵌入任何主干網(wǎng)絡(luò)中，以提高算法的性能。

2 本文算法

2.1 端到端的檢測(cè)算法

YOLOv5 整體模型結(jié)構(gòu)如圖1 所示，具備以下的優(yōu)點(diǎn)：（1）基于CSPDarknet53 網(wǎng)絡(luò)的干網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)。（2）對(duì)特征金字塔網(wǎng)絡(luò)（FPN）進(jìn)行了改進(jìn)，結(jié)合了路徑聚合網(wǎng)絡(luò)（PANet）。（3）檢測(cè)頭網(wǎng)絡(luò)進(jìn)行特征映射，這一步主要對(duì)融合后的特征圖進(jìn)行，輸出圖像中缺陷目標(biāo)的位置信息和類別信息。如圖1 所示。

圖1 網(wǎng)絡(luò)主體結(jié)構(gòu)

2.2 改進(jìn)算法過(guò)程

為了充分利用網(wǎng)絡(luò)的注意力，更好地檢測(cè)出被遮擋的施工機(jī)械防外破隱患，通過(guò)設(shè)計(jì)一種融合的CBAM 模塊并將其添加進(jìn)添加進(jìn)網(wǎng)絡(luò)中，如圖2。

圖2 CBAM 注意力機(jī)制

Fusion-CBAM 分別由融合空間注意力模塊以及融合通道注意力模塊的計(jì)算公式可表示為：

2.3 自適應(yīng)錨框計(jì)算

在YOLOv5 在訓(xùn)練時(shí)對(duì)錨框進(jìn)行相應(yīng)的計(jì)算，其主要方法如下所示：

（1）計(jì)算數(shù)據(jù)集中所有樣本的寬和高。（2）對(duì)圖片進(jìn)行壓縮，根據(jù)預(yù)設(shè)好的壓縮尺寸進(jìn)行處理。（3）修改框的坐標(biāo)，由相對(duì)坐標(biāo)改為絕對(duì)坐標(biāo)。（4）篩選符合一定像素值的標(biāo)注框，過(guò)濾像素值不足的部分。（5）使用k 均值聚類三方得到錨框的計(jì)算結(jié)果。

2.4 損失（Loss）函數(shù)設(shè)計(jì)

2.4.1 定位損失

定位損失函數(shù)如下式：

回歸殘差定義如下：

2.4.2 分類損失

分類損失（Focal loss）通過(guò)添加不同的權(quán)重給到不同標(biāo)注數(shù)據(jù)的Loss，來(lái)解決對(duì)分類算法問(wèn)題中的類別不平衡，分類難度相差異較大的情況。交叉熵函數(shù)可表示為：

3 實(shí)驗(yàn)過(guò)程與結(jié)果分析

3.1 數(shù)據(jù)集分揀、標(biāo)注與數(shù)據(jù)集劃分

通過(guò)采集監(jiān)控?cái)?shù)據(jù)，標(biāo)注的信息包含類別名稱和位置信息Xmin、Ymin、Zmin、Xmax、Ymax、Zmax。將數(shù)據(jù)按照3∶1∶1 的數(shù)量比例劃分。

3.2 測(cè)試設(shè)備與軟件環(huán)境

配置4 核以上處理器CPU 設(shè)備，使用Tesla T4 顯卡設(shè)備進(jìn)行試驗(yàn)。

3.3 測(cè)試精度

算法實(shí)驗(yàn)結(jié)果，如表1 所示。

表1 算法實(shí)驗(yàn)結(jié)果

如圖3 所示，對(duì)目標(biāo)物體進(jìn)行檢測(cè)。

圖3 算法檢測(cè)圖示

4 結(jié)語(yǔ)

針對(duì)復(fù)雜場(chǎng)景下的目標(biāo)遮擋問(wèn)題，設(shè)計(jì)Fusion-CBAM 注意力模塊改進(jìn)YoloV5 算法。通過(guò)改進(jìn)的方法提升了算法對(duì)遮擋目標(biāo)的識(shí)別檢測(cè)的性能。該算法相比改進(jìn)前的分析方法大大提高了召回率。對(duì)視頻監(jiān)控的智能化算法具有很好的實(shí)用價(jià)值。結(jié)合該算法的日常巡檢系統(tǒng)，已經(jīng)部署使用，提升了日常巡視的效率。