摘 要：為了全方面識別并檢測輸電線路部件，本文基于改進(jìn)的YOLOv5算法設(shè)計(jì)了一種用于輸電線路的多目標(biāo)檢測系統(tǒng)。通過優(yōu)化YOLOv5算法參數(shù)量和浮點(diǎn)計(jì)算量，將Bottle頸部網(wǎng)絡(luò)CSP改為輕量級跨階段部分模塊，實(shí)現(xiàn)了網(wǎng)絡(luò)結(jié)構(gòu)的輕量化，同時(shí)提高了檢測性能。研究結(jié)果表明，改進(jìn)YOLOv5的參數(shù)量能夠滿足輸電線路部件檢測的精度、輕量化與實(shí)時(shí)性要求。該系統(tǒng)可以實(shí)時(shí)檢測輸電線路部件，并提高輸電線路設(shè)備的維護(hù)和管理效率。

關(guān)鍵詞：YOLOv5；輸電線路；多目標(biāo)檢測

中圖分類號：TP 391" " " " " " " " 文獻(xiàn)標(biāo)志碼：A

隨著電力系統(tǒng)發(fā)展，對輸電線路設(shè)備進(jìn)行自動化檢測和管理越來越重要[1]。由于傳統(tǒng)的人工檢測方式存在效率低、人力成本高的問題[2]，因此，開發(fā)一種基于計(jì)算機(jī)視覺的多目標(biāo)檢測系統(tǒng)具有重要意義。

1 輸電線路多目標(biāo)檢測改進(jìn)YOLOv5算法設(shè)計(jì)

1.1 YOLOv5算法原理

YOLOv5網(wǎng)絡(luò)是由主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和頭部網(wǎng)組成的，每個(gè)部分都具有不同功能。骨干網(wǎng)絡(luò)是YOLOv5網(wǎng)絡(luò)的核心部分，負(fù)責(zé)提取輸入圖像的特征。通常使用卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，例如高效網(wǎng)絡(luò)等來提取圖像中的高級語義特征。主干網(wǎng)絡(luò)通過多個(gè)卷積層和池化層來逐漸減少特征圖的尺寸和通道數(shù)，以捕捉不同尺度的特征信息。頸部網(wǎng)絡(luò)是YOLOv5網(wǎng)絡(luò)的中間部分，起到連接和融合不同尺度特征的作用。通?；厥褂靡恍┨厥獾哪K，例如特征金字塔網(wǎng)絡(luò)和金字塔池化模塊等。頸部網(wǎng)絡(luò)將來自不同層級的特征圖進(jìn)行上采樣、下采樣和融合操作來獲得豐富的多尺度特征表示[3]。頭部網(wǎng)絡(luò)是YOLOv5網(wǎng)絡(luò)的最后一部分，用于預(yù)測檢測框和類別信息。通常包括一些卷積層和全連接層，其作用是從特征圖中提取目標(biāo)的位置、大小和類別。頭部網(wǎng)絡(luò)使用不同的卷積核大小和步幅，以適應(yīng)不同大小的目標(biāo)。

1.2 改進(jìn)YOLOv5算法

1.2.1 改進(jìn)特征提取網(wǎng)絡(luò)

本文采用輕量級網(wǎng)絡(luò)結(jié)構(gòu)重新構(gòu)建特征提取網(wǎng)絡(luò)。首先，對特征圖進(jìn)行通道分支操作，將其分為2個(gè)分支。左邊的分支不做任何操作，對右邊的分支進(jìn)行一系列卷積操作。右邊的分支分別通過1×1卷積、3×3深度可分離卷積和1×1卷積的處理，提取更豐富的特征信息[4]。然后進(jìn)行通道重組。該操作將通道根據(jù)一定規(guī)則重新排列，以加強(qiáng)特征間的交互和信息傳遞，進(jìn)一步提高網(wǎng)絡(luò)的表達(dá)能力和特征提取能力。特征提取網(wǎng)絡(luò)見表1。

1.2.2 輕量級跨階段部分模塊

為了實(shí)現(xiàn)網(wǎng)絡(luò)的輕量化，本文引入輕量級跨階段部分模塊。該模塊主要由2條支路操作組成，分別是瓶頸層操作和殘差結(jié)構(gòu)操作。

首先，通過瓶頸層操作生成新的特征圖。該操作包括一系列卷積操作，其中包括深度可分離卷積。深度可分離卷積是一種輕量級的卷積操作，將標(biāo)準(zhǔn)卷積分解為深度卷積和逐點(diǎn)卷積，以減少計(jì)算量和參數(shù)數(shù)量。通過瓶頸層操作生成更緊湊的特征表示，減少網(wǎng)絡(luò)的復(fù)雜性。其次，利用殘差結(jié)構(gòu)直接使用深度可分離卷積操作。殘差結(jié)構(gòu)是一種常用的網(wǎng)絡(luò)結(jié)構(gòu)，能幫助網(wǎng)絡(luò)更好地學(xué)習(xí)輸入和輸出間的殘差信息[5]。將深度可分離卷積應(yīng)用于殘差結(jié)構(gòu)，可提取更豐富的圖像特征。最后，使用添加操作將對應(yīng)的特征圖相加。該操作可增加描述圖像特征的信息，從而提高網(wǎng)絡(luò)的表達(dá)能力和特征提取能力。

1.2.3 改進(jìn)損失函數(shù)

為了更準(zhǔn)確地評估預(yù)測框與真實(shí)框間的差異，本文將完全交并比損失作為改進(jìn)算法的損失函數(shù)。完全交并比損失綜合考慮了目標(biāo)框的重疊面積、中心點(diǎn)距離和長寬比等因素，能夠提供更具區(qū)分性的損失度量。計(jì)算預(yù)測框與真實(shí)框間的交并比值，用于衡量二者的重疊程度。交并比值是目標(biāo)檢測任務(wù)中常用的評價(jià)指標(biāo)，表示預(yù)測框與真實(shí)框的重疊面積相對于它們的并集的比例。使用完整交并比來計(jì)算完全交并比損失。完全交并比損失在交并比損失的基礎(chǔ)上進(jìn)行了改進(jìn)，能夠更準(zhǔn)確地反映目標(biāo)框的匹配程度。通過最小化完全交并比損失來優(yōu)化網(wǎng)絡(luò)模型，可提高目標(biāo)檢測的精度和魯棒性。完全交并比CIoU的計(jì)算過程如公式（1）所示。

LCIoU=1-IoULoss-α·v " " "（1）

式中：LCIoU為完全交并比；IoULoss為傳統(tǒng)的IoU損失；α為權(quán)衡長寬比和交并比部分造成損失的平衡因子；v為預(yù)測框和真實(shí)框長寬比差值的歸一化參數(shù)。

傳統(tǒng)的非極大值抑制是目標(biāo)檢測中常用的一種篩選機(jī)制，用于消除重疊的邊界框，以獲得最終的檢測結(jié)果。但傳統(tǒng)的非極大值抑制僅考慮了交并比值，忽略了框間的空間關(guān)系。為了更精確地篩選邊界框，本文引入了距離交并比（DIoU）-非極大值抑制方法。距離交并比-非極大值抑制方法不僅考慮了交并比值，還考慮了2個(gè)框間的中心點(diǎn)距離。在該方法中，不僅計(jì)算2個(gè)邊界框的交并比，還計(jì)算它們中心點(diǎn)間的距離。這個(gè)距離信息可以提供額外的空間關(guān)系，有助于更準(zhǔn)確地判斷2個(gè)邊界框間的重疊程度。具體來說，距離交并比-非極大值抑制方法先計(jì)算所有邊界框間的交并比值和中心點(diǎn)距離。再根據(jù)設(shè)定的閾值，對這些值進(jìn)行篩選和排序。在篩選過程中，不僅要考慮交并比的大小，還要考慮中心點(diǎn)距離的遠(yuǎn)近。通過綜合考慮這2個(gè)因素，可以更精確地判斷哪些邊界框應(yīng)該被保留，哪些應(yīng)該被抑制。距離交并比-非極大值抑制的計(jì)算過程分別如公式（2）所示。

DCIoU=IoU-D （2）

式中：IoU為候選框的交并比：D為候選框間的距離。

2 基于改進(jìn)YOLOv5的輸電線路多目標(biāo)檢測設(shè)計(jì)

2.1 試驗(yàn)數(shù)據(jù)

本文的試驗(yàn)機(jī)器操作系統(tǒng)為Windows，并搭建了OpenCV和PyTorch 1.6.0深度學(xué)習(xí)環(huán)境。該機(jī)器的CPU為Core i7-9700，內(nèi)存為16GB，顯卡為RTX2080Ti，基于以上配置來運(yùn)行和測試YOLOv5s算法。本文選擇了一些常見的目標(biāo)檢測算法作為對比，包括YOLOv4、Faster R-CNN和SSD等，以評估YOLOv5s算法在準(zhǔn)確性、速度和資源消耗等方面的優(yōu)劣。期望通過以上試驗(yàn)設(shè)置和比較測試，能夠驗(yàn)證YOLOv5s算法的改進(jìn)效果，并對其在目標(biāo)檢測領(lǐng)域的應(yīng)用進(jìn)行評估和分析。本文使用公開的巡檢圖像數(shù)據(jù)和網(wǎng)絡(luò)圖像結(jié)合的方式，共得到2511張照片，并將其作為試驗(yàn)數(shù)據(jù)。為了對這些圖像進(jìn)行目標(biāo)檢測，使用標(biāo)注軟件LabelImg對圖像進(jìn)行標(biāo)注，并將標(biāo)注結(jié)果以VOC格式存儲為XML文件。在這個(gè)數(shù)據(jù)集中，一共標(biāo)注了5種類型器件。首先是絕緣子（絕緣子），共標(biāo)注了2508個(gè)絕緣子樣本。其次是防震錘（防震錘），標(biāo)注了2319個(gè)防震錘樣本。再次是均壓環(huán)（屏蔽環(huán)），標(biāo)注了852個(gè)均壓環(huán)樣本。從次是間隔棒（間隔棒），標(biāo)注了1259個(gè)間隔棒樣本。最后是絕緣子缺失（故障絕緣子），標(biāo)注了385個(gè)絕緣子缺失樣本。

2.2 評價(jià)指標(biāo)

參數(shù)量通常是指模型中可學(xué)習(xí)參數(shù)的總數(shù)。較大的參數(shù)量代表更復(fù)雜的模型結(jié)構(gòu)，但也導(dǎo)致更高的計(jì)算負(fù)載和資源消耗。浮點(diǎn)計(jì)算量是指在算法執(zhí)行過程中進(jìn)行的浮點(diǎn)運(yùn)算的總數(shù)。在深度學(xué)習(xí)中，浮點(diǎn)計(jì)算量通常與模型的計(jì)算復(fù)雜度和計(jì)算資源消耗密切相關(guān)。較大的浮點(diǎn)計(jì)算量代表更復(fù)雜的計(jì)算過程和更高的計(jì)算負(fù)載。平均精度是一種常用的目標(biāo)檢測算法評價(jià)指標(biāo)，用于衡量算法在不同類別目標(biāo)上的檢測準(zhǔn)確度。綜合考慮了算法的精度和召回率，并通過計(jì)算目標(biāo)檢測算法在不同類別上的平均精度值來評估算法的整體性能。較高的值表示算法在目標(biāo)檢測任務(wù)中具有更好的準(zhǔn)確性和魯棒性。每秒處理幀數(shù)是指算法在單位時(shí)間內(nèi)能夠處理的圖像幀數(shù)。在實(shí)時(shí)性要求較高的應(yīng)用場景下，較高的幀率值代表算法能夠更快地處理圖像，并實(shí)時(shí)輸出檢測結(jié)果。因此，幀率是評估算法實(shí)時(shí)性能的重要指標(biāo)之一。

3 基于改進(jìn)YOLOv5的輸電線路多目標(biāo)檢測結(jié)果分析

3.1 不同模型的識別性能

改進(jìn)的YOLOv5的召回率為95.1%，高于其他模型，能夠更準(zhǔn)確地檢測到目標(biāo)物體，漏檢情況有所減少。在閾值性能指標(biāo)上，改進(jìn)的YOLOv5也表現(xiàn)出色，為87.5%，優(yōu)于其他模型。說明改進(jìn)的YOLOv5具有更高的檢測精度，在目標(biāo)物體的定位和分類方面更準(zhǔn)確。此外，改進(jìn)的YOLOv5在幀率方面也有不錯(cuò)的表現(xiàn)，為64.2f/s。盡管不及YOLOv4-tiny模型（為59.1f/s），但仍然具有較高的處理速度。綜合來看，改進(jìn)的YOLOv5模型在召回率、閾值性能和幀率這3個(gè)關(guān)鍵指標(biāo)上都有不錯(cuò)表現(xiàn)，能夠更準(zhǔn)確地檢測目標(biāo)物體并保持較高的處理速度，適合應(yīng)用于實(shí)時(shí)場景。不同模型的識別性能見表2。

3.2 5種器件在不同算法下的檢測精度

在背景復(fù)雜的情況下，傳統(tǒng)的目標(biāo)檢測算法可能會受背景干擾的影響，導(dǎo)致目標(biāo)的檢測精度下降。而改進(jìn)的YOLOv5算法通過引入更精細(xì)的特征提取和網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，能夠更好地區(qū)分目標(biāo)和背景，從而提高在復(fù)雜背景下的目標(biāo)檢測能力。此外，目標(biāo)角度多變和絕緣子存在遮擋也是挑戰(zhàn)之一。傳統(tǒng)的算法可能無法準(zhǔn)確檢測角度變化較大的目標(biāo)或被遮擋的目標(biāo)。而改進(jìn)的YOLOv5算法在網(wǎng)絡(luò)設(shè)計(jì)和訓(xùn)練過程中充分考慮了目標(biāo)的多樣性和遮擋情況，通過增加網(wǎng)絡(luò)的深度、寬度以及引入更多的數(shù)據(jù)增強(qiáng)技術(shù)，能夠更好地適應(yīng)多變的目標(biāo)角度和遮擋情況。另外，細(xì)粒度較低的圖片也會給目標(biāo)檢測帶來一定困難。在細(xì)粒度較低的情況下，目標(biāo)的細(xì)節(jié)信息可能不夠清晰，傳統(tǒng)的算法可能無法準(zhǔn)確識別目標(biāo)。而改進(jìn)的YOLOv5算法通過增加網(wǎng)絡(luò)的深度和引入更多的卷積層，能夠更好地提取圖片中的特征信息，從而提高在細(xì)粒度較低情況下的目標(biāo)檢測能力。

對于絕緣子類別，改進(jìn)的YOLOv5的檢測精度為0.94，高于其他算法。改進(jìn)的YOLOv5能夠更準(zhǔn)確地檢測到絕緣子類別的目標(biāo)物體。對于防震錘類別，改進(jìn)的YOLOv5的檢測精度為0.92，也是最高的。表明改進(jìn)的YOLOv5檢測減震器的目標(biāo)物體時(shí)表現(xiàn)出色。對于屏蔽環(huán)類別，改進(jìn)的YOLOv5的檢測精度為0.85，略高于其他算法，能夠更準(zhǔn)確地檢測到環(huán)類別的目標(biāo)物體。對于間隔棒類別，改進(jìn)的YOLOv5的檢測精度為0.76，相對較低。然而，改進(jìn)的YOLOv5仍然在這個(gè)類別中表現(xiàn)出最好的檢測精度。對于故障絕緣子類別，改進(jìn)的YOLOv5的檢測精度為0.90，也是最高的。表明改進(jìn)的YOLOv5檢測故障絕緣子的目標(biāo)物體時(shí)表現(xiàn)出色。綜上所述，改進(jìn)的YOLOv5在不同算法下的檢測精度上均表現(xiàn)出色，在多個(gè)類別中都能夠準(zhǔn)確檢測到目標(biāo)物體，具有較高的檢測精度。5種器件在不同算法下的檢測精度見表3。

3.3 消融試驗(yàn)

通過消融試驗(yàn)，本文系統(tǒng)地評估每個(gè)改進(jìn)模塊對最終檢測性能的影響。在不同試驗(yàn)條件下比較結(jié)果，得出結(jié)論，確定哪些模塊對改進(jìn)算法的性能至關(guān)重要。加入不同模塊的對比結(jié)果見表4，其中“√”表示使用了該結(jié)構(gòu)，即將該改進(jìn)模塊應(yīng)用于算法中；“×”表示未使用該結(jié)構(gòu)，即在算法中沒有使用該改進(jìn)模塊。

第1組試驗(yàn)使用了YOLOv5s網(wǎng)絡(luò)，沒有使用任何改進(jìn)方法，但仍然達(dá)到了86.1%的精度和56.7f/s的速度，表明YOLOv5s網(wǎng)絡(luò)本身已經(jīng)具備一定的檢測性能。第2組試驗(yàn)在YOLOv5s網(wǎng)絡(luò)的基礎(chǔ)上將輕量級網(wǎng)絡(luò)主干結(jié)構(gòu)作為特征提取網(wǎng)絡(luò)，通過深度可分離卷積來減少網(wǎng)絡(luò)的參數(shù)量，導(dǎo)致精度降低了1.4%，但速度提高了12.6%，通過這種優(yōu)化，在一定程度上平衡了精度和速度的需求。第3組試驗(yàn)在第2組試驗(yàn)的基礎(chǔ)上對路徑聚合網(wǎng)絡(luò)結(jié)構(gòu)中的頸部網(wǎng)絡(luò)CSP結(jié)構(gòu)進(jìn)行了優(yōu)化，使用了輕量級跨階段部分模塊替代原有結(jié)構(gòu)。與第2組試驗(yàn)相比，精度提高了0.4%，速度提高了2%，表明輕量級跨階段部分模塊對檢測性能的提升有一定影響。第4組試驗(yàn)在第3組試驗(yàn)的基礎(chǔ)上引入了完全交并比loss來計(jì)算邊框損失，加快了網(wǎng)絡(luò)的收斂速度。與第3組試驗(yàn)相比，精度提高了2.1%，但速度下降了0.6%。通過使用完全交并比loss，網(wǎng)絡(luò)能夠更快地收斂得到更準(zhǔn)確的結(jié)果，從而提高了檢測性能。第5組試驗(yàn)在第4組試驗(yàn)的基礎(chǔ)上使用了距離交并比-非極大值抑制進(jìn)行檢測后處理，以減少網(wǎng)絡(luò)的漏檢情況。與第4組試驗(yàn)相比，精度提高了0.3%，但速度減少了0.9%。與第1組試驗(yàn)相比，精度提高了1.4%，速度提高了13.2%，表明距離交并比-非極大值抑制能夠有效減少網(wǎng)絡(luò)的漏檢情況，提高檢測性能。

本文的改進(jìn)YOLOv5算法通過對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行輕量化，優(yōu)化了參數(shù)量和浮點(diǎn)計(jì)算量，在計(jì)算資源消耗相對較低的同時(shí)，仍然能夠保持較高的檢測性能。在傳統(tǒng)的YOLOv5算法中，網(wǎng)絡(luò)結(jié)構(gòu)相對較大，需要大量的參數(shù)和浮點(diǎn)計(jì)算量。這對一些資源受限的應(yīng)用場景來說是不太適合的，尤其是在實(shí)時(shí)性要求較高的輸電線路部件的檢測中。本文的改進(jìn)算法通過引入輕量化的網(wǎng)絡(luò)結(jié)構(gòu)，減少了網(wǎng)絡(luò)的參數(shù)量和浮點(diǎn)計(jì)算量。輕量化的網(wǎng)絡(luò)結(jié)構(gòu)使用了深度可分離卷積等技術(shù)，有效減少了網(wǎng)絡(luò)的復(fù)雜度和計(jì)算負(fù)載。因此，算法在相同的計(jì)算資源下能夠更高效地進(jìn)行檢測任務(wù)。同時(shí)，這種輕量化的網(wǎng)絡(luò)結(jié)構(gòu)并沒有犧牲檢測性能。

4 結(jié)語

本文基于改進(jìn)的YOLOv5算法設(shè)計(jì)了一種用于輸電線路的多目標(biāo)檢測系統(tǒng)。通過對算法進(jìn)行優(yōu)化，實(shí)現(xiàn)了網(wǎng)絡(luò)結(jié)構(gòu)的輕量化，提高了檢測性能。試驗(yàn)結(jié)果表明，該系統(tǒng)在實(shí)時(shí)性檢測上表現(xiàn)出良好性能，能夠提高輸電線路設(shè)備的維護(hù)和管理效率。

參考文獻(xiàn)

[1]熊昌全，張宇寧，楊和生，等.基于改進(jìn)YOLOv5的輸電線路走廊滑坡災(zāi)害識別[J].機(jī)電信息，2023（1）：27-29.

[2]蘇曉，張明暉，陳峻宇，等.基于集成YOLOv5算法的輸電線路桿塔目標(biāo)檢測[J].農(nóng)村電氣化，2023（5）：33-39.

[3]郭雨，馬美玲，黎大林.基于改進(jìn)YOLOv5的輕量化絕緣子表面缺陷檢測[J].激光與光電子學(xué)進(jìn)展，2023，60（24）：214-221.

[4]劉謝玉，楊曉冬，陸群，等.基于YOLOv5n_Faster的煤礦變電所開關(guān)柜目標(biāo)檢測[J].建模與仿真，2023，12（6）：9.

[5]王素珍，趙霖，邵明偉，等.基于改進(jìn)YOLOv5的輸電線路絕緣子識別方法[J].電子測量技術(shù)，2022（21）：181-188.