深度学习的输电线路外力破坏检测方法研究

来源：核心期刊咨询网时间：2022-01-08 10:5112

摘要：摘 要：针对输电线路附近可能出现的大型违章车辆施工造成外力破坏的情况，为保证输电线路运行的安全和稳定，提出了改进的YOLOv5目标检测算法。在原有YOLOv5算法的基础上，将其使用的Bounding box损失函数GIOU_Loss改为CIOU_Loss，使其具有更快更好的收敛效果;同时将其

　　摘 要：针对输电线路附近可能出现的大型违章车辆施工造成外力破坏的情况，为保证输电线路运行的安全和稳定，提出了改进的YOLOv5目标检测算法。在原有YOLOv5算法的基础上，将其使用的Bounding box损失函数GIOU_Loss改为CIOU_Loss，使其具有更快更好的收敛效果;同时将其使用的经典NMS改为DIOU_NMS，使其对一些遮挡重叠的目标有更好的识别效果。实验结果显示，改进后的YOLOv5算法模型可以有效地监控输电线路附近的外力破坏情况。

　　关键词：输电线路;目标检测;改进YOLOv5

　　引言(Introduction)

　　近年来，随着我国各类产业尤其是互联网的飞速发展，电力的需求量也直线上升。输电线路是电力系统的生命线，关系到整个电力系统的安全和效益，因此保证输电线路的稳定运行至关重要。

　　由于输电线路长期处于复杂的地理位置，且与人类活动紧密联系，因此输电线路有较高的可能性会出现故障，严重影响电网安全运行的同时，也对人民的生命财产安全构成了极大的威胁。

　　据统计，随着城市化进程的加速发展，大型车辆违章施工已经成为输电线路外力破坏的主要因素[1]。目前对于输电线路的外力破坏检测，主要是通过安装在高空塔架的摄像头拍摄照片，再交给后端中心去进行人工分析[2]。监控人员通过监看摄像头拍摄现场传回的静态图像查看其中可能出现的外力入侵目标，如吊车、油罐车、挖掘机等大型施工车辆，在发现外力入侵行为时则发出警告，派出电网维护人员至现场进行处理[3]。这种依靠人工检查的方法工作量大，工作人员容易疲劳，实时性差且效率较低。

　　近年来，随着深度学习的快速发展，许多研究学者发布了大量基于卷积神经网络的目标检测算法。目前，目标检测领域的深度学习方法主要分为两类：一类是基于区域候选网络(RPN)来提取目标候选区域的两阶段算法，如R-CNN[4]、Fast R-CNN[5]、Faster R-CNN[6]等。这种类别的目标检测算法主要是在特征提取的基础上，使用一个神经网络来生成候选区域，然后再对候选区域回归来确定目标的类别和位置。另一类是端到端的一阶段目标检测算法，如YOLO系列[7-9]算法。此类方法直接对图片内容进行分类和回归，不需要提取候选区域，将目标检测视为回归问题处理。

　　本文使用输电线路现场监控图像数据，以及网络收集的工程车辆数据，制作了输电线路外力破坏的检测数据集，以YOLOv5模型为主体，研究改进模型的效果，进一步提高模型的识别精度和鲁棒性。

　　2 YOLOv5算法简介(Introduction to YOLOv5 algorithm)

　　YOLO(You Only Look Once)网络是一种基于回归的目标识别算法，具有较快的检测速度，在很多任务中取得了很好的效果。YOLO网络将输入的图像划分成大小为S×S的网格，目标物的中心位置落到哪个网格上，就由该网格对应锚框负责检测目标[10]。相比于其他目标检测算法，YOLO的多尺度算法能够更为有效地检测目标，且在实时性方面表现得较为突出，适合输电线路异常情况检测的需求。

　　YOLOv5根据网络深度的不同分为YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，其中YOLOv5x检测精度最高，但是网络模型较大，对设备的要求较高;YOLOv5s的模型尺寸较小，检测速度快，且部署方便。考虑到保证检测精度的同时，能够提高检测速度，减小模型尺寸，本文选用YOLOv5l作为实验使用的模型。YOLOv5的网络结构可以分为Input、Backbone、Neck和Prediction四部分。

转载请注明来自：http://www.qikan2017.com/lunwen/dzi/22321.html