基于改进YOLOv5的输电线路鸟巢检测方法研究_张焕龙.pdf

第51 卷 第2 期 电力系统保护与控制 Vol.51 No.2 2023年1月16日 Power System Protection and Control Jan.16,2023 DOI:10.19783/ki.pspc.220428 基于改进 YOLOv5 的输电线路鸟巢检测方法研究 张焕龙1，齐企业1，张 杰1，王延峰1，郭志民2，田杨阳2，陈富国3,4(1.郑州轻工业大学电气信息工程学院，河南 郑州 450002；2.国网河南省电力公司电力科学研究院，河南 郑州 450052；3.西安交通大学电气学院，陕西 西安 712000；4.平高集团有限公司，河南 平顶山 467001)摘要：输电线路上的鸟巢会对电力设备的安全运行构成威胁，甚至影响整个电力系统的稳定性。针对复杂场景下输电线路鸟巢检测方法适用性较差的问题，提出一种基于改进 YOLOv5 的输电线路鸟巢检测方法。该方法结合通道注意机制和空间注意机制设计特征平衡网络，以通道权值和空间权值作为引导，实现检测网络不同层次特征之间语义信息和空间信息的平衡。同时，为了避免因网络层数增加导致特征信息不断被弱化的问题，设计特征增强模块以捕获与鸟巢相关的通道关系和位置信息。最后，利用输电线路无人机巡检图像建立鸟巢数据集进行训练和测试。实验结果表明，所提出的输电线路鸟巢检测方法具有较强的泛化能力和适用性，同时也为电力图像缺陷检测提供技术参考。关键词：输电线路；注意力机制；无人机巡检；鸟巢检测 Bird nest detection method for transmission lines based on improved YOLOv5 ZHANG Huanlong1,QI Qiye1,ZHANG Jie1,WANG Yanfeng1,GUO Zhimin2,TIAN Yangyang2,CHEN Fuguo3,4(1.College of Electrical and Information Engineering,Zhengzhou University of Light Industry,Zhengzhou 450002,China;2.State Grid Henan Electric Power Research Institute,Zhengzhou 450052,China;3.School of Electrical Engineering,Xian Jiaotong University,Xian 712000,China;4.Pinggao Group Co.,Ltd.,Pingdingshan 467001,China)Abstract:The bird nests on transmission lines can pose a threat to the safe operation of power equipment and even affect the stability of the whole power system.To address the problem of poor applicability of transmission line bird nest detection methods in complex scenarios,an improved YOLOv5-based transmission line bird nest detection method is proposed in this paper.This method first designs a feature balancing network by combining a channel attention and spatial attention mechanism,and uses channel weights and spatial weights as a guide to achieve the balance of semantic and spatial information between features in different levels of the detection network.To avoid the continuous weakening of the feature information because of the increase of network layers,a feature enhancement module is proposed to capture the channel and location information related to the bird nest.Finally,transmission line UAV inspection images are used to build a bird nest dataset for training and testing.The experimental results show that the proposed transmission line bird nest detection method has strong generalization capability and applicability,and also provides technical reference for power image defect detection.This work is supported by the National Natural Science Foundation of China(No.62102373,No.61873246,No.62072416 and No.62006213).Key words:transmission lines;attention mechanism;UAV inspection;birds nest detection 0 引言 随着我国工业生产和科技规模的不断扩大，输 基金项目：国家自然科学基金项目资助(62102373，61873246，62072416，62006213)；河南省科技攻关计划项目资助(212102310053，222102320321)；河南省高校科技创新人才项目资助(21HASTIT028)电线路的数量不断增加1。近年来，由于自然环境不断改善，鸟类繁殖活动也日益频繁。然而，鸟类在输电线路铁塔的筑巢行为会对电网的安全运行构成巨大威胁2-3，因此，定期对输电线路进行巡检，及时发现并拆除鸟巢是非常有必要的。最近，无人机巡检相关技术被应用到输电线路巡检4-5，通过对航拍图像进行目标检测，可以有效识别输电线路的各类缺陷6-9，提升巡检智能化水-152-电力系统保护与控制 平。对于输电线路巡检图像中的鸟巢进行识别与定位，国内外已经开展相关研究工作，其方法主要分为两大类。1)基于传统的图像处理方法。文献10通过对图像中关键区域 HOG(方向梯度直方图)特征的提取，能够自动甄别出鸟巢区域。文献11提出利用条纹方向直方图和条纹长度直方图来描述鸟巢，并将其用到接触网中鸟巢的检测。文献12首先使用分块和聚类的方法识别铁塔区域，然后结合鸟巢的形状、颜色和纹理特征，有效识别无人机巡检图像中的鸟巢。基于传统的图像处理方法具有流程简单、计算量小的优点，由于航拍图像中鸟巢特征的不确定性导致传统的图像处理方法精度较低，难以实际应用。2)基于深度学习的方法。近年来，随着深度学习技术的不断进步13，基于卷积神经网络的目标检测方法已经被用于输电线路鸟巢检测相关领域。文献14提出一种基于 SSD 网络的输电线路铁塔鸟巢检测方法，通过使用 ResNet-101 替换原始特征提取网络和改进损失函数的方法提高准确度和召回率。文献15通过使用多种数据增广方法来解决鸟巢样本不足的问题，采用 Faster-RCNN 网络实现巡检图像中鸟巢的自动识别。文献16提出一种改进的RetinaNet 单阶段目标检测网络，通过增加特征层来扩充网络的感受野范围，提高目标较小的鸟巢检测能力。文献17提出一种基于 Cascade R-CNN 的配电网鸟巢检测方法，得益于其多阶段目标检测结构，鸟巢检测精度进一步提高。文献18通过引入金字塔池化模块改进 YOLOv3 网络，获得较好的精度，但该方法需要对鸟巢图像进行预处理，检测过程较为复杂。基于深度学习的方法得益于大规模的离线训练，能够较好地描述目标特征，与基于传统的图像处理方法相比，检测精度得到大幅提升。然而，由于输电线路巡检图像中的鸟巢具有多样性和随机性，且鸟巢的形态、尺度多变，上述研究方法并没有对网络中关于鸟巢的特征信息进行关注和处理，导致复杂场景中区分鸟巢和背景的能力并未得到改善，难以快速准确地完成输电线路鸟巢检测工作。综上所述，关于输电线路巡检图像鸟巢检测的课题，国内外已经进行了相关研究，但其工作尚不完善，主要体现在以下两个方面。一方面，由于输电线路周围往往具有复杂的场景，导致常见的目标检测方法在提取鸟巢特征时比较困难，进而使检测性能下降，适用性受限。另一方面，随着无人机巡检的推广应用，为了更好地将模型嵌入到机载边缘计算设备，要求模型的参数规模不宜过大，检测速度需满足实时性要求。因此，迫切需要一种简洁又高效的目标检测方法来克服以上挑战。为了解决以上问题，本文提出一种基于改进YOLOv5 的输电线路鸟巢检测方法。考虑到检测网络中不同层次特征之间存在语义信息和空间信息的差异可能导致检测精度下降的问题，提出特征平衡网络(feature balance network,FBN)实现检测网络不同层次特征之间特征信息的平衡，提升复杂场景下鸟巢检测的精度。其次，为了避免因网络层数增加导致特征信息不断被弱化，提出特征增强模块(feature enhancement module,FEM)来捕获与鸟巢相关的通道关系和位置信息。最后，使用无人机巡检图像构建鸟巢数据集，并对不同的检测网络进行训练和测试。结果表明，本文提出的方法对于输电线路鸟巢检测具有较强的泛化能力和适用性，且能够满足实时性巡检需求。1 YOLOv5 目标检测网络 与其他经典的目标检测网络相比，YOLOv5 网络在检测精度和检测速度方面取得了良好的平衡，是目前最先进的目标检测网络之一19-20。YOLOv5网络的结构图如图 1 所示，其网络结构主要由三部分组成：特征提取网络、特征融合网络和预测网络。图 1 YOLOv5 网络结构图 Fig.1 Network structure diagram of YOLOv5 输入图像首先经过特征提取网络提取图像中的特征信息，并得到三个不同尺度特征的输出。特征提取网络的Focus模块(如图2(a)所示)主要用来进行切片操作，在不丢失特征信息的情况下增加特征图的通道数，并得到二倍下采样特征图。CBL 模块(如图2(b)所示)由卷积、批归一化层(batch normalization,张焕龙，等 基于改进 YOLOv5 的输电线路鸟巢检测方法研究 -153-BN)和激活层组成。局部跨阶段(cross stage partial,CSP)21(如图 2(c)、图 2(d)所示)模块采用残差学习的思想，在加深网络的同时，能够有效防止梯度消失。空间金字塔池化(spatial pyramid pooling,SPP)22(如图 2(e)所示)模块使用多个不同尺度的最大池化层来增加网络的感受野，获取不同尺度的特征。图 2 YOLOv5 网络中不同组件结构图 Fig.2 Structure diagram of different components in the YOLOv5 network 特征融合网络通过构建特征金字塔网络(feature pyramid network,FPN)23和路径聚合网络(perceptual adversarial network,