改进YOLOX算法的输电线路关键部件及缺陷检测_徐文校.pdf

1882023 adio Engineering Vol.53 No.1doi:103969/jissn10033106202301025引用格式:徐文校，张银胜，王东平，等改进 YOLOX 算法的输电线路关键部件及缺陷检测J 无线电工程，2023，53(1):188198 XU Wenxiao，ZHANG Yinsheng，WANG Dongping，et al Key Components and Defect Detection of Transmission Line Basedon Improved YOLOX J adio Engineering，2023，53(1):188198改进 YOLOX 算法的输电线路关键部件及缺陷检测徐文校1，张银胜1，2，王东平3，黄文礼4(1 南京信息工程大学 电子与信息工程学院，江苏 南京 210044;2 无锡学院 电子与信息工程学院，江苏 无锡 214105;3 中国人民解放军特种电子装备修造厂，安徽 合肥 230088;4 安徽南瑞继远电网技术有限公司，安徽 合肥 230088)摘要:输电线路作为电力系统的载体，对其进行定期巡检，在第一时间对潜在的安全隐患进行干预是电力系统稳定运行的关键所在。针对输电线路关键部件及缺陷，依托无人机巡检图像，提出了一种改进 YOLOX 的目标检测算法，进一步加强浅层特征与深层特征的融合，丰富特征图信息;添加位置注意力模块，将位置信息与通道特征进行融合，促使神经网络在更大的区域上进行注意力调节，有利于感兴趣对象的精准定位;对回归损失进行分类处理，加大难回归样本的损失占比，提高算法的检测精度。实验表明，改进后的 YOLOX 检测算法相比于原始的 YOLOX，mAP 值提高了 3.64%，证明了所提算法的真实有效性。关键词:输电线路;YOLOX;特征融合;注意力机制;损失占比中图分类号:TP399文献标志码:A开放科学(资源服务)标识码(OSID):文 章 编 号:10033106(2023)01018811Key Components and Defect Detection of Transmission LineBased on Improved YOLOXXU Wenxiao1，ZHANG Yinsheng1，2，WANG Dongping3，HUANG Wenli4(1 School of Electronic and Information Engineering，Nanjing University of Information Science Technology，Nanjing 210044，China;2 School of Electronic and Information Engineering，Wuxi University，Wuxi 214105，China;3 Chinese Peoples Liberation Army Special Electronic Equipment epair Factory，Hefei 230088，China;4 Anhui Nari Jiyuan Power Grid Technology Co，Ltd，Hefei 230088，China)Abstract:As the carrier of the power system，the key to the stable operation of the power system is to inspect the transmissionline regularly and intervene the potential security defects in the first time Aiming at the key components and defects of transmissionline，relying on unmanned aerial vehicle patrol image，an improved target detection algorithm for YOLOX is presented The fusion ofshallow and deep features is further strengthened to enrich the information of feature map The location attention module is added to fusethe location information with the channel features to promote the neural network to adjust attention in a larger area，which is conduciveto the accurate positioning of the objects of interest egression loss is classified and processed Increase the proportion of loss ofdifficult regression samples and improve the detection accuracy of the algorithm Experiment results show that the improved YOLOXdetection algorithm improves the mAP by 364%compared with the original YOLOX，which proves the effectiveness of the proposedalgorithmKeywords:transmission line;YOLOX;feature fusion;attentional mechanism;loss percentage收稿日期:20220905基金项目:国家自然科学基金(62071240，62106111);南京信息工程大学无锡研究生院创新实践项目(WXCX202106);无锡学院科研与教学改革重点课题(2020yng001，JGZD202109)Foundation Item:National Natural Science Foundation of China(62071240，62106111);Wuxi Graduate School of Nanjing University of Information Sci-ence and Technology Innovation Practice Project(WXCX202106);Wuxi University Key esearch and Teaching eform Project(2020yng001，JGZD202109)工程与应用2023 年 无线电工程 第 53 卷 第 1 期1890引言电力系统涉及国计民生，对于社会的稳定生产和人民群众的正常生活具有重要意义1。我国领土广阔无垠，作为电力系统的载体，输电线路往往需要穿越山川河流、人烟稀少的地方，复杂的地理环境加大了输电线路部件损坏的可能性。工程中，为在第一时间对损坏处进行干预，常采用定期巡检的方式对输电线路进行维护，以此来保证电力系统的稳定运行。传统的巡检方式是技术人员携带专业设备沿着输电线路行走巡视，我国输电线路总长度居世界第一，其部件损坏也存在极大的不确定性，因此人工巡检的方式有着目的性弱、耗时长、成本高以及安全隐患大等缺点。随着硬件技术的发展，无人机设备开始应用于输电线路巡检中，操控人员通过无人机对输电线路部位进行拍摄，并将图像数据传输至后台，由审核人员进行分析，这种巡检方法虽然能够避免资源浪费与安全隐患，但是对大批量的图像进行肉眼审查，会存在严重的漏检、错检，同时巡查的结果也会随着审核人员主观意向的改变而改变。为解决输电线路巡检过程中的低效率问题，许多研究学者考虑将计算机视觉技术迁移到输电线路巡检中，通过相关图像处理算法对无人机拍摄的高清图像进行分析，Liao 等2 提出了一种基于机器学习的绝缘子检测方法，采用多尺度的描述子获得局部特征，通过匹配原则检测出绝缘子。吴华等3 通过改进密度空间聚类算法，大幅度改善了图像中目标边界部分被当作背景处理的情况，提高了巡检图像的目标分割精度。张桂南等4 对待测图像进行Harris 角点检测和模糊聚类等，得到绝缘子边缘轮廓，然后利用谱聚类实现绝缘子的破损检测。以上几种输电线路器件或缺陷的检测方法都是基于传统的图像识别实现，识别过程需要人工参与，即通过分析图像，手动设计特征进行提取，过程较繁琐，同时这些方法大都是针对特定的环境进行设计，鲁棒性以及泛化能力等较弱。近年来，深度学习的兴起使得计算机视觉技术有了快速发展，作为计算机视觉领域的重要分支，目标检测技术在许多工程项目中落地应用，如混泥土裂缝检测5、路面破损检测6 和可见光船舰检测7 等。基于深度学习的目标检测方法，采取端到端的训练方式，能够自适应提取特征，鲁棒性更好。目前，大多数先进的目标检测算法按照是否预先产生感兴趣区域被划分为单阶段目标检测算法和双阶段目标检测算法。单阶段目标检测算法检测速度快，能够 做 到 实 时 检 测，主 要 以 YOLO 系 列(v1 v5)812 为代表，除此之外 SSD13 和 FSSD14 等也在诸多领域中广泛应用;双阶段目标检测算法以 Fast-CNN15 和 Faster-CNN16 为主，检测精度相对较高。得益于这些算法的优秀表现，许多研究者已经将目标检测技术与输电线路巡检相结合，通过相关算法对无人机拍摄到的高清图像进行智能分析，其中绝缘子类的目标及缺陷被国内外学者研究较多。Zhang 等17 将绝缘子的检测划分为 2 段，即先通过YOLOv5 算法检测出绝缘子，然后将检测到的绝缘子进行切割并送入由 VGG16 和 SPP 组成的级联网络中进行最终的缺陷检测，2 段式的检测方法能够有效提升精度，但是检测速度较慢。Li 等18 将Faster-CNN 与 PN 网络相结合，能够识别小型的绝缘子自爆目标，邱灵华等以 Faster-CNN 网络为基础，并采用 IOU 阈值级联结构，对绝缘子类缺陷进行检测，mAP 值达到851%;Liu 等19 提出一种浅层神经网络结构中的特征信息重复利用及传播的思想，并对 YOLOv3 算法进行针对性改进，解决了不同背景下的绝缘子检测问题。王凯等20 提出了一种GC-SPP-YOLOv3 算法，对于绝缘子类缺陷的识别率为 898%。冉奇21 基于 Faster-CNN 算法，增加锚框类型进行改进，改进后的算法对绝缘子的识别率达到 8497%。Zhang 等22 为减少模型参数，提高运算速度，对 YOLOv3 模型进行精细化裁剪，裁剪后的模型推理速度虽得到较大提升，但识别率也有一定程度的下降。还有一部分学者对输电线路中其他部件及缺陷的检测进行了研究，汤踊等23 基于神经网络，对常见的均压环的检测进行研究，但效果不佳。戚银城等24 在 Faster-CNN 的基础上嵌入了注意力机制，对于螺栓类缺陷的识别，mAP 值为8205%。邱志斌等25 建立 YOLOv4 网络模型，并引入数据增强等策略，对电网涉及的 20 类鸟的识别精度达到922%。少部分学者对多类部件或缺陷的检测展开了研究，杨罡等26 使用深度可分离卷积与多尺度特征融合方法实现了对绝缘子、悬垂线夹和防震锤3 类部件的识别，mAP 值达到 86%。戚银城等27 基于 SSD 模型，通过数据增强，改进 IOU 等优化方法，在均压环、重锤等目标上的平均识别率达到7564%。Li 等28 在全卷积网络结构基础上，加入可变形卷积等组件，对绝缘子、防震锤、均压环与悬垂线夹 4 类对象的缺陷进行检测，识别精度达到工程与应用1902023 adio Engineering Vol