YOLOv4在电力巡检目标检测中的应用

孙兴达 郝赫 刘远 赵园园 王一梦

摘  要：针对电力巡检对照片快速批量目标识别的业务需求，该文以YOLOv4为技术手段实现对电力巡检照片的目标检测过程。文中首先对电力巡检的训练数据集进行精确标注，后经过Darknet深度学习框架训练，试验检测达到了良好的效果。试验结果显示，该次试验检测的准确度为0.875，召回率为0.840。此目标检测效果满足部分电力巡检对图片目标检测的需求，但仍存在训练集图片数据量少以及图片中物体特征不显著等问题。

关键词：电力巡检;YOLOv4;目标检测;深度学习

中图分类号：TP391.41;TM75       文献标识码：A 文章编号：2096-4706（2020）20-0115-03

Application of YOLOv4 in Power Inspection Target Detection

SUN Xingda，HAO He，LIU Yuan，ZHAO Yuanyuan，WANG Yimeng

（Beijing Guodiantong Network Technology Co.，Ltd.，Beijing  100085，China）

Abstract：Aiming at the business needs of power inspection for rapid batch target recognition of photos，this paper uses YOLOv4 as a technical means to realize the target detection process of power inspection photos. In this paper，the training data set of power inspection is accurately labeled first，and then trained by the Darknet deep learning framework，the test and detection have achieved good results. The test results show that the accuracy of this test is 0.875，and the recall rate is 0.840. This target detection effect meets the needs of some power inspections for image target detection. However，there are still some problems，such as the small amount of image data in training set and the insignificant features of objects in the pictures.

Keywords：power inspection;YOLOv4;target detection;deep learning

0  引  言

2020年6月15日，国家电网在京举行“数字新基建”重点建设任务发布会，进一步明确“建设具有中国特色国际领先的能源互联网企业”的战略目标。如何促进信息化在传统业务中的应用，加速传统工业数字化转型升级，合理有效的发挥数字资产价值，成为当前企业转型升级、业务创新的重要突破方向。在電力能源领域，日均产生数据的量级巨大且呈快速增长趋势，以何种方式处理海量数据并保证应用落地成为重要课题。国网下属某信息科技企业以企业信息化、综合能源、智能运检三大业务板块为发展思路，以建设持续创新的能源信息化企业为发展目标。将“云大物移智链”等技术以合适的方式应用到电力行业中，一直是公司探索的方向。近年来，电力巡检智能化的热度居高不下，如巡检机器人、巡检无人机等，这些硬件设备不仅可以获取图像和视频信息，还可以对获取的信息进行快速发送、分析和处理，是重要的数据依据。伴随着数据量级的增长，如何对海量数据进行有效处理就显得异常重要。本文依托公司项目开展试验，旨在减轻一线电力从业者在巡检图片判断方面的工作负担。基于公司在电力智能巡检方面的探索和积累，模仿创新，以Yolov4作为技术手段，探索其在电力巡检目标识别中的应用，为目标识别在电力行业中的应用提供一定的参考。

1  算法简介

1.1  YOLO算法发展

YOLO算法的出现，在一定程度上解决了双阶段目标检测算法的低效问题，2016年学者Redmon等人在双阶段目标检测算法的基础上舍去算法中的候选框提取分支，进一步提高了目标检测的速度，YOLOv1由此诞生，至此基于深度学习的目标检测算法有了双阶段和单阶段之分。YOLOv1虽提高了检测速度，但其算法在物体定位方面的精确度相对较低。针对该问题，学者Redmon和Farhadi在2017年改进得到YOLOv2模型，新算法主要利用批归一化、高分辨率分类器等操作来实现模型的检测精度提升，最终将YOLO算法模型在其指定数据集上的检测精度提升了12.4%。2018年，YOLOv2的设计者使用全新设计的Darknet53残差网络，并结合特征金字塔网络进行多尺度融合预测，模型的准确率与召回率进一步提高。2020年4月23日，YOLOv4更新迭代产生，与YOLOv3算法采用FPN进行采样不同，YOLOv4借鉴PANet网络中信息流通思想，先通过FPN采样方式将高层特征的语义信息传播到低层网络，后与底层特征的高分辨率信息相融合以提高小目标检测物的检测效果，再增加从最底层到最上层的信息传输路径，通过下采样加强特征金字塔，最后用不同层的特征图融合实现相关预测[1]。

1.2  试验过程

试验输入一张待检测的电力巡检图片，如图1所示。

首先经CSPDarknet53主干特征提取网络提取该图片的3个初始特征层，分别位于CSPDarknet53的不同位置以检测小、中等大小以及较大3类目标。再对3个初始特征层进行一定的处理得到3个有效的特征层，即图1中所示shape分别为（76，76，256）、（38，38，512）、（19，19，1 024）的三层。对CSPDarknet53最后一个特征层进行三次DarknetConv2D_BN_Leaky卷积后，分别利用四个不同尺度的最大池化进行处理，从而极大地增加感受野进而分离出在本张图片中最显著的上下文特征[2]。同时，YOLOv4通过使用PANet结构可实现对电力巡检图片特征层从上到下特征的反复提取。在完成对电力巡检图片目标对象的特征提取后，利用YOLOv3 Head对获取的特征进行预测，得到三个有效特征层的预测结果，相应的shape数据也随之得出，并可明确3个预测框的位置[3]。对每个特征层进行解码后可获取预测框在原图片上的位置，再经过相关算法筛选方可将具体的检测结果绘制在原图片上，如：insulator（绝缘子）、spacer（间隔棒）、grading ring（均压环）、yoke plate（联板）等物体名称。

2  目标检测数据集整理标注

因为保密原因，目前有关电力巡检的数据集公开较少。为能够更好地进行目标检测试验，本试验研究对现有的电力巡检图片进行了收集整理，最终共汇总电力巡检图片915张，并将其中的895张图片作为本次目标检测试验的训练数据集，剩余20张作为试验的测试数据集。

数据集收集整理完成后，笔者对训练集数据进行标签标注。本试验研究使用的数据集标注工具为开源工程labelImg，采用的标注方式为分类标注，即从给定的标签集中选择合适的标签匹配给被标注的对象[4]。本次试验涉及的标签主要为insulator、spacer、grading ring、yoke plate等。对训练集数据标注完成后共生成895个PASCAL VOC格式的xml标记文件，共形成5个物体分类，具体标注实例情况如图2所示。

3  试验与结果分析

3.1  目标检测环境搭建

本次试验平台环境如下：操作系统Windows10，深度学习框架Darknet，CPU为Intel酷睿i7 10700，内存16 GB，GPU为Nvidia Geforce 1050Ti，显存为4 GB。针对本次试验的训练数据集对YOLOv4算法模型中cfg目录下的配置文件yolov4-custom.cfg的相关参数进行调整，主要的训练参数说明及设置为：

batch（每次迭代训练输入的训练样本数量）=32;sub-divisions（将每次batch数量分成subdivision对应数字的份数，各份数跑完后打包方完成一次迭代）=16;max_batches（最大迭代次数，即在训练次数达到max_batches对应数字的次数后停止学习）=10 000;steps（学习率变化的设置，一般设置为max_batches的80%和90%）=8 000，9 000;scales（与steps一起设置学习率的变化，当训练的迭代次数达到8 000次时学习率衰减10倍，9 000次训练迭代次数时学习率再次衰减10倍）=0.1，0.1。

3.2  结果分析

笔者在上述915张图片中选取了895张图片作为本次试验的训练集，在测试集上的部分检测效果如图3所示，对于不同类型的物体图像采用不同颜色方框进行标注，如物体间隔棒，模型会用框标注并注明spacer字样。

对训练集数据训练完成后，需对本电力巡检目标检测结果的准确率（Precision）与召回率（Recall）进行检验。准确率=正确检测到电力巡检物体的数量/（正确检测到电力巡检物体的数量+错误检测电力巡检物体的数量）;召回率=正确检测到电力巡检物体的数量/（正确检测到电力巡检物体的数量+漏检测电力巡检物体的数量）。本次试验共检测电力巡检图片20张，详细试验结果如表1所示，其中TP表示正确检测到电力巡检物体的数量，FP表示错误检测电力巡检物体的数量，FN表示漏检测电力巡检物体的数量。最终得出检测准确率为0.875，召回率为0.840。

4  结  论

本应用研究首先对电力巡检相关数据集收集整理，使用开源工程labelImg对训练数据集进行分类标注，后使用YOLOv4模型训练电力巡检训练数据集。本次试验检测效果良好，但主要存在以下两方面问题：训练集数据量较少，本次应用研究的训练数据集仅有895张图片数据，此数量远无法满足YOLOv4对训练集的要求，这是本次电力巡检目标检测试验准确率较低的重要原因;数据集照片中部分物体特征不显著，图片质量不高，这直接影响对不同物体的识别，物体特征不显著会直接影响模型对它们的识别。笔者认为增加电力巡检训练数据集中的图片数量是提高电力巡检目标检测准确率和召回率的重要基础，同时如何提高对特征不显著物体的检测效率是今后研究的重要突破方向。

参考文献：

[1] BOCHKOVSKIY A，WANG C Y，LIAO H Y M.YOLOv4：Optimal Speed and Accuracy of Object Detection [J/OL].arXiv：2004.10934 [cs.CV].（2020-04-23）.https：//arxiv.org/abs/2004.10934.

[2] 徐子睿，刘猛，谈雅婷.基于YOLOv4的车辆检测与流量统计研究 [J].现代信息科技，2020，4（15）：98-100+103.

[3] 谈小峰，王直杰.基于YOLOv4改进算法的乒乓球识别 [J].科技创新与应用，2020（27）：74-76.

[4] 黄健，张钢.深度卷积神經网络的目标检测算法综述 [J].计算机工程与应用，2020，56（17）：12-23.

[5] 刘舒康，唐鹏，金炜东.基于智能数据增强和改进YOLOv3算法的接触网吊弦及支架检测研究 [J].计算机科学，2020，47（S2）：178-182.

[6] 李庆忠，徐相玉.基于改进YOLOV3-Tiny的海面船舰目标快速检测 [J/OL].计算机工程：1-9（2020-11-04）.https：//doi.org/10.19678/j.issn.1000-3428.0059305.

[7] 任艳，张蕾，徐春，等.基于图像处理的人脸识别技术研究 [J].电子元器件与信息技术，2020，4（7）：81-82.

[8] 刘紫燕，袁磊，朱明成，等.融合SPP和改进FPN的YOLOv3交通标志检测 [J/OL].计算机工程与应用：1-10（2020-10-29）.http：//kns.cnki.net/kcms/detail/11.2127.tp.20201029. 1334.010.html.

[9] 律方成，牛雷雷，王胜辉，等.基于紫外成像和改进YOLOv3的瓷悬式绝缘子放电严重程度评估 [J/OL].高电压技术：1-10（2020-10-29）.https：//doi.org/10.13336/j.1003-6520.hve.20200674.

[10] 翟爱亭.分析机器视觉定位技术在工业机器人智能化中的应用 [J].电子元器件与信息技术，2020，4（6）：62-63.

作者简介：孙兴达（1994—），男，汉族，安徽蚌埠人，初级咨询师，硕士，主要研究方向：数据应用。