基于改进YOLO5的输电线路风筝线检测

国网江苏省电力有限公司南通供电分公司 陈晓建 顾 嘉 彭 龙 缪鹏彬

近年来，随着国家全民健身运动的开展，放风筝运动推广的力度不断增大，越来越多的人在城郊的输电线路附近放风筝，给输电线路运行带来了极大的安全隐患[1]。当前的风筝线主要由尼龙、纺织棉绳、钢丝线和钓鱼线组成[2]，若在距离输电线路300米内的警戒区域，风筝线一旦在输电线路上缠绕，钢丝线将直接引起相间短路或者单相接地事故[3]；其它类型的风筝线将在受潮或下雨天气变成导体，从而引发输电线路安全事故[4]，因此，亟需开展输电线路的风筝线检测。

国内外许多学者对输电线路风筝线检测做了大量研究。文献[5]中，提出了一种基于深度学习的输电线路风筝检测方法，通过异物对抗图像识别模型，实现了输电线路的风筝线识别，识别的有效性达70%；文献[6]中，提出了一种基于Faster R-CNN的输电线路风筝检测方法，针对风筝线识别样本数量不足的问题，采用了Faster R-CNN 获取输电线路风筝线数据，并采用数据增强方法提高对风筝线的识别能力。文献[7]中，提出了一种基于激光测距与雷达结合的输电线路风筝检测方法，通过毫米波雷达实现了输电线路风筝线的检测，由此可见，输电线路风筝线检测方法多样，但风筝线较细，上述研究中的识别成功率不高。

为解决输电线路风筝缠绕的问题，文中提出了一种基于改进YOLO5的输电线路风筝线检测方法，首先，无人机摄像头采集输电线路的图像数据；其次通过局部特征检测获取输电线路异常物体特征，然后，采用改进YOLO5算法对输电线路风筝进行检测。

1 输电线路风筝线检测

文中所述的基于改进YOLO5的输电线路风筝线检测主要包括基于无人机的输电线路视频采集、异常物体特征检测、输电线路风筝线检测三部分内容。

图1 输电线路风筝线检测框架图

在输电线路视频采集环节，首先通过无人机摄像头采集输电线路的视频情况，然后对输电线路的视频特征信息进行提取。在异常物体特征监测环节，首先加载输电线路的视频特征，然后采用局部特征检测方法进行输电线路异常物体特征检测。在输电线路风筝线检测环节，采用改进YOLO5算法对输电线路风筝进行检测，并对发现的风筝线进行告警。

2 输电线路风筝线检测模型

2.1 输电线路视频采集

输电线路高清视频由无人机上的高清摄像头进行拍摄。无人机的工作模式分为人工控制和自主导航两种。人工控制模式，顾名思义是指由操作人员直接操控无人机的飞行线路开展巡查。通常使用地面控制站来预先布置无人机的飞行位置，或采用手动遥控器控制飞行，可直接目视无人机飞行位置。无人机人工控制的优势是可以直观的看到输电线路的风筝线异物情况，对于发现图像异常后，无人机操作人员可以驾驶无人机到到异常点附近进行近距离观察，并拍摄高清图像，避免出现因图像质量不清晰，造成的输电线路风筝线检测错误问题。自主导航模式则是指预先设置好无人机的飞行路线，由无人机全自主或半自主控制飞行来开展预先设定好的飞行巡视任务，该方法的优点是无需人工干预，但在光线不好的天气情况下，因图片质量不高，会存在输电线路风筝线漏检的情况。

对于风筝线检测而言，现阶段主要使用第一种方式，即人工控制模式，使用人工操纵无人机实行视屏采集。

在图像检测领域中，方向梯度直方图（Histogram of oriented gradient,HOG）是一种无人机输电线路视频特征点提取方法，HOG 方法采用输电线路无人机视频的局部梯度信息来统计输电线路风筝线视频特征，可以在一个输电线路风筝线检测的网格中获得统一大小的细胞单元，同时，采用重叠局部特征的对比归一方法提高输电线路风筝线检测的图像特征点检测能。

因此，在通过无人机巡视获得输电线路视频数据后，采用HOG 图像特征点提取方法，对输电线路的特征信息进行提取。

2.2 异常物体特征检测

局部特征检测方法尺度不变特征变换（Scale Invariant Feature Transform,SIFT）是一种图像处理算法，通过图像中的尺度不变特征检测出输电线路异常物体的特征，在SIFT 检测中，因为部分输电电路风筝线图片有一些特征不受光照、图像偏转等因素影响，例如是风筝线的边缘角点、暗区域的亮点，该方法通过搜索尺度空间的输电线路风筝线图像位置，通过高斯微分函数来识别图像的SIFT特征。然后通过定位输电线路风筝线图片的关键点和部分的特征方向，在每个输电线路风筝线的关键位置精细拟合来确定位置和尺度。然后依据图像的稳定度，分配给每一个输电线路风筝线检测的多个方向，并进行输电线路风筝线尺度和位置的变换。并通过输电线路风筝线关键点的特征向量，模拟出互相对于的输电线路风筝线图片特征点，建立输电线路风筝线特征的对应关系。因此，该文采用SIFT算法进行异常物体特征检测。

首先，对无人机摄像头采集的视频特性信息提取数据进行视频特征加载，然后采用SIFT 算法搜索输电线路上异常物体的图像位置，其次，通过SIFT算法的高斯函数[8]对输电线路异常物体的图像进行旋转，对输电线路异常物体进行大小和亮度的变化，从而完整的判读异常物体的特征。最后，生成输电线路异常物体图像清单。

2.3 输电线路风筝线检测

YOLO5算法是一种输电线路图像数据的单阶段的目标图像检测算法，该算法在YOLO4算法的基础上提升了输入端、基准网络的手段，从而提高了输电线路异常物体检测的速度与精度。该算法中，输入端的模型训练增加了数据增强和输电线路异常物体图片缩放功能。在基准网络检查中增加了Focus输电线路图像检测结构，在输出层，改进了输电线路异常物体检测训练函数的损失函数，提高数据分析的精准度，因此，文中采用YOLO5算法进行风筝线检测。

在输电线路异常物体图像的清单上，采用YOLO5算法进行风筝线的图像检测。首先在输入端加载输电线路异常物体信息时，通过Mosaic 输电线图图片数据增强，提高数据输入的质量。即YOLO5输电线路风筝线检测算法的输入端中，放入输电线路风筝线图像数据，在输入端进行图像预处理，通过输电线路风筝线的图像缩放，进行所有图片的归一化处理，然后通过输电线路风筝线检测网络训练，提升输电线路风筝线检测线的检测数据的模型的判断精度。

其次，在基准网络Focus 结构中，融入了多种检测算法，提高了风筝线识别的可靠性，在YOLO5输电线路风筝线检测算法的基准网络中，通过风筝线图像处理性能的优异性能，提取通用信息，并建立输电线路识别基准架构，使用相关的输电线路风筝线检测结构作为基准网络。输电线路风筝线检测算法Neck 网络中，该网络在基准网络与输电线路风筝线检测头网络的中间，利用该网络，提升输电线路风筝线检测的鲁棒性和特征多样性。

在输出层中，通过训练损失函数的改进，提高了输电线路风筝线检测的精准性。在输电线路风筝线检测算法Head 输出端中，针对不同的输电线路风筝线检测图片，归属不同的回归分支数据，提高输电线路风筝线检测的精度。

3 算例分析

为验证文中所提基于改进YOLO5的输电线路风筝线检测有效性，在某输电线路应用文中所提方法。输电线路的视频图像采用720P，处理算例用的计算机操作系统为win10，处理器为4核心3.2G，内存为16GB。

3.1 输电线路风筝线检测时长

输电线路风筝线检测时长是衡量文中所提基于改进YOLO5的输电线路风筝线检测的运行能力的指标，该指标的计算方式是无人机拍摄输电线路风筝线视频数据后，到生成检测结果的时间，输电线路风筝线检测时长越短，说明该指标性能越好。

选择输电线路风筝线的视频图像数量为100、200、300、400、500、600、700、800和1000个，对比文中所提基于改进YOLO5的输电线路风筝线检测方法与业界广泛使用的Faster R-CNN 输电线路风筝线检测时长，对比结果如表1所示。

表1 输电线路风筝线检测时长对比表

由表1可见，文中所提基于改进YOLO5的输电线路风筝线检测方法在视频图像检测时长方面优于Faster R-CNN 输电线路风筝线检测方法，说明基于改进YOLO5的输电线路风筝线检测方法性能更优。

3.2 输电线路风筝线识别准确率

输电线路风筝线识别准确率是为了判断文中所提模型的处理能力。其计算方式为识别正确的输电线路风筝线数量和总的风筝线数据之百分比。文中采用改进YOLO5算法识别风筝线的数量和人工识别风筝线的数量进行比较。该指标的取值范围是0-100%，其取值越大，说明该指标的准确率越高。

选择的输电线路风筝线视频数量分别为100、200、300、500、600、900、1000个，对比文中所提基于改进YOLO5的输电线路风筝线检测与Faster R-CNN 输电线路风筝线检测的准确性，对比结果如图2所示。

图2 输电线路风筝识别准确率对比表

由图2可见，文中所提基于改进YOLO5的输电线路风筝线检测有效性高于Faster R-CNN 输电线路风筝线检测方法。

4 结语

为解决输电线路风筝缠绕的问题，文中提出了一种基于改进YOLO5的输电线路风筝线检测方法，在用无人机高清摄像头采集输电线路视频的基础上，通过局部特征检测获取输电线路异常物体特征，然后采用YOLO5算法对输电线路风筝进行检测。在输电线路实际应用中的情况表面，该算法的有效率高于Faster R-CNN 输电线路风筝线检测方法。

下一步，将在配电线路上应用文中所提方法。