基于改进YOLOv5的输电线路鸟巢检测方法研究

张焕龙，齐企业，张 杰，王延峰，郭志民，田杨阳，陈富国

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)

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。

输电线路；注意力机制；无人机巡检；鸟巢检测

0 引言

随着我国工业生产和科技规模的不断扩大，输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

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, 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

最后将特征融合网络的输出送入预测网络进行目标分类和边界框回归，通过非极大抑制(non- maximum suppression, NMS)方法保留置信度最高的预测框，完成整个目标检测过程。

2 方法设计

为了解决复杂场景中现有输电线路鸟巢检测方法适用性较差的问题，通过设计特征平衡网络和特征增强模块并将其应用于YOLOv5网络，提出一种基于改进YOLOv5的输电线路鸟巢检测方法。

2.1 整体框架

本文中使用的方法是在YOLOv5网络的基础上，并根据任务的特征进一步改进的。基于改进YOLOv5的输电线路鸟巢检测方法框架图如图3所示。整个输电线路鸟巢检测方法的框架由输入端、特征提取网络、特征融合网络和输出端4部分组成。

图3 基于改进YOLOv5的输电线路鸟巢检测方法框架图

特征提取网络对输入的巡检图像逐层提取特征，由于不同层次特征的功能不同，高层特征包含更多的语义信息有利于鸟巢与背景的区分，而低层特征包含更丰富的空间信息对于鸟巢的定位是必不可少的，因此，特征提取网络同时保留高、中、低三个不同层次的特征作为输出。

输出端与原始YOLOv5网络一致，利用输入特征图对鸟巢与背景进行分类，并用矩形检测框表示鸟巢的位置。

2.2 特征平衡网络

在检测网络中，对不同尺度特征的融合是提高检测性能的一个重要手段。高层特征具有更多的语义信息，但是分辨率很低，对鸟巢细节的感知能力较差；低层特征分辨率更高，包含更多的鸟巢位置、细节信息，但是由于经过的卷积层数较少，其语义性更低，噪声更多。如何弥补这两者的缺点，并将它们进行高效融合，是提升复杂场景下鸟巢检测模型性能的关键。

图4 特征平衡网络结构图

特征平衡网络通过这样的方式很好地弥补了不同层次特征之间的信息差距，在不过多增加网络计算量的情况下显著提高复杂场景中鸟巢特征的提取性能。

1) 通道注意分支

在特征图中，不同的通道通常代表着不同的目标。通道注意机制能够自适应地重新校准每个通道的重要性，可以看作是一个目标的选择过程。通道注意分支利用高层特征图计算通道权值对低层特征图进行引导，这有助于低层特征图更好地区分鸟巢与背景。

图5 通道注意分支

2) 空间注意分支

空间注意机制可以看作是一种适应性的空间位置选择机制。空间注意分支利用低层特征计算空间权值对高层特征进行引导，这有助于高层特征图更好的获取鸟巢的位置信息。

式中：AvgPool和MaxPool分别表示平均池化和最大池化；表示卷积核大小为的卷积操作。

2.3 特征增强模块

由于网络层数的不断加深导致目标特征信息不断被弱化，使得网络难以利用鸟巢特征进行准确的定位与分类，因此限制了YOLOv5在复杂场景中的检测性能。为了进一步细化特征的表示，提出基于坐标注意力机制(coordinate attention mechanism, CAM)[25]的特征增强模块。坐标注意力机制可以准确获取巡检图像的通道关系和位置信息，帮助网络关注图像中与鸟巢相关的特征，抑制无关特征，达到增强特征信息的目的。

宽度为的特征池化过程为

图7 特征增强模块结构图

综上，特征增强模块对于融合后的特征图分别沿水平方向和垂直方向计算注意力，这种编码的过程可以帮助特征图提取目标特征信息，让网络注意到不易检测的目标，增强检测能力。

3 实验

3.1 方法实现

本文采用Intel Core i7-9700k@3.60 GHz，NVIDIA Quadro RTX 4000 8 G硬件平台实现基于改进YOLOv5的输电线路鸟巢检测方法，具体步骤如下所述。

步骤1：基于Python 3.6、CUDA10.0和Pytorch 1.2.0软件环境搭建改进的YOLOv5检测模型，通过加载预训练参数的方式加快模型收敛。

步骤2：采集无人机输电线路巡检图像并进行数据增强，然后使用labelimg软件对图像进行标注，划分训练集和测试集。

步骤3：将训练集接入改进的YOLOv5模型进行训练，损失函数包括分类损失、定位损失和置信度损失。初始学习率设置为0.001，采用Adam算法更新网络权重，批处理样本数设置为16。

步骤4：通过不断迭代得到最优参数模型，实现输电线路鸟巢检测。利用测试集对模型进行测试，采用均值平均精度(mean average precision, mAP)作为检测性能的评价指标，参数规模和检测时间(ms)作为检测效率的评价指标。

3.2 数据集详细说明

本文使用河南省输电线路无人机航拍图像进行实验，不同场景下的鸟巢样本如图8所示。获取的巡检图像包含各种具有挑战性的鸟巢目标，如复杂背景、遮挡和小目标等，以更好地评估不同方法的适用性和鲁棒性。

图8 不同场景下的鸟巢样本

为了减少网络过拟合现象的发生，使训练后的模型能够获得更好的检测结果，采用随机亮度、添加高斯噪声等多种数据增强方法对初始采集图像进行扩充，最终得到3328幅增强图像。最后，将整个数据集按照7:3的比例随机划分为训练集和测试集。

3.3 结果与分析

为了评估不同改进策略对YOLOv5检测性能的影响，在鸟巢数据集上进行对比实验，改进前后的模型采用相同的训练策略和评估标准以便进行公平的比较，检测效果如表1所示。

表1 YOLOv5不同改进策略的检测效果对比

由表1可以看出，测试集鸟巢目标数量为1120个，原始YOLOv5方法能够检出1015个，基于特征平衡网络改进的YOLOv5(FBN-YOLOv5)和基于特征增强模块改进的YOLOv5(FEM-YOLOv5)检出个数分别为1035个和1037个，mAP值分别提升2.58%和2.21%，检测性能的提升较为明显。FBN- YOLOv5考虑到两个特征之间包含语义信息和空间信息的差异性，通过特征平衡网络可以得到同时包含语义和空间两种信息的特征图，实现更好的特征表示，因此检测精度获得提升。FEM-YOLOv5结合坐标注意力机制，帮助网络具备特征选择能力，避免因网络的不断加深导致目标特征信息不断被弱化的问题。值得注意的是，将以上改进同时应用于YOLOv5(FF-YOLOv5)，检测性能得到进一步的提升，其检出个数为1038个，mAP值提升4.19%，证明本文方法的有效性和可行性。

为了更好地显示改进前后的YOLOv5在输电线路鸟巢数据集上的检测效果，图9(a)和图9(b)分别展示了YOLOv5与FF-YOLOv5的可视化结果。

由图9可以得出以下结论：原始的YOLOv5方法在面对复杂场景时容易出现漏检，这是因为在复杂场景中，关于鸟巢的特征信息难以被网络挖掘，进而降低了网络的泛化能力；而改进后的YOLOv5方法利用特征平衡网络和特征增强模块增强特征信息的表示，使得网络具备鸟巢目标特征选择能力，获得更好的检测效果。

图9 YOLOv5和FF-YOLOv5的检测结果示意图

考虑到实际电力巡检对模型复杂度和实时性的要求，本文对不同改进策略的网络参数规模和检测时间进行对比，结果如表2所示。

表2 YOLOv5不同改进策略的检测效率对比

由表2可以看出，基于特征平衡网络改进的YOLOv5和基于特征增强模块改进的YOLOv5的参数规模和检测时间都有一定程度的增加，但是增加不明显。此外，二者的综合作用FF-YOLOv5的参数规模相较于YOLOv5只增加0.27×106，而检测时间仅仅增加了2.1 ms，保证了网络模型的轻量化和实时性。

为了验证本文提出的FF-YOLOv5方法与其他经典目标检测方法的优越性，在相同数据集下对不同检测网络进行训练和测试，实验结果如表3所示。

表3 不同检测方法的测试结果

从表3可以看出，基于Faster R-CNN、SSD的鸟巢检测方法由于基础网络框架的限制，检测精度较低，难以实际应用；基于YOLOv3的鸟巢检测方法由于采用更深的特征提取网络和多尺度预测的方法，获得了较好的检测精度；基于Retinanet的鸟巢检测方法由于采用更深的网络结构并解决正负样本不均衡的问题，提升了网络的性能。但是以上两种方法存在参数规模过大的短板，难以满足无人机巡检的轻量化需求；基于YOLOv5的鸟巢检测方法在参数规模和检测精度方面取得理想的效果，而改进后的YOLOv5方法在参数规模和检测精度之间取得了更好的平衡，能够满足无人机实时巡检需求。

为了进一步验证FF-YOLOv5方法的适用性和鲁棒性，选择包含多种典型场景的航拍图像来展示其可视化性能，如图10所示。

具体而言，复杂背景下的实验效果如图10(a)所示。尽管树木错综复杂，且颜色与鸟巢相似，但FF-YOLOv5方法仍能正确检测出鸟巢所在的位置；图10(b)显示鸟巢被铁塔遮挡的实验效果，虽然鸟巢轮廓不够清晰，但鸟巢依然能被准确定位；图10(c)由于受图像采集设备、拍摄距离等因素的影响，鸟巢在整个图像中所占的比例可能很小，FF-YOLOv5仍展现出良好的检测效果。

4 结论

本文提出一种基于改进YOLOv5的输电线路鸟巢检测方法，有效地提高了鸟巢的检测精度。该方法具有以下的特点。

1) 了解决复杂场景下现有输电线路鸟巢检测方法适用性较差的问题，提出特征平衡网络和特征增强模块对YOLOv5进行改进，实现鸟巢检测精度的提升。

特征平衡网络包含通道注意分支和空间注意分支，在通道注意分支，高层特征通过为低层特征提供通道注意掩码来引导低层特征，从而获得一个具有语义信息的低层特征图；在空间注意分支，低层特征生成一个空间注意掩码来引导高层特征，从而获得一个具有空间信息的高层特征图。通过这样的方式很好地弥补了不同层次特征之间的信息差距。

特征增强模块结合坐标注意力的思想，沿水平方向和垂直方向计算注意力，能够准确获取巡检图像的通道关系和位置信息，帮助网络关注图像中与鸟巢相关的特征，抑制无关特征。

2) 基于改进YOLOv5的鸟巢检测模型的参数规模为27.22×106，检测时间仅为22.2 ms，能够满足无人机边缘设备对于模型轻量化、实时性的需求。

本文提出的方法能够高效地完成多种不同输电线路场景下的鸟巢检测任务，具有良好的工程应用价值。此外，本文提出的基于改进YOLOv5的目标检测方法同样适用于其他电力图像缺陷的检测，如绝缘子破损、防震锤缺失等。

[1] 张瑶, 王傲寒, 张宏. 中国智能电网发展综述[J]. 电力系统保护与控制, 2021, 49(5): 180-187.

ZHANG Yao, WANG Aohan, ZHANG Hong. Overview of smart grid development in China[J]. Power System Protection and Control, 2021, 49(5): 180-187.

[2] 王少华, 叶自强. 架空输电线路鸟害故障及其防治技术措施[J]. 高压电器, 2011, 47(2): 61-67.

WANG Shaohua, YE Ziqiang. Analysis of bird damage accidents on overhead transmission lines and prevention techniques[J]. High Voltage Apparatus, 2011, 47(2): 61-67.

[3] 李长看, 卢明, 庞锴, 等. 河南输电线路涉鸟故障分布特征及分级研究[J]. 高压电器, 2015, 51(12): 48-54.

LI Changkan, LU Ming, PANG Kai, et al. Distribution characteristics and classification of bird fault in Henan transmission line[J]. High Voltage Apparatus, 2015, 51(12): 48-54.

[4] 刘跃波, 马立新. 电力巡检无人机避障技术研究[J]. 电子测量技术, 2019, 42(13): 1-5.

LIU Yuebo, MA Lixin. Research on obstacle avoidance technology of electric patrol UAV[J]. Electronic Measurement Technology, 2019, 42(13): 1-5.

[5] 麻卫峰, 王成, 王金亮, 等. 基于激光点云的高压输电线覆冰厚度反演[J]. 电力系统保护与控制, 2021, 49(4): 89-95.

MA Weifeng, WANG Cheng, WANG Jinliang, et al. Inversion of ice thickness for high voltage transmission line based on a LiDAR point cloud[J]. Power System Protection and Control, 2021, 49(4): 89-95.

[6] LIU Chuanyang, WU Yiquan, LIU Jingjing, et al. Insulator faults detection in aerial images from high-voltage transmission lines based on deep learning model[J]. Applied Sciences, 2021, 11(10).

[7] 隋宇, 宁平凡, 牛萍娟, 等. 面向架空输电线路的挂载无人机电力巡检技术研究综述[J]. 电网技术, 2021, 45(9): 3636-3648.

SUI Yu, NING Pingfan, NIU Pingjuan, et al. Review on mounted UAV for transmission line inspection[J]. Power System Technology, 2021, 45(9): 3636-3648.

[8] 顾晓东, 唐丹宏, 黄晓华. 基于深度学习的电网巡检图像缺陷检测与识别[J]. 电力系统保护与控制, 2021, 49(5): 91-97.

GU Xiaodong, TANG Danhong, HUANG Xiaohua. Deep learning-based defect detection and recognition of a power grid inspection image[J]. Power System Protection and Control, 2021, 49(5): 91-97.

[9] 何宁辉, 王世杰, 刘军福, 等. 基于深度学习的航拍图像绝缘子缺失检测方法研究[J]. 电力系统保护与控制, 2021, 49(12): 132-140.

HE Ninghui, WANG Shijie, LIU Junfu, et al. Research on infrared image missing insulator detection method based on deep learning[J]. Power System Protection and Control, 2021, 49(12): 132-140.

[10] 段旺旺, 唐鹏, 金炜东, 等. 基于关键区域HOG特征的铁路接触网鸟巢检测[J]. 中国铁路, 2015(8): 73-77.

[11] WU Xiao, YUAN Ping, PENG Qiang, et al. Detection of bird nests in overhead catenary system images for high-speed rail[J]. Pattern Recognition, 2016, 51: 242-254.

[12] 徐晶, 韩军, 童志刚, 等. 一种无人机图像的铁塔上鸟巢检测方法[J]. 计算机工程与应用, 2017, 53(6): 231-235.

XU Jing, HAN Jun, DONG Zhigang, et al. Method for detecting bird’s nest on tower based on UAV image[J]. Computer Engineering and Applications, 2017, 53(6): 231-235.

[13] MASITA K L, HASAN A N, SHONEWE T. Deep learning in object detection: a review[C] // 2020 International Conference on Artificial Intelligence, Big Data, Computing and Data Communication Systems (icABCD), August 6-7, 2020, Durban, South Africa: 1-11.

[14] 祁婕, 焦良葆. 改进SSD的输电铁塔鸟窝检测[J]. 计算机系统应用, 2020, 29(5): 202-208.

QI Jie, JIAO Liangbao. Bird nest detection on transmission tower based on improved SSD algorithm[J]. Computer Systems & Applications, 2020, 29(5): 202-208.

[15] LI Fan, XIN Jianbo, CHEN Tian, et al. An automatic detection method of bird’s nest on transmission line tower based on faster_RCNN[J]. IEEE Access, 2020, 8: 164214-164221.

[16] 刘国文, 张彩霞, 李斌, 等. 基于改进RetinaNet模型的接触网鸟巢检测[J]. 数据采集与处理, 2020, 35(3): 563-571.

LIU Guowen, ZHANG Caixia, LI Bin, et al. Detection of birds’ nest in catenary based on improved RetinaNet model[J]. Journal of Data Acquisition and Processing, 2020, 35(3): 563-571.

[17] 赵锴, 李继东, 黄佳, 等. 基于Cascade R-CNN的配电网鸟巢检测[J]. 浙江电力, 2021, 40(3): 73-78.

ZHAO Kai, LI Jidong, HUANG Jia, et al. Bird nest detection in distribution network based on cascade R-CNN[J]. Zhejiang Electric Power, 2021, 40(3): 73-78.

[18] 屈志坚, 高天姿, 池瑞, 等. 基于改进的YOLOv3接触网鸟巢检测与识别[J]. 华东交通大学学报, 2021, 38(4): 72-80.

QU Zhiqiang, GAO Tianzi, CHI Rui, et al. Detection and recognition of bird nests in overhead catenary systems based on improved YOLOv3[J]. Journal of East China Jiaotong University, 2021, 38(4): 72-80.

[19] ZHOU Fangbo, ZHAO Huailin, NIE Zhen. Safety helmet detection based on YOLOv5[C] // 2021 IEEE International Conference on Power Electronics, Computer Applications (ICPECA), January 22-24, 2021, Shenyang, China: 6-11.

[20] FENG Zhiqiang, GUO Li, HUANG Darong, et al. Electrical insulator defects detection method based on YOLOv5[C] // 2021 IEEE 10th Data Driven Control and Learning Systems Conference (DDCLS), May 14-16, 2021, Suzhou, China: 979-984.

[21] WANG Chenyao, LIAO Hongyuan, WU Yuhua, et al. CSPNet: a new backbone that can enhance learning capability of CNN[C] // 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), June 14-19, 2020, Seattle, WA, USA: 1571-1580.

[22] HE K, ZHANG Xiangyu, REN S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9): 1904-1916.

[23] LIN T Y, DOLLAR P, GIRSHICK R, et al. Feature pyramid networks for object detection[C] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, July 21-26, 2017, Honolulu, HI, USA: 2117-2125.

[24] LIU Shu, QI Lu, QIN Haifang, et al. Path aggregation network for instance segmentation[C] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, June 18-23, 2018, Salt Lake City, UT, USA: 8759-8768.

[25] HOU Qibin, ZHOU Daquan, FENG Jiashi. Coordinate attention for efficient mobile network design[C] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, June 20-25, 2021, Nashville, TN, USA: 13713-13722.

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,Xi'an Jiaotong University, Xi'an 712000, China; 4. Pinggao Group Co., Ltd., Pingdingshan 467001, China)

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.

transmission lines; attention mechanism; UAV inspection; bird's nest detection

10.19783/j.cnki.pspc.220428

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)

This work is supported by the National Natural Science Foundation of China (No. 62102373, No. 61873246, No. 62072416 and No. 62006213).

2022-03-27；

2022-06-20

张焕龙(1981—)，男，博士，副教授，研究方向为模式识别、机器学习、图像处理、计算机视觉和电力人工智能；E-mail: zhl_lit@163.com

张 杰(1987—)，男，博士，讲师，研究方向为图像处理、目标检测；E-mail: 2018007@zzuli.edu.cn

王延峰(1973—)，男，通信作者，博士，教授，研究方向为智能电网通信、信息化电器、智能计算与电力系统智能化。E-mail: wangyanfeng@zzuli.edu.cn

(编辑 魏小丽)