基于改进YOLOv5的输电线路缺陷检测方法

陈雷平,段意强,瞿宏愿

1.怀化学院物电与智能制造学院,湖南 怀化 418000 2.广东电网有限责任公司惠州供电局,广东 惠州 516000 3.国网湖南省电力有限公司水电分公司,湖南 长沙 410004

0 引言

随着我国国民经济持续发展,电力系统规模日益庞大,输电线路的长度不断增加,输电线路的缺陷如绝缘子缺陷、R销缺失以及鸟巢[1-2]等也越来越多,输电线巡检工作变得越发重要。

目前,对于输电线路缺陷检测的方法主要在YOLO和Faster R-CNN的基础上进行改进。例如文献[3]在YOLOv3的基础上对网络结构进行改进,通过添加SPP[4]模块和选择新的激活函数保证模型检测精度;文献[5]在YOLOv4的基础上,引入了注意力机制、调整预设先验框 (anchor)值以及修改网络损失函数来改进模型,试验证明了改进方法能较好地识别绝缘子缺陷;文献[6]对YOLOv5s金字塔结构进行改进和添加注意力模块并取得不错的检测效果。针对复杂环境中输电线路缺陷检测精度低,难以有效处理超高分辨率的图片以及小目标检测等问题,本文提出一种基于改进YOLOv5的输电线路缺陷检测方法,主要改进内容包括以下几个方面。

1)采用带重叠率滑动窗口切图将超高分辨率的原始图片分割为低分辨率的小图片 (chip),缩小目标在不同分辨率的图片差异。

2)利用K-means 聚类算法对训练数据进行分析以获得最佳尺寸的锚框,有效提高模型的泛化能力和定位精度以及加快模型的收敛速度。

3)改进网络模型,采用双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)替换原YOLOv5的特征金字塔网络(FPN)和路径聚合网络(PAN)结构,以实现更加自由的信息交换和特征融合。

4)引入SimAM注意力模块使网络更加关注待检测的目标,来解决复杂背景对缺陷识别精度的影响。

1 YOLOv5x模型改进

1.1 带重叠率滑动窗口切图

为了保留图像细节,无人机图片为高分辨率图片。本文采用带重叠率的滑动窗口切图方法,为了避免2张小图之间的一些目标正好被分割截断,在2张小图之间设置重叠区域。

1.2 基于K-means 聚类的初始候选框

本文利用K-means聚类算法确定先验框。由于目标检测只关心先验框与候选框(box)的交并比,使用IoU作为度量更加合适。通过K-means聚类之后可以得到关于本论文数据集的9个先验框,部分如下:(53,54),(88,146),(176,128),(418,290)。

1.3 特征金字塔改进

YOLOv5版本中YOLOv5x模型采用FPN和PAN结构,只考虑了FPN输出的特征信息,并没有考虑原始的特征信息,造成在特征融合阶段存在特征信息丢失。采用BiFPN[7],即自下而上和自上而下的信息交换,实现更加自由的信息交换和特征融合。此外,BiFPN可在不同尺度上有效的聚合特征信息,从而进一步地提升目标检测的性能。

1.4 添加SimAM注意力机制

SimAM[8]是一个简单、无需参数的注意力模块,可推断特征图的三维注意力权重,为了能够成功地实现注意力,需要估计单个神经元的重要性。重要性越高的神经元在视觉处理中应被赋予更高的优先级,通过测量1个目标神经元和其他神经元之间的线性可分离性来寻找重要性高的神经元。

2 试验与结果分析

2.1 数据采集与标注

本文所用的数据集来自国网怀化分公司,采用LabelImg目标检测标注工具对图片进行标注,并将绝缘子自爆标注为missinsulator,R销缺失标注为cotter,鸟窝标注为nest。本文采用带重叠率滑动窗口切图,得到640×640分辨率的图片。

2.2 模型训练

为了说明带重叠率滑动窗口切图在处理高分辨率的有效性,本文分别在原始数据集(高分辨率图片)和chip图片数据集(低分辨率图片)上进行训练。

2.3 试验结果分析

试验分别对高分辨率和低分辨率图片进行对比说明。

首先在原始高分率图片数据集上进行对比试验。本文提出的Improved YOLOv5x方法相比于原YOLOv5x算法在单个类别下和全部类别下均取得较好的性能。在单个类别下除了绝缘子自爆其余的检测指标效果均有所提升,尤其是R销丢失检测效果提升明显;在全部类别下,Recall提高了3.8%、mAP@0.5提高了2.8%,以及mAP@0.5:0.95提高了4.2%。绝缘子自爆(missinsulator)检测方面,Improved YOLOv5x方法稍微落后原YOLOv5x算法,可能是引入过多参数导致模型复杂度增加,从而出现过拟合的现象。

在分辨率为640×640的图片数据集上进行对比试验,发现相比原YOLOv5x算法,Improved YOLOv5x算法无论在单个类别还是全部类别下均取得了较好的性能,且能够避免一些错误的检测结果,如图1所示。

(a)原YOLOv5x检测结果 (b)Improved YOLOv5x检测结果图1 不同场景下检测效果对比

图2展示了原始高分辨率图片和切图预处理图片输入Improved YOLOv5x目标检测模型后的检测效果,可以看出直接将原始超高分辨率图片输入检测模型会导致较多目标无法被正确检测出来,而采用带重叠率的滑动窗口切图预处理后,可较好地改善这种情况,使大部分缺陷能够被正确检测出来。

图2 原始高分辨率图片和带重叠率滑动窗口切图检测效果对比

为验证不同注意力模块对本文方法的影响。在同一位置上加入SE、CBAM、ECA、SimAM注意力机制的试验。试验结果表明,原YOLOv5x其Precision为91.1%,Recall为70.9,mAP@0.5为75%,mAP@0.5:0.95达到了59.6%,其加入SimAM注意力机制后效果最好,其Precision为95.2%,Recall为75.1,mAP@0.5达到了77.5%,mAP@0.5:0.95达到了61.7%。

3 结论

本文提出了一种基于改进YOLOv5的输电线路缺陷检测方法,旨在解决实际复杂环境导致绝缘子缺陷、R销缺失已及鸟巢检测精度低的问题。首先,采用带滑动窗口切图的方式将超高分辨率的原始图片分割为低分辨率的小图片,并利用K-means算法对数据进行分析以获得最佳尺寸的锚框;其次,采用BiFPN替换原先YOLOv5的特征金字塔网络,以实现更加自由的信息交换和特征融合;最后,在网络中添加SimAM注意力模块,使网络更加关注待检测的目标。经过以上操作,改进后的YOLOv5算法mAP@0.5达到了77.5%,检测效果明显提升。未来应进一步优化网络结构,以提高检测准确率和召回率,并降低漏检率。