一种改进注意力机制的输电线路防外破隐患检测方法研究

廖承就，张磊，张惠荣，陈华超，郑路铭

（1.广东电网有限责任公司惠州供电局，广东 惠州 516000；2.广州中科智巡科技有限公司，广东 广州 510623）

输电线路铁塔大多分布在荒野地带，线路分布广、由于线路“无围墙”容易导致线路周边第三方施工、人为破坏、重车碾压等隐患，因此需要投入很大成本在输电线路巡检等安全防护上。现在主要采用人工徒步巡线、无人机巡线、人工监控摄像头等判断是否存在外力破坏危险的手段。

近年来，智能图像视频监控技术被广泛应用于输电线路场景下的施工机械入侵报警任务中，但是，其对小目标及遮挡目标的识别效果有待提升。本文通过引入CBAM 模块，添加了注意力机制方法,设计了Fusion-CBAM 用于增强算法实现，为输电线路安全隐患分析提供基础。

1 相关理论

1.1 目标检测模型

YOLOv5 包含3 个不同尺度的yolo head,每个yolo head 上预设了3 种锚框比例，在同类型算法上具有速度以及精度的优势。

1.2 CBAM 注意力机制

CBAM 是一种混合注意力机制方法，是网络的一种构型，当输入是一组长度可能会发生变化的向量时，实际训练的时候无法充分发挥这些输入之间的关系而导致模型训练结果效果极差，可以嵌入任何主干网络中，以提高算法的性能。

2 本文算法

2.1 端到端的检测算法

YOLOv5 整体模型结构如图1 所示，具备以下的优点：（1）基于CSPDarknet53 网络的干网络结构设计。（2）对特征金字塔网络（FPN）进行了改进，结合了路径聚合网络（PANet）。（3）检测头网络进行特征映射，这一步主要对融合后的特征图进行，输出图像中缺陷目标的位置信息和类别信息。如图1 所示。

图1 网络主体结构

2.2 改进算法过程

为了充分利用网络的注意力，更好地检测出被遮挡的施工机械防外破隐患，通过设计一种融合的CBAM 模块并将其添加进添加进网络中，如图2。

图2 CBAM 注意力机制

Fusion-CBAM 分别由融合空间注意力模块以及融合通道注意力模块的计算公式可表示为：

2.3 自适应锚框计算

在YOLOv5 在训练时对锚框进行相应的计算，其主要方法如下所示：

（1）计算数据集中所有样本的宽和高。（2）对图片进行压缩，根据预设好的压缩尺寸进行处理。（3）修改框的坐标，由相对坐标改为绝对坐标。（4）筛选符合一定像素值的标注框，过滤像素值不足的部分。（5）使用k 均值聚类三方得到锚框的计算结果。

2.4 损失（Loss）函数设计

2.4.1 定位损失

定位损失函数如下式：

回归残差定义如下：

2.4.2 分类损失

分类损失（Focal loss）通过添加不同的权重给到不同标注数据的Loss，来解决对分类算法问题中的类别不平衡，分类难度相差异较大的情况。交叉熵函数可表示为：

3 实验过程与结果分析

3.1 数据集分拣、标注与数据集划分

通过采集监控数据，标注的信息包含类别名称和位置信息Xmin、Ymin、Zmin、Xmax、Ymax、Zmax。将数据按照3∶1∶1 的数量比例划分。

3.2 测试设备与软件环境

配置4 核以上处理器CPU 设备，使用Tesla T4 显卡设备进行试验。

3.3 测试精度

算法实验结果，如表1 所示。

表1 算法实验结果

如图3 所示，对目标物体进行检测。

图3 算法检测图示

4 结语

针对复杂场景下的目标遮挡问题，设计Fusion-CBAM 注意力模块改进YoloV5 算法。通过改进的方法提升了算法对遮挡目标的识别检测的性能。该算法相比改进前的分析方法大大提高了召回率。对视频监控的智能化算法具有很好的实用价值。结合该算法的日常巡检系统，已经部署使用，提升了日常巡视的效率。