基于AI 视觉智能巡检系统的设计与实现

摘要：随着电力行业的快速发展和电力设施的不断更新换代，通过无人机进行智能巡检的应用范围正在逐步拓展。传统的人工巡检方式耗时长、人力成本高、巡检难度大，限制了巡检作业的效率和准确性。针对以上问题的研究，文章设计了一种基于卷积神经网络YOLOv5s模型的线路破损检测算法。YOLOv5s模型独特的CSP结构，能有效加强网络特征融合的能力。通过使用手机摄像头模拟无人机进行巡检实验，验证了该算法的可行性与准确度。

关键词：YOLOv5s模型；破损线路检测；智能巡检

中图分类号：TP391.41 文献标识码：A

文章编号：1009-3044（2024）17-0019-03 开放科学（资源服务）标识码（OSID） ：

0 引言

智慧融合是构建新型电力系统的基础保障，将为电力行业带来更高效、可靠的运行模式。国家能源局在2023年6月发布的《蓝皮书》中明确指出，在建设新型能源体系的过程中，构建新型电力系统是一项关键任务。

未来的数字电网将在人工智能、物联网、云计算和大数据等新一代数字技术的引领下不断演进[1]。在新模式、新场景的带动下，智能识别技术提升了在电网检测、巡检、应急响应、故障排查等方面的工作效率[2]。文献[3]中记录了在国内输电线路事件中由外部力量造成的故障事件占比为30%，生活中常见的破坏行为主要包括蓄意破坏、悬挂异物、树木成长压线等。当前，随着城市电力设施的快速发展，一些老街道在巡检时仍存在输电线路被遮挡、目标较小导致误检等问题[4]。电力巡检的任务包括电力资源设施及其线路的日常维护和检修，如果巡检效率低下，可能导致输电线路大面积瘫痪，带来不必要的经济损失。因此，提高电力巡检智能化水平在生活中具有不言而喻的重要性。

学者刘彦清[5]通过对比YOLO系列算法验证了在目标检测方面YOLOv5算法是较好的检测方法。针对YOLOv5s智能巡检算法，目前已有一定研究。郑良成等人[6]通过添加CA注意力机制、替换上采样模式、利用slim_neck结构等操作，得出改进的YOLOv5s模型，更具轻量化特性。在图像识别精度方面，贵向泉等人[7]对多种算法进行对比实验的结果表明，YOLOv5s 算法在精确率、平均精度等方面均有所提升。黄悦华等人[8]在原有算法的基础上引入Ghost模块，提升了对模糊输电线路图像的检测精度。闫彦辉等人[9]在YO⁃LOv5s的基础上进行稀疏训练和剪枝处理，最终得到了一个兼具检测精度与推理速度的输电线路全景检测模型。基于此，本文以卷积神经网络YOLOv5s算法为依托，设计了基于AI视觉的智能巡检系统，通过使用手机摄像头模拟无人机进行破损线路的识别和神经网络系统算法分析，能够较好地提供线路破损的位置与状况。

1 YOLOv5s 网络结构

YOLOv5s算法是YOLO系列的延伸，同时也是基于YOLOv5的最小版本，它能很好地在目标检测精度和速度这两方面取得平衡。该算法在YOLOv4的基础上引入了一些数据增强方面的改进，其中包括Mosaic 输入[10]的概念，这个概念可以轻松将多个图像组合成一个大图像，以提高YOLOv5 算法检测的准确性。YOLO算法系列一般包含4个主要模块：主干网络、特征融合模块、输入模块和输出模块。通过backbone提取图片特征，供后面的网络使用，在这一步可以根据项目的需要添加自定义的网络，使模型更加贴合实际使用。通过neck可以对主干网络提取的特征进行加工利用，用以提高模型的鲁棒性。head则用于获取网络输出，对之前提取的图片特征做出预测[11]。

YOLOv5系列在进行卷积操作的同时使用了两种CSP结构，能较好地解决微型计算机在计算瓶颈和内存消耗上存在的问题。如图1所示，以YOLOv5s网络结构为例，CSP1_X 结构主要出现在主干网络中，CSP2_X结构则常见于颈部网络中，其中X表示进行卷积操作时使用残差组件的个数[12]。CSP2结构在算法中的应用，能进一步加强网络特征融合的能力，为各种应用场景提供更加灵活高效的解决方案[13]。

2 技术实现

2.1 摄像头的选取

手机实时摄像的技术早已得到实现，最常见的两款软件分别是IP摄像头和IVcam。IP摄像头使用起来非常方便，打开局域网网址就能看到实时录制的视频，但目前这款软件只支持安卓系统。IVcam软件使用功能广泛，是一款高质量的网络摄像头软件，但需要同时下载电脑端和手机端才能使用。此外，IP摄像头软件自带回放功能，在初次检测过后，可通过查看回放，获取首次检测的视频在PyCharm中进行二次检测，以确保实验的准确性。从实用角度考虑，本项目选取IP摄像头作为实时摄像的工具。

2.2 实时检测的实现

实时检测模块通过手机后置摄像头进行模拟，实时识别图像框中的线路，并对其完整度做出预测评估。如图2所示，在打开IP摄像头的同时，需要记录局域网的地址，程序将从该地址获取图像数据进行处理。打开PyCharm并点击右上角的Edit Configuration，在Parameters 中填入以下参数值：--view-img 和--source参数，参数值填入局域网网址。再次运行项目，就可以实现在电脑上实时显示目标检测的画面。

3 实验设置与结果

3.1 实验环境

如表1所示，实验采用搭载RTX 3060 12GB显存的电脑系统，其中包括AMD 5600X处理器、32GB内存以及运行Windows 10操作系统。RTX 3060的GPU型号为GA106-302，采用了第2代NVIDIA RTX架构，即NVIDIA Ampere架构。该显卡搭载了全新的RT Core （光线追踪核心）、Tensor Core（张量核心）以及SM流式多处理器，提供了先进的AI性能。

在机器学习的训练过程中，显存大小是一个非常重要的因素。拥有12GB的显存意味着可以同时处理更大规模的数据集和模型，这就好比在一个更大的空间里能够安排更多的工人一样。对于机器学习任务而言，通常需要处理大量的数据、进行复杂的计算，因此拥有大容量的显存能够更好地支持模型的训练和推断过程，提高效率并允许处理更复杂的任务。

基于AI的智能巡检系统采用Anaconda来创建虚拟环境，Anaconda 是PyTorch 官方推荐的包管理器。相比在系统中手动配置PyTorch及其相关依赖包，使用Anaconda创建虚拟环境能够大大简化整个过程，不仅提高了开发者的工作效率，而且也降低了开发人员在程序编写中可能出现的低级错误。

3.2 数据集制作

3.2.1 利用Labelimg 制作数据集

Labelimg是一款支持3种不同标注格式的数据标注工具：VOC标签格式、YOLO标签格式和CreateML 标签格式[14]。本项目采用VOC格式对数据集进行标注，原因在于YOLO 格式展示图片的内容是一串数字，后期再次翻阅难以理解，而对于VOC格式的XML 文档，可以大概了解到所标注的图片内容。

3.2.2 数据集格式转化和划分

在实验期间，所使用的数据集大部分来自网络图片以及网络视频。在线获取的目标检测数据集资源，其标签格式绝大多数为VOC（XML格式），而YOLOv5 训练所需要的文件格式为YOLO（TXT格式）。因此，在使用图片资源前需要将带有XML格式的标签文件转换为TXT文件[15]。在训练YOLOv5s检测模型时，要记得将数据集划分为训练集和验证集。为了加快训练速度并提高模型精度，本项目选择加载预先训练好的权重来进行神经网络的训练。使用的预训练权重文件是yolov5s.pt，因为其具有更快的训练速度和更轻量级的特点。

3.3 实验模拟与结果分析

由于实验成本受限，加上所使用的终端设备的计算能力不高，因此实验选用4 400万手机摄像头模拟无人机摄像。为了验证原先所使用的YOLOv5s算法与改进之后所使用的YOLOv5s算法的有效性，对验证集进行测试，测试结果如图3和图4所示。图3中，原算法能在众多图片中寻找损坏的线路，并且已破损的线路上标显示为1，完好的线路上标显示0。图4中，将算法进行改进后，设置迭代次数为100次，将含有破损线路的图片用改进的YOLOv5s算法重新检测，在识别出破损线路之后，进一步识别线路的损坏程度。实验表明在忽略计算时长的情况下，增加迭代次数能有效提高检测精度。反之，迭代次数少，耗时则短。

4 结束语

本文提出了一种利用卷积神经网络YOLOv5s网络模型，对线路破损程度进行实时检测的方法。在电脑端搭建基于Pytorch深度学习框架，通过实时图传数据建立Pascal VOC数据集，再将数据集使用YOLOv5s 进行卷积神经网络训练，同时分析各项性能参数指标。在未来实际检测中，无人机将自动巡航拍摄画面并传入终端，终端通过YOLOv5s对视频进行检测，排查出相对老化破损的设施，并将这些数据统一导入至数据库进行汇总，最后由电力维修工人前往现场实现相关损坏位置的修复。

参考文献：

[1] 吴凯东，缪希仁，刘志颖，等.基于泛在物联的输电线路智能巡检技术综述[J].电器与能效管理技术，2020（3）：1-7.

[2] 陈学峰.智能识别技术在无人机电力巡检中的应用[J].集成电路应用，2023，40（2）：242-243.

[3] 张煜彬，方中纯.基于改进YOLOv3的输电线路外力破坏危险行为检测[J].内蒙古科技大学学报，2021，40（4）：364-369.

[4] 游越，伊力哈木·亚尔买买提，吕怡凡，等.基于改进YOLOv5 在电力巡检中的目标检测算法研究[J].高压电器，2023，59（2）：89-96.

[5] 刘彦清.基于YOLO系列的目标检测改进算法[D].长春：吉林大学，2021.

[6] 郑良成，曹雪虹，焦良葆，等.基于改进YOLOv5s的输电线路防外力破坏行为检测识别[J].计算机测量与控制，2024，32（2）：42-49.

[7] 贵向泉，秦庆松，孔令旺.基于改进YOLOv5s的小目标检测算法[J].计算机工程与设计，2024，45（4）：1134-1140.

[8] 黄悦华，陈照源，陈庆，等.基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法[J].电力建设，2023，44（1）：91-99.

[9] 闫彦辉，张楠，武建超，等.基于YOLOv5s剪枝模型的输电线路全景监测研究[J].测控技术，2023，42（1）：10-15.

[10] 池小波，张伟杰，贾新春，等.基于改进YOLOv5s的轻量级绝缘子缺失检测[J].测试技术学报，2024，38（1）：19-26.

[11] 易华辉，宋文治，黄金香，等.基于改进YOLOv5的无人机小目标检测方法研究[J].机电工程技术，2023，52（2）：139-144.

[12] 代国林.电力巡检中无人机航拍图片的鸟窝检测方法研究及应用[D].桂林：桂林电子科技大学，2023.

[13] 冀承泽，贾立新，李荆晖.基于改进YOLOv5s的两种输电杆塔缺陷检测研究[J].计算机技术与发展，2024，34（2）：180-185.

[14] 王赟通.基于深度学习的口罩佩戴检测系统的设计与实现[D].北京：北京交通大学，2022.

[15] 马思维.改进YOLOv5s的绝缘子及缺陷检测研究[D].大连： 大连交通大学，2023.

【通联编辑：谢媛媛】

基金项目：2023 年湛江科技学院大学生创新创业训练计划项目：基于AI 视觉智能巡检系统的设计与实现（项目编号：2023ZKDCZN33）