基于改进YOLOv5的输电线路多目标检测设计

摘 要：为了全方面识别并检测输电线路部件，本文基于改进的YOLOv5算法设计了一种用于输电线路的多目标检测系统。通过优化YOLOv5算法参数量和浮点计算量，将Bottle颈部网络CSP改为轻量级跨阶段部分模块，实现了网络结构的轻量化，同时提高了检测性能。研究结果表明，改进YOLOv5的参数量能够满足输电线路部件检测的精度、轻量化与实时性要求。该系统可以实时检测输电线路部件，并提高输电线路设备的维护和管理效率。

关键词：YOLOv5；输电线路；多目标检测

中图分类号：TP 391" " " " " " " " 文献标志码：A

随着电力系统发展，对输电线路设备进行自动化检测和管理越来越重要[1]。由于传统的人工检测方式存在效率低、人力成本高的问题[2]，因此，开发一种基于计算机视觉的多目标检测系统具有重要意义。

1 输电线路多目标检测改进YOLOv5算法设计

1.1 YOLOv5算法原理

YOLOv5网络是由主干网络、颈部网络和头部网组成的，每个部分都具有不同功能。骨干网络是YOLOv5网络的核心部分，负责提取输入图像的特征。通常使用卷积神经网络架构，例如高效网络等来提取图像中的高级语义特征。主干网络通过多个卷积层和池化层来逐渐减少特征图的尺寸和通道数，以捕捉不同尺度的特征信息。颈部网络是YOLOv5网络的中间部分，起到连接和融合不同尺度特征的作用。通常回使用一些特殊的模块，例如特征金字塔网络和金字塔池化模块等。颈部网络将来自不同层级的特征图进行上采样、下采样和融合操作来获得丰富的多尺度特征表示[3]。头部网络是YOLOv5网络的最后一部分，用于预测检测框和类别信息。通常包括一些卷积层和全连接层，其作用是从特征图中提取目标的位置、大小和类别。头部网络使用不同的卷积核大小和步幅，以适应不同大小的目标。

1.2 改进YOLOv5算法

1.2.1 改进特征提取网络

本文采用轻量级网络结构重新构建特征提取网络。首先，对特征图进行通道分支操作，将其分为2个分支。左边的分支不做任何操作，对右边的分支进行一系列卷积操作。右边的分支分别通过1×1卷积、3×3深度可分离卷积和1×1卷积的处理，提取更丰富的特征信息[4]。然后进行通道重组。该操作将通道根据一定规则重新排列，以加强特征间的交互和信息传递，进一步提高网络的表达能力和特征提取能力。特征提取网络见表1。

1.2.2 轻量级跨阶段部分模块

为了实现网络的轻量化，本文引入轻量级跨阶段部分模块。该模块主要由2条支路操作组成，分别是瓶颈层操作和残差结构操作。

首先，通过瓶颈层操作生成新的特征图。该操作包括一系列卷积操作，其中包括深度可分离卷积。深度可分离卷积是一种轻量级的卷积操作，将标准卷积分解为深度卷积和逐点卷积，以减少计算量和参数数量。通过瓶颈层操作生成更紧凑的特征表示，减少网络的复杂性。其次，利用残差结构直接使用深度可分离卷积操作。残差结构是一种常用的网络结构，能帮助网络更好地学习输入和输出间的残差信息[5]。将深度可分离卷积应用于残差结构，可提取更丰富的图像特征。最后，使用添加操作将对应的特征图相加。该操作可增加描述图像特征的信息，从而提高网络的表达能力和特征提取能力。

1.2.3 改进损失函数

为了更准确地评估预测框与真实框间的差异，本文将完全交并比损失作为改进算法的损失函数。完全交并比损失综合考虑了目标框的重叠面积、中心点距离和长宽比等因素，能够提供更具区分性的损失度量。计算预测框与真实框间的交并比值，用于衡量二者的重叠程度。交并比值是目标检测任务中常用的评价指标，表示预测框与真实框的重叠面积相对于它们的并集的比例。使用完整交并比来计算完全交并比损失。完全交并比损失在交并比损失的基础上进行了改进，能够更准确地反映目标框的匹配程度。通过最小化完全交并比损失来优化网络模型，可提高目标检测的精度和鲁棒性。完全交并比CIoU的计算过程如公式（1）所示。

LCIoU=1-IoULoss-α·v " " "（1）

式中：LCIoU为完全交并比；IoULoss为传统的IoU损失；α为权衡长宽比和交并比部分造成损失的平衡因子；v为预测框和真实框长宽比差值的归一化参数。

传统的非极大值抑制是目标检测中常用的一种筛选机制，用于消除重叠的边界框，以获得最终的检测结果。但传统的非极大值抑制仅考虑了交并比值，忽略了框间的空间关系。为了更精确地筛选边界框，本文引入了距离交并比（DIoU）-非极大值抑制方法。距离交并比-非极大值抑制方法不仅考虑了交并比值，还考虑了2个框间的中心点距离。在该方法中，不仅计算2个边界框的交并比，还计算它们中心点间的距离。这个距离信息可以提供额外的空间关系，有助于更准确地判断2个边界框间的重叠程度。具体来说，距离交并比-非极大值抑制方法先计算所有边界框间的交并比值和中心点距离。再根据设定的阈值，对这些值进行筛选和排序。在筛选过程中，不仅要考虑交并比的大小，还要考虑中心点距离的远近。通过综合考虑这2个因素，可以更精确地判断哪些边界框应该被保留，哪些应该被抑制。距离交并比-非极大值抑制的计算过程分别如公式（2）所示。

DCIoU=IoU-D （2）

式中：IoU为候选框的交并比：D为候选框间的距离。

2 基于改进YOLOv5的输电线路多目标检测设计

2.1 试验数据

本文的试验机器操作系统为Windows，并搭建了OpenCV和PyTorch 1.6.0深度学习环境。该机器的CPU为Core i7-9700，内存为16GB，显卡为RTX2080Ti，基于以上配置来运行和测试YOLOv5s算法。本文选择了一些常见的目标检测算法作为对比，包括YOLOv4、Faster R-CNN和SSD等，以评估YOLOv5s算法在准确性、速度和资源消耗等方面的优劣。期望通过以上试验设置和比较测试，能够验证YOLOv5s算法的改进效果，并对其在目标检测领域的应用进行评估和分析。本文使用公开的巡检图像数据和网络图像结合的方式，共得到2511张照片，并将其作为试验数据。为了对这些图像进行目标检测，使用标注软件LabelImg对图像进行标注，并将标注结果以VOC格式存储为XML文件。在这个数据集中，一共标注了5种类型器件。首先是绝缘子（绝缘子），共标注了2508个绝缘子样本。其次是防震锤（防震锤），标注了2319个防震锤样本。再次是均压环（屏蔽环），标注了852个均压环样本。从次是间隔棒（间隔棒），标注了1259个间隔棒样本。最后是绝缘子缺失（故障绝缘子），标注了385个绝缘子缺失样本。

2.2 评价指标

参数量通常是指模型中可学习参数的总数。较大的参数量代表更复杂的模型结构，但也导致更高的计算负载和资源消耗。浮点计算量是指在算法执行过程中进行的浮点运算的总数。在深度学习中，浮点计算量通常与模型的计算复杂度和计算资源消耗密切相关。较大的浮点计算量代表更复杂的计算过程和更高的计算负载。平均精度是一种常用的目标检测算法评价指标，用于衡量算法在不同类别目标上的检测准确度。综合考虑了算法的精度和召回率，并通过计算目标检测算法在不同类别上的平均精度值来评估算法的整体性能。较高的值表示算法在目标检测任务中具有更好的准确性和鲁棒性。每秒处理帧数是指算法在单位时间内能够处理的图像帧数。在实时性要求较高的应用场景下，较高的帧率值代表算法能够更快地处理图像，并实时输出检测结果。因此，帧率是评估算法实时性能的重要指标之一。

3 基于改进YOLOv5的输电线路多目标检测结果分析

3.1 不同模型的识别性能

改进的YOLOv5的召回率为95.1%，高于其他模型，能够更准确地检测到目标物体，漏检情况有所减少。在阈值性能指标上，改进的YOLOv5也表现出色，为87.5%，优于其他模型。说明改进的YOLOv5具有更高的检测精度，在目标物体的定位和分类方面更准确。此外，改进的YOLOv5在帧率方面也有不错的表现，为64.2f/s。尽管不及YOLOv4-tiny模型（为59.1f/s），但仍然具有较高的处理速度。综合来看，改进的YOLOv5模型在召回率、阈值性能和帧率这3个关键指标上都有不错表现，能够更准确地检测目标物体并保持较高的处理速度，适合应用于实时场景。不同模型的识别性能见表2。

3.2 5种器件在不同算法下的检测精度

在背景复杂的情况下，传统的目标检测算法可能会受背景干扰的影响，导致目标的检测精度下降。而改进的YOLOv5算法通过引入更精细的特征提取和网络结构设计，能够更好地区分目标和背景，从而提高在复杂背景下的目标检测能力。此外，目标角度多变和绝缘子存在遮挡也是挑战之一。传统的算法可能无法准确检测角度变化较大的目标或被遮挡的目标。而改进的YOLOv5算法在网络设计和训练过程中充分考虑了目标的多样性和遮挡情况，通过增加网络的深度、宽度以及引入更多的数据增强技术，能够更好地适应多变的目标角度和遮挡情况。另外，细粒度较低的图片也会给目标检测带来一定困难。在细粒度较低的情况下，目标的细节信息可能不够清晰，传统的算法可能无法准确识别目标。而改进的YOLOv5算法通过增加网络的深度和引入更多的卷积层，能够更好地提取图片中的特征信息，从而提高在细粒度较低情况下的目标检测能力。

对于绝缘子类别，改进的YOLOv5的检测精度为0.94，高于其他算法。改进的YOLOv5能够更准确地检测到绝缘子类别的目标物体。对于防震锤类别，改进的YOLOv5的检测精度为0.92，也是最高的。表明改进的YOLOv5检测减震器的目标物体时表现出色。对于屏蔽环类别，改进的YOLOv5的检测精度为0.85，略高于其他算法，能够更准确地检测到环类别的目标物体。对于间隔棒类别，改进的YOLOv5的检测精度为0.76，相对较低。然而，改进的YOLOv5仍然在这个类别中表现出最好的检测精度。对于故障绝缘子类别，改进的YOLOv5的检测精度为0.90，也是最高的。表明改进的YOLOv5检测故障绝缘子的目标物体时表现出色。综上所述，改进的YOLOv5在不同算法下的检测精度上均表现出色，在多个类别中都能够准确检测到目标物体，具有较高的检测精度。5种器件在不同算法下的检测精度见表3。

3.3 消融试验

通过消融试验，本文系统地评估每个改进模块对最终检测性能的影响。在不同试验条件下比较结果，得出结论，确定哪些模块对改进算法的性能至关重要。加入不同模块的对比结果见表4，其中“√”表示使用了该结构，即将该改进模块应用于算法中；“×”表示未使用该结构，即在算法中没有使用该改进模块。

第1组试验使用了YOLOv5s网络，没有使用任何改进方法，但仍然达到了86.1%的精度和56.7f/s的速度，表明YOLOv5s网络本身已经具备一定的检测性能。第2组试验在YOLOv5s网络的基础上将轻量级网络主干结构作为特征提取网络，通过深度可分离卷积来减少网络的参数量，导致精度降低了1.4%，但速度提高了12.6%，通过这种优化，在一定程度上平衡了精度和速度的需求。第3组试验在第2组试验的基础上对路径聚合网络结构中的颈部网络CSP结构进行了优化，使用了轻量级跨阶段部分模块替代原有结构。与第2组试验相比，精度提高了0.4%，速度提高了2%，表明轻量级跨阶段部分模块对检测性能的提升有一定影响。第4组试验在第3组试验的基础上引入了完全交并比loss来计算边框损失，加快了网络的收敛速度。与第3组试验相比，精度提高了2.1%，但速度下降了0.6%。通过使用完全交并比loss，网络能够更快地收敛得到更准确的结果，从而提高了检测性能。第5组试验在第4组试验的基础上使用了距离交并比-非极大值抑制进行检测后处理，以减少网络的漏检情况。与第4组试验相比，精度提高了0.3%，但速度减少了0.9%。与第1组试验相比，精度提高了1.4%，速度提高了13.2%，表明距离交并比-非极大值抑制能够有效减少网络的漏检情况，提高检测性能。

本文的改进YOLOv5算法通过对网络结构进行轻量化，优化了参数量和浮点计算量，在计算资源消耗相对较低的同时，仍然能够保持较高的检测性能。在传统的YOLOv5算法中，网络结构相对较大，需要大量的参数和浮点计算量。这对一些资源受限的应用场景来说是不太适合的，尤其是在实时性要求较高的输电线路部件的检测中。本文的改进算法通过引入轻量化的网络结构，减少了网络的参数量和浮点计算量。轻量化的网络结构使用了深度可分离卷积等技术，有效减少了网络的复杂度和计算负载。因此，算法在相同的计算资源下能够更高效地进行检测任务。同时，这种轻量化的网络结构并没有牺牲检测性能。

4 结语

本文基于改进的YOLOv5算法设计了一种用于输电线路的多目标检测系统。通过对算法进行优化，实现了网络结构的轻量化，提高了检测性能。试验结果表明，该系统在实时性检测上表现出良好性能，能够提高输电线路设备的维护和管理效率。

参考文献

[1]熊昌全，张宇宁，杨和生，等.基于改进YOLOv5的输电线路走廊滑坡灾害识别[J].机电信息，2023（1）：27-29.

[2]苏晓，张明晖，陈峻宇，等.基于集成YOLOv5算法的输电线路杆塔目标检测[J].农村电气化，2023（5）：33-39.

[3]郭雨，马美玲，黎大林.基于改进YOLOv5的轻量化绝缘子表面缺陷检测[J].激光与光电子学进展，2023，60（24）：214-221.

[4]刘谢玉，杨晓冬，陆群，等.基于YOLOv5n_Faster的煤矿变电所开关柜目标检测[J].建模与仿真，2023，12（6）：9.

[5]王素珍，赵霖，邵明伟，等.基于改进YOLOv5的输电线路绝缘子识别方法[J].电子测量技术，2022（21）：181-188.