劉慶（通訊作者）?陳友坤?李義?姜繼彬?李璘

摘要：高壓輸電線路及桿塔常因自然條件、人為活動等因素影響，頻繁產(chǎn)生大面積跳閘事件，損失極大，尤其因外力破壞為重。外力破壞的偶發(fā)性和不可預(yù)測性，造成運(yùn)維成本增加、可靠性不高等問題。本文基于YOLOV5算法，利用CARAFE（Content-Aware ReAssembly of FEatures）改進(jìn)上采樣過程，使用SENet（Squeeze-and-Excitation Network）注意力機(jī)制重構(gòu)原網(wǎng)絡(luò)的CSP模塊，并在自建的輸電線塔數(shù)據(jù)集上進(jìn)行模型的訓(xùn)練和測試。結(jié)果表明：改進(jìn)的CARAFE-SE-YOLOV5模型比傳統(tǒng)YOLOV5模型達(dá)到了更高檢測精度，對人、汽車、工程車輛的識別準(zhǔn)確率高達(dá)92%、96%、88%。

關(guān)鍵詞：高壓輸電線；外力破壞；YOLOV5算法；上采樣；注意力機(jī)制

一、引言

架空高壓輸電線路的正常工作支撐著電網(wǎng)調(diào)度、營銷、生產(chǎn)等核心業(yè)務(wù)，是電網(wǎng)穩(wěn)定可靠運(yùn)行的基石。然而因自然條件、人為活動等不確定因素存在，導(dǎo)致輸電線路設(shè)備常發(fā)生短路、跳閘、停電等事故，造成輸電線路停運(yùn)。通過對國內(nèi)部分省份電網(wǎng)線路跳閘影響因素的調(diào)研[1-2]，發(fā)現(xiàn)外力破壞因素占比超過50%，其中施工（人、機(jī)械）破壞占比52.9%，樹木砍伐占比5.9%，異物短路占比39.3%，火災(zāi)、洪水、泥石流占比1.9%。傳統(tǒng)的人工巡檢以及無人機(jī)巡檢受成本的影響，無法全天候?qū)旊娋€路及桿塔進(jìn)行監(jiān)控，且周期過長、效率極低、運(yùn)營成本高、監(jiān)管困難。因此，本文基于自建的高壓輸電線及桿塔數(shù)據(jù)集上，設(shè)計一種基于改進(jìn)型YOLOV5算法網(wǎng)絡(luò)，相比于傳統(tǒng)YOLOV5模型，改進(jìn)后的模型在自建數(shù)據(jù)集上有更高的檢測準(zhǔn)確度。

二、改進(jìn)型YOLOV5算法分析

（一）YOLOV5算法原理

在YOLOV4網(wǎng)絡(luò)基礎(chǔ)上，YOLOV5網(wǎng)絡(luò)作出四點(diǎn)修改：①輸入端引入數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計算、自適應(yīng)圖片縮放。②改進(jìn)基準(zhǔn)網(wǎng)絡(luò)的Focus、CSP（Cross Stage Partial Network）結(jié)構(gòu)。③Neck網(wǎng)絡(luò)中添加新的FPN（Feature Pyramid Network）+PAN（Path Aggregation Network）結(jié)構(gòu)。④輸出層改進(jìn)了GIOU_Loss損失函數(shù)與DIOU_NMS預(yù)測框篩選函數(shù)。使得YOLOV5的推理速度和精度皆高于YOLOV4及以往任何版本，如圖1所示。

YOLOV5網(wǎng)絡(luò)模型主要由Backbone與Head組成，其中Backbone由Focus、CBL（Conv+BN+LeakyRelu）、CSP（Cross Stage Partial Network）和SPP（Spatial Pyramid Pooling）構(gòu)成，而Head由FPN（Feature Pyramid Network）、PAN（Path Aggregation Network）和Detection Head模塊構(gòu)成。其中，Backbone部分，F(xiàn)ocus層通過切片操作將輸入信息融入各通道，經(jīng)切片后的輸入通道數(shù)擴(kuò)充為原來的4倍，且圖像的寬度、高度信息都包含在通道中，因此輸入圖像的下采樣過程沒有信息丟失。CBL模塊由Conv（Convolutional Layer）卷積層、BN（Batch Normalization）標(biāo)準(zhǔn)化層以及LeakyRelu激活函數(shù)層組成，用于特征提取。CSP模塊將特征圖分成兩路，一路進(jìn)行卷積操作，另一路和第一路的卷積結(jié)果進(jìn)行合并，可在分類問題上降低計算量，對網(wǎng)絡(luò)學(xué)習(xí)能力也有一定的提升。SPP為不同大小窗口的池化過程，目的是進(jìn)一步提升特征提取的效果。

對于YOLOV5的Head部分，分為三個不同大小的尺度部分構(gòu)成，每個Head經(jīng)過8、16、32倍的下采樣后輸出結(jié)果，其中FPN結(jié)構(gòu)目的是利用深層網(wǎng)絡(luò)對淺層網(wǎng)絡(luò)進(jìn)行指導(dǎo)校正，提取更高級的語義信息。PAN結(jié)構(gòu)相比于FPN，增加了自底向上的過程，用于提高網(wǎng)絡(luò)對淺層信息的定位能力。

根據(jù)網(wǎng)絡(luò)寬度、深度不同，YOLOV5又分為s、m、l、x四個不同大小的網(wǎng)絡(luò)型號，該文需實(shí)現(xiàn)輸電線塔目標(biāo)實(shí)時檢測，網(wǎng)絡(luò)模型的性能指標(biāo)更加偏向于推理結(jié)果的精度，故采用適用于較大目標(biāo)檢測的s型YOLOV5網(wǎng)絡(luò)為基礎(chǔ)模型進(jìn)行改進(jìn)。

（二）CARAFE上采樣

CARAFE是一種高效的輕量級通用上采樣框架[3]，可在一個較大的范圍內(nèi)聚合上下文信息，并對特定于實(shí)例的內(nèi)容進(jìn)行感知處理，自適應(yīng)生成上采樣核，如圖2所示。CARAFE由上采樣核預(yù)測模塊和內(nèi)容感知重組模塊組成，輸入特征圖大小為H×W×C，上采樣倍率為，該結(jié)構(gòu)首先是核預(yù)測模塊得到預(yù)測的上采樣核，并利用內(nèi)容感知重組模塊完成上采樣計算，輸出得到σH×σW×C大小的特征圖。

上采樣核預(yù)測模塊利用一個1×1卷積將其通道數(shù)量壓縮至Cm，然后進(jìn)行內(nèi)容編碼和上采樣核預(yù)測。若上采樣核的大小為pup×pup，需使用pencoder×pencoder的卷積層預(yù)測上采樣核，此時輸入通道數(shù)量為Cm，輸出通道為σ2pup2，將輸出在空間維度展開得到σH×σW×pup2的上采樣核，最后進(jìn)行softmax核歸一化處理。

內(nèi)容感知重組模塊將輸出特征圖的各位置信息映射回輸入特征圖，取其中心處pup×pup的區(qū)域與在該位置的預(yù)測上采樣卷積核作點(diǎn)積得到輸出圖像，其中相同位置的不同通道共享同一個上采樣核。

該文利用CARAFE上采樣算子替換傳統(tǒng)YOLOV5模型中的上采樣，在目標(biāo)檢測任務(wù)的上采樣過程中，該采樣算子可明顯提高網(wǎng)絡(luò)的語義提取能力，同時僅帶來很小的額外參數(shù)和計算量。

（三）SE注意力機(jī)制模塊

SENet是Hu等人在2017年提出的一種架構(gòu)模型[4]，它通過顯式方式建立通道之間的相關(guān)性，并重新自適應(yīng)校準(zhǔn)通道特性響應(yīng)。SENet模塊在增加少量計算成本的基礎(chǔ)上為現(xiàn)有CNN網(wǎng)絡(luò)帶來顯著的性能改進(jìn)。

如圖3所示，SENet模塊是一個構(gòu)建在映射變換上的計算單元，將輸入端的X∈RH'×W'×C'映射至輸出端的特征圖U∈RH×W×C，其中U=[u1，u2，...，uc]，uc的計算如下式：

（1）

其中，，，*表示卷積計算，vsc表示一個二維的空間核，作為輸入端X相對應(yīng)的通道。利用全局平均池函數(shù)生成通道統(tǒng)計將全局空間信息壓縮至通道描述符中，統(tǒng)計信息zc∈RC的計算公式如下：

（2）

由（3）和（4）式，通過Sigmoid激活函數(shù)建立的門控機(jī)制尋找出通道間的依賴關(guān)系，再使用激活s函數(shù)重新縮放標(biāo)定U，得到模塊輸出。

（3）

（4）

其中，，而表示Fscale（uc，sc）為特征圖uc與sc間的通道相乘運(yùn)算。可見，SE模塊與傳統(tǒng)CNN不同在于，將經(jīng)過卷積變換后得到的特征通道進(jìn)行Squeeze、Excitation、Reweight三步操作，得到新的通道特征。通過Squeeze得到通道上全局響應(yīng)分布，那么靠近輸入端的層也可獲取全局感受野。利用Excitation的門控機(jī)制顯式地尋找出通道之間的相關(guān)性。最后Reweight則是將輸出權(quán)重信息完成在通道維度上對原始特征的重標(biāo)定。該文通過重構(gòu)原網(wǎng)絡(luò)中CSP結(jié)構(gòu)的ResNet網(wǎng)絡(luò)層，為其添加SE注意力機(jī)制模塊，提高網(wǎng)絡(luò)的語義表征能力。

三、輸電線塔防外破目標(biāo)檢測仿真與驗(yàn)證

（一）數(shù)據(jù)集與網(wǎng)絡(luò)訓(xùn)練

該文對輸電線塔監(jiān)控視頻進(jìn)行幀剪輯和圖片剪切，得到合計1500張圖片的數(shù)據(jù)集，其中500張人體圖片、400張汽車圖片、600張工程車（挖掘機(jī)）圖片，該數(shù)據(jù)集能有效反應(yīng)真實(shí)情況下輸電線塔外力破壞事件的誘發(fā)主體，使用LabelImg軟件對三種標(biāo)簽的圖片進(jìn)行人工標(biāo)注。然后，將數(shù)據(jù)集隨機(jī)打亂后劃分為75%的訓(xùn)練集和25%的測試集，所有模型的訓(xùn)練與測試均在同一臺電腦上完成，其中Pytorch版本為1.8.0，網(wǎng)絡(luò)學(xué)習(xí)率（Learning rate， Lr）設(shè)置為0.001，網(wǎng)絡(luò)優(yōu)化器（Optimizer， Opt）選用Adam，批量大小（Batch size， Bs）為4，迭代次數(shù)（Epoch， Epo）為100。

（二）實(shí)驗(yàn)結(jié)果與分析

模型識別準(zhǔn)確度對比，如圖4所示?？梢钥闯觯焊倪M(jìn)后的CARAFE-SE-YOLOV5模型在自建數(shù)據(jù)集上有更高的檢測準(zhǔn)確度。

在輸電線塔防外破檢測任務(wù)中，識別準(zhǔn)確度可直接反應(yīng)目標(biāo)的檢測情況，由于漏檢可能導(dǎo)致外力破壞事件的發(fā)生，因此Precision準(zhǔn)確度指標(biāo)成為模型評價的重要指標(biāo)之一，并綜合考慮檢測精度和速率，選擇性能最好的CARAFE-SE-YOLOV5模型作為最優(yōu)模型，檢測效果如圖5所示，在陰暗以及復(fù)雜背景環(huán)境下依然能夠較好的檢測出目標(biāo)。

四、結(jié)束語

以輸電線及桿塔防外破目標(biāo)檢測為研究目標(biāo)，通過收集已有數(shù)據(jù)進(jìn)行標(biāo)注，自建專用于輸電線塔外力破壞目標(biāo)的檢測任務(wù)數(shù)據(jù)集，利用CARAFE模塊改進(jìn)上采樣過程，使用SENet注意力機(jī)制重構(gòu)原網(wǎng)絡(luò)中的CSP模塊，得到CARAFE-SE-YOLOV5模型。測試結(jié)果已證明改進(jìn)模型的檢測準(zhǔn)確度更好。在增加少量復(fù)雜度的情況下，明顯改善了對工程車（挖掘機(jī)）的檢測精度，實(shí)現(xiàn)實(shí)時目標(biāo)檢測。

作者單位：劉慶 陳友坤 李義 姜繼彬 李璘 貴州電網(wǎng)有限責(zé)任公司畢節(jié)供電局

參? 考? 文? 獻(xiàn)

[1]陸佳政，周特軍，吳傳平，等.某省級電網(wǎng)220kV及以上輸電線路故障統(tǒng)計與分析[J].高電壓技術(shù)， 2016，42（01）： 200-207.

[2]盧銀均，李翊嘉，姜金節(jié)，等.輸電線路故障統(tǒng)計分析及防控對策研究[J].山東電力技術(shù)， 2021， 48（04）： 47-52.

[3]J. Wang， K. Chen， R. Xu， Z. Liu， C. C. Loy and D. Lin， CARAFE： Content-Aware ReAssembly of FEatures， 2019 IEEE/CVF International Conference on Computer Vision （ICCV）， 2019， pp. 3007-3016.

[4]J. Hu， L. Shen， S. Albanie， G. Sun and E. Wu， Squeeze-and-Excitation Networks [J]， IEEE Trans. Pattern Anal. Mach. Intell.， vol. 42， no. 8， pp. 2011-2023， 1 Aug. 2020.

該文受2022年貴州電網(wǎng)有限責(zé)任公司畢節(jié)供電局電力技術(shù)開發(fā)項(xiàng)目”高壓輸電線路走廊多異常事件智能監(jiān)控及通信技術(shù)研究”（0607002022030101SC00049）資助。

陳友坤（1978.08-），男，漢族，貴州畢節(jié)，本科，貴州電網(wǎng)有限責(zé)任公司畢節(jié)供電局工程師，研究方向：輸電管理；

劉慶（1983.08-），男，苗族，貴州畢節(jié)，本科，貴州電網(wǎng)有限責(zé)任公司畢節(jié)供電局工程師，研究方向：輸電線路運(yùn)檢及輸電通信管理；

李義（1991.02-），男，彝族，貴州畢節(jié)，本科，工程師，研究方向：電氣工程及科技管理；

姜繼彬（1992.06-），男，漢族，四川江安，本科，助理工程師，研究方向：輸電線路運(yùn)檢及輸電通信管理；

李璘（1969.06.22-），男，漢族，貴州畢節(jié)，本科，工程師，研究方向：輸電安全及輸電通信管理。