摘 要：為了全方面識別并檢測輸電線路部件，本文基于改進的YOLOv5算法設計了一種用于輸電線路的多目標檢測系統(tǒng)。通過優(yōu)化YOLOv5算法參數量和浮點計算量，將Bottle頸部網絡CSP改為輕量級跨階段部分模塊，實現(xiàn)了網絡結構的輕量化，同時提高了檢測性能。研究結果表明，改進YOLOv5的參數量能夠滿足輸電線路部件檢測的精度、輕量化與實時性要求。該系統(tǒng)可以實時檢測輸電線路部件，并提高輸電線路設備的維護和管理效率。

關鍵詞：YOLOv5；輸電線路；多目標檢測

中圖分類號：TP 391" " " " " " " " 文獻標志碼：A

隨著電力系統(tǒng)發(fā)展，對輸電線路設備進行自動化檢測和管理越來越重要[1]。由于傳統(tǒng)的人工檢測方式存在效率低、人力成本高的問題[2]，因此，開發(fā)一種基于計算機視覺的多目標檢測系統(tǒng)具有重要意義。

1 輸電線路多目標檢測改進YOLOv5算法設計

1.1 YOLOv5算法原理

YOLOv5網絡是由主干網絡、頸部網絡和頭部網組成的，每個部分都具有不同功能。骨干網絡是YOLOv5網絡的核心部分，負責提取輸入圖像的特征。通常使用卷積神經網絡架構，例如高效網絡等來提取圖像中的高級語義特征。主干網絡通過多個卷積層和池化層來逐漸減少特征圖的尺寸和通道數，以捕捉不同尺度的特征信息。頸部網絡是YOLOv5網絡的中間部分，起到連接和融合不同尺度特征的作用。通?；厥褂靡恍┨厥獾哪K，例如特征金字塔網絡和金字塔池化模塊等。頸部網絡將來自不同層級的特征圖進行上采樣、下采樣和融合操作來獲得豐富的多尺度特征表示[3]。頭部網絡是YOLOv5網絡的最后一部分，用于預測檢測框和類別信息。通常包括一些卷積層和全連接層，其作用是從特征圖中提取目標的位置、大小和類別。頭部網絡使用不同的卷積核大小和步幅，以適應不同大小的目標。

1.2 改進YOLOv5算法

1.2.1 改進特征提取網絡

本文采用輕量級網絡結構重新構建特征提取網絡。首先，對特征圖進行通道分支操作，將其分為2個分支。左邊的分支不做任何操作，對右邊的分支進行一系列卷積操作。右邊的分支分別通過1×1卷積、3×3深度可分離卷積和1×1卷積的處理，提取更豐富的特征信息[4]。然后進行通道重組。該操作將通道根據一定規(guī)則重新排列，以加強特征間的交互和信息傳遞，進一步提高網絡的表達能力和特征提取能力。特征提取網絡見表1。

1.2.2 輕量級跨階段部分模塊

為了實現(xiàn)網絡的輕量化，本文引入輕量級跨階段部分模塊。該模塊主要由2條支路操作組成，分別是瓶頸層操作和殘差結構操作。

首先，通過瓶頸層操作生成新的特征圖。該操作包括一系列卷積操作，其中包括深度可分離卷積。深度可分離卷積是一種輕量級的卷積操作，將標準卷積分解為深度卷積和逐點卷積，以減少計算量和參數數量。通過瓶頸層操作生成更緊湊的特征表示，減少網絡的復雜性。其次，利用殘差結構直接使用深度可分離卷積操作。殘差結構是一種常用的網絡結構，能幫助網絡更好地學習輸入和輸出間的殘差信息[5]。將深度可分離卷積應用于殘差結構，可提取更豐富的圖像特征。最后，使用添加操作將對應的特征圖相加。該操作可增加描述圖像特征的信息，從而提高網絡的表達能力和特征提取能力。

1.2.3 改進損失函數

為了更準確地評估預測框與真實框間的差異，本文將完全交并比損失作為改進算法的損失函數。完全交并比損失綜合考慮了目標框的重疊面積、中心點距離和長寬比等因素，能夠提供更具區(qū)分性的損失度量。計算預測框與真實框間的交并比值，用于衡量二者的重疊程度。交并比值是目標檢測任務中常用的評價指標，表示預測框與真實框的重疊面積相對于它們的并集的比例。使用完整交并比來計算完全交并比損失。完全交并比損失在交并比損失的基礎上進行了改進，能夠更準確地反映目標框的匹配程度。通過最小化完全交并比損失來優(yōu)化網絡模型，可提高目標檢測的精度和魯棒性。完全交并比CIoU的計算過程如公式（1）所示。

LCIoU=1-IoULoss-α·v " " "（1）

式中：LCIoU為完全交并比；IoULoss為傳統(tǒng)的IoU損失；α為權衡長寬比和交并比部分造成損失的平衡因子；v為預測框和真實框長寬比差值的歸一化參數。

傳統(tǒng)的非極大值抑制是目標檢測中常用的一種篩選機制，用于消除重疊的邊界框，以獲得最終的檢測結果。但傳統(tǒng)的非極大值抑制僅考慮了交并比值，忽略了框間的空間關系。為了更精確地篩選邊界框，本文引入了距離交并比（DIoU）-非極大值抑制方法。距離交并比-非極大值抑制方法不僅考慮了交并比值，還考慮了2個框間的中心點距離。在該方法中，不僅計算2個邊界框的交并比，還計算它們中心點間的距離。這個距離信息可以提供額外的空間關系，有助于更準確地判斷2個邊界框間的重疊程度。具體來說，距離交并比-非極大值抑制方法先計算所有邊界框間的交并比值和中心點距離。再根據設定的閾值，對這些值進行篩選和排序。在篩選過程中，不僅要考慮交并比的大小，還要考慮中心點距離的遠近。通過綜合考慮這2個因素，可以更精確地判斷哪些邊界框應該被保留，哪些應該被抑制。距離交并比-非極大值抑制的計算過程分別如公式（2）所示。

DCIoU=IoU-D （2）

式中：IoU為候選框的交并比：D為候選框間的距離。

2 基于改進YOLOv5的輸電線路多目標檢測設計

2.1 試驗數據

本文的試驗機器操作系統(tǒng)為Windows，并搭建了OpenCV和PyTorch 1.6.0深度學習環(huán)境。該機器的CPU為Core i7-9700，內存為16GB，顯卡為RTX2080Ti，基于以上配置來運行和測試YOLOv5s算法。本文選擇了一些常見的目標檢測算法作為對比，包括YOLOv4、Faster R-CNN和SSD等，以評估YOLOv5s算法在準確性、速度和資源消耗等方面的優(yōu)劣。期望通過以上試驗設置和比較測試，能夠驗證YOLOv5s算法的改進效果，并對其在目標檢測領域的應用進行評估和分析。本文使用公開的巡檢圖像數據和網絡圖像結合的方式，共得到2511張照片，并將其作為試驗數據。為了對這些圖像進行目標檢測，使用標注軟件LabelImg對圖像進行標注，并將標注結果以VOC格式存儲為XML文件。在這個數據集中，一共標注了5種類型器件。首先是絕緣子（絕緣子），共標注了2508個絕緣子樣本。其次是防震錘（防震錘），標注了2319個防震錘樣本。再次是均壓環(huán)（屏蔽環(huán)），標注了852個均壓環(huán)樣本。從次是間隔棒（間隔棒），標注了1259個間隔棒樣本。最后是絕緣子缺失（故障絕緣子），標注了385個絕緣子缺失樣本。

2.2 評價指標

參數量通常是指模型中可學習參數的總數。較大的參數量代表更復雜的模型結構，但也導致更高的計算負載和資源消耗。浮點計算量是指在算法執(zhí)行過程中進行的浮點運算的總數。在深度學習中，浮點計算量通常與模型的計算復雜度和計算資源消耗密切相關。較大的浮點計算量代表更復雜的計算過程和更高的計算負載。平均精度是一種常用的目標檢測算法評價指標，用于衡量算法在不同類別目標上的檢測準確度。綜合考慮了算法的精度和召回率，并通過計算目標檢測算法在不同類別上的平均精度值來評估算法的整體性能。較高的值表示算法在目標檢測任務中具有更好的準確性和魯棒性。每秒處理幀數是指算法在單位時間內能夠處理的圖像幀數。在實時性要求較高的應用場景下，較高的幀率值代表算法能夠更快地處理圖像，并實時輸出檢測結果。因此，幀率是評估算法實時性能的重要指標之一。

3 基于改進YOLOv5的輸電線路多目標檢測結果分析

3.1 不同模型的識別性能

改進的YOLOv5的召回率為95.1%，高于其他模型，能夠更準確地檢測到目標物體，漏檢情況有所減少。在閾值性能指標上，改進的YOLOv5也表現(xiàn)出色，為87.5%，優(yōu)于其他模型。說明改進的YOLOv5具有更高的檢測精度，在目標物體的定位和分類方面更準確。此外，改進的YOLOv5在幀率方面也有不錯的表現(xiàn)，為64.2f/s。盡管不及YOLOv4-tiny模型（為59.1f/s），但仍然具有較高的處理速度。綜合來看，改進的YOLOv5模型在召回率、閾值性能和幀率這3個關鍵指標上都有不錯表現(xiàn)，能夠更準確地檢測目標物體并保持較高的處理速度，適合應用于實時場景。不同模型的識別性能見表2。

3.2 5種器件在不同算法下的檢測精度

在背景復雜的情況下，傳統(tǒng)的目標檢測算法可能會受背景干擾的影響，導致目標的檢測精度下降。而改進的YOLOv5算法通過引入更精細的特征提取和網絡結構設計，能夠更好地區(qū)分目標和背景，從而提高在復雜背景下的目標檢測能力。此外，目標角度多變和絕緣子存在遮擋也是挑戰(zhàn)之一。傳統(tǒng)的算法可能無法準確檢測角度變化較大的目標或被遮擋的目標。而改進的YOLOv5算法在網絡設計和訓練過程中充分考慮了目標的多樣性和遮擋情況，通過增加網絡的深度、寬度以及引入更多的數據增強技術，能夠更好地適應多變的目標角度和遮擋情況。另外，細粒度較低的圖片也會給目標檢測帶來一定困難。在細粒度較低的情況下，目標的細節(jié)信息可能不夠清晰，傳統(tǒng)的算法可能無法準確識別目標。而改進的YOLOv5算法通過增加網絡的深度和引入更多的卷積層，能夠更好地提取圖片中的特征信息，從而提高在細粒度較低情況下的目標檢測能力。

對于絕緣子類別，改進的YOLOv5的檢測精度為0.94，高于其他算法。改進的YOLOv5能夠更準確地檢測到絕緣子類別的目標物體。對于防震錘類別，改進的YOLOv5的檢測精度為0.92，也是最高的。表明改進的YOLOv5檢測減震器的目標物體時表現(xiàn)出色。對于屏蔽環(huán)類別，改進的YOLOv5的檢測精度為0.85，略高于其他算法，能夠更準確地檢測到環(huán)類別的目標物體。對于間隔棒類別，改進的YOLOv5的檢測精度為0.76，相對較低。然而，改進的YOLOv5仍然在這個類別中表現(xiàn)出最好的檢測精度。對于故障絕緣子類別，改進的YOLOv5的檢測精度為0.90，也是最高的。表明改進的YOLOv5檢測故障絕緣子的目標物體時表現(xiàn)出色。綜上所述，改進的YOLOv5在不同算法下的檢測精度上均表現(xiàn)出色，在多個類別中都能夠準確檢測到目標物體，具有較高的檢測精度。5種器件在不同算法下的檢測精度見表3。

3.3 消融試驗

通過消融試驗，本文系統(tǒng)地評估每個改進模塊對最終檢測性能的影響。在不同試驗條件下比較結果，得出結論，確定哪些模塊對改進算法的性能至關重要。加入不同模塊的對比結果見表4，其中“√”表示使用了該結構，即將該改進模塊應用于算法中；“×”表示未使用該結構，即在算法中沒有使用該改進模塊。

第1組試驗使用了YOLOv5s網絡，沒有使用任何改進方法，但仍然達到了86.1%的精度和56.7f/s的速度，表明YOLOv5s網絡本身已經具備一定的檢測性能。第2組試驗在YOLOv5s網絡的基礎上將輕量級網絡主干結構作為特征提取網絡，通過深度可分離卷積來減少網絡的參數量，導致精度降低了1.4%，但速度提高了12.6%，通過這種優(yōu)化，在一定程度上平衡了精度和速度的需求。第3組試驗在第2組試驗的基礎上對路徑聚合網絡結構中的頸部網絡CSP結構進行了優(yōu)化，使用了輕量級跨階段部分模塊替代原有結構。與第2組試驗相比，精度提高了0.4%，速度提高了2%，表明輕量級跨階段部分模塊對檢測性能的提升有一定影響。第4組試驗在第3組試驗的基礎上引入了完全交并比loss來計算邊框損失，加快了網絡的收斂速度。與第3組試驗相比，精度提高了2.1%，但速度下降了0.6%。通過使用完全交并比loss，網絡能夠更快地收斂得到更準確的結果，從而提高了檢測性能。第5組試驗在第4組試驗的基礎上使用了距離交并比-非極大值抑制進行檢測后處理，以減少網絡的漏檢情況。與第4組試驗相比，精度提高了0.3%，但速度減少了0.9%。與第1組試驗相比，精度提高了1.4%，速度提高了13.2%，表明距離交并比-非極大值抑制能夠有效減少網絡的漏檢情況，提高檢測性能。

本文的改進YOLOv5算法通過對網絡結構進行輕量化，優(yōu)化了參數量和浮點計算量，在計算資源消耗相對較低的同時，仍然能夠保持較高的檢測性能。在傳統(tǒng)的YOLOv5算法中，網絡結構相對較大，需要大量的參數和浮點計算量。這對一些資源受限的應用場景來說是不太適合的，尤其是在實時性要求較高的輸電線路部件的檢測中。本文的改進算法通過引入輕量化的網絡結構，減少了網絡的參數量和浮點計算量。輕量化的網絡結構使用了深度可分離卷積等技術，有效減少了網絡的復雜度和計算負載。因此，算法在相同的計算資源下能夠更高效地進行檢測任務。同時，這種輕量化的網絡結構并沒有犧牲檢測性能。

4 結語

本文基于改進的YOLOv5算法設計了一種用于輸電線路的多目標檢測系統(tǒng)。通過對算法進行優(yōu)化，實現(xiàn)了網絡結構的輕量化，提高了檢測性能。試驗結果表明，該系統(tǒng)在實時性檢測上表現(xiàn)出良好性能，能夠提高輸電線路設備的維護和管理效率。

參考文獻

[1]熊昌全，張宇寧，楊和生，等.基于改進YOLOv5的輸電線路走廊滑坡災害識別[J].機電信息，2023（1）：27-29.

[2]蘇曉，張明暉，陳峻宇，等.基于集成YOLOv5算法的輸電線路桿塔目標檢測[J].農村電氣化，2023（5）：33-39.

[3]郭雨，馬美玲，黎大林.基于改進YOLOv5的輕量化絕緣子表面缺陷檢測[J].激光與光電子學進展，2023，60（24）：214-221.

[4]劉謝玉，楊曉冬，陸群，等.基于YOLOv5n_Faster的煤礦變電所開關柜目標檢測[J].建模與仿真，2023，12（6）：9.

[5]王素珍，趙霖，邵明偉，等.基于改進YOLOv5的輸電線路絕緣子識別方法[J].電子測量技術，2022（21）：181-188.