基于YOLOv5的絕緣子目標(biāo)檢測算法

摘? 要：絕緣子是架空輸電線路中的一種特殊構(gòu)件，電力巡檢工作中對絕緣子的狀態(tài)進(jìn)行及時檢測與維護(hù)是極為重要的任務(wù)。針對絕緣子檢測背景復(fù)雜，難以提取有效信息的問題，提出了一種基于YOLOv5的絕緣子目標(biāo)檢測算法。在模型中加入CBAM注意力機制改變YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)，增強對目標(biāo)有效特征的提取，確定絕緣子的位置。實驗結(jié)果表明，使用改進(jìn)的YOLOv5算法進(jìn)行絕緣子目標(biāo)檢測平均精度可達(dá)到98.7%，提高了模型的檢測精度，對后續(xù)絕緣子缺陷檢測具有一定參考價值。

關(guān)鍵詞：絕緣子；目標(biāo)檢測；YOLOv5算法；CBAM注意力

中圖分類號：TP18? ? 文獻(xiàn)標(biāo)識碼：A? ? 文章編號：2096-4706（2023）08-0107-04

Abstract： Insulator is a kind of special component in overhead transmission line. It is very important to detect and maintain insulator condition in time during power inspection. Aiming at the problem that the background of insulator detection is complicated and it is difficult to extract effective information， an insulator target detection algorithm based on YOLOv5 is proposed. CBAM attention mechanism is added to the model to change the network structure of YOLOv5， enhance the extraction of effective features of the target and determine the location of the insulator. The experimental results show that the average accuracy of insulator target detection using the improved YOLOv5 algorithm can reach 98.7%， which improves the detection accuracy of the model and has certain reference value for the subsequent insulator defect detection.

Keywords： insulator： target detection; YOLOv5 algorithm; CBAM attention

0? 引? 言

絕緣子主要作為輸配電線路和發(fā)電站設(shè)備間的外絕緣部分，為輸電線路提供了絕緣和支撐的功能，并廣泛應(yīng)用于智能電網(wǎng)中，對電力工業(yè)的發(fā)展起到了很大影響。由于絕緣子常年裸露在戶外，在物理作用和化學(xué)作用的影響下，極易產(chǎn)生污穢、覆蓋、裂紋、爆破等缺陷，因此，需要人們定期巡檢來檢測絕緣子的狀態(tài)，進(jìn)行及時維護(hù)，確保架空輸電線路的穩(wěn)定運行[1]。傳統(tǒng)的人工巡檢仍是中國目前主要的巡查方法，工作者通過自身經(jīng)驗在現(xiàn)場對設(shè)備進(jìn)行觀察、判斷并記錄。但我國地形地貌復(fù)雜、天氣多變，因此采用這種方式存在人力資源浪費、工作者安全存在隱患、檢測效率低、受個人主觀判斷影響以及檢測成本高等問題[2，3]。

隨著無人機航拍技術(shù)的發(fā)展，電力系統(tǒng)開始使用無人機航拍現(xiàn)場絕緣子，進(jìn)行圖像采集，然后由工作者對海量圖片進(jìn)行絕緣子缺陷判斷，但這種方法仍然存在效率低、工作量大等不足[4]。近年來深度學(xué)習(xí)領(lǐng)域目標(biāo)識別算法被廣泛應(yīng)用，將無人機航拍圖像通過計算機視覺算法進(jìn)行處理是大勢所趨，已逐漸成為智能電網(wǎng)系統(tǒng)的一種重要巡檢方式[5，6]。

深度學(xué)習(xí)目標(biāo)檢測算法主要包括兩種，分別為二階段檢測算法和一階段檢測算法。二階段檢測算法包括兩個步驟，先將候選區(qū)域進(jìn)行提取，再將提取的區(qū)域分類并測定邊框，必須通過多次檢測和分類流程，過程復(fù)雜煩瑣，因此這類算法精度相對較高但檢測速度較慢。二階段檢測算法主要包含R-CNN[7]、Fast R-CNN[8]、Faster R-CNN[9]等。虢韜等[10]基于二階段檢測算法模型對絕緣子進(jìn)行目標(biāo)識別和缺陷檢測，其中絕緣子目標(biāo)識別精度為95%。一階段檢測算法即一種基于回歸的檢測方法，不需要提取候選區(qū)域，直接進(jìn)行目標(biāo)的分類和邊界框的生成，從圖片獲得預(yù)測結(jié)果，過程步驟簡單，因此這類算法檢測精度相對較低一些，但是有檢測速度快的優(yōu)勢。一階段檢測算法主要包括SSD[11]、YOLOv4[12]、YOLOv5等。YOLOv4算法的提出解決了一階段算法檢測精度不夠的問題，算法對YOLOv3算法進(jìn)行了改進(jìn)，無論是檢測精度還是檢測速度方面均有了質(zhì)的提升，但YOLOv4算法在一些圖像處理任務(wù)中仍不能達(dá)到最佳檢測效果。王書坤等[13]改進(jìn)YOLOv5模型對絕緣子進(jìn)行缺陷檢測，提升了檢測速度，最終檢測精度達(dá)到95.5%。上述算法均取得了不錯的檢測效果，但是無人機巡檢航拍絕緣子要按照一定拍攝比例不得破壞設(shè)備，存在一定的安全距離，采集的圖片背景環(huán)境復(fù)雜，包含輸電線、塔架、農(nóng)田、道路等，因此無法直接精準(zhǔn)的識別絕緣子缺陷，實現(xiàn)高精度的缺陷檢測仍需要更加精準(zhǔn)的絕緣子識別，確定絕緣子的位置。

針對以上問題，本文基于YOLOv5算法的思想提出一種改進(jìn)的檢測算法，于復(fù)雜背景中檢測絕緣子，提高絕緣子檢測精度，為后續(xù)絕緣子缺陷檢測做好基礎(chǔ)。

1? YOLOv5檢測算法

官方發(fā)布的本文YOLOv5網(wǎng)絡(luò)共包括四個版本，分別為YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x。YOLOv5四個版本的區(qū)別在于網(wǎng)絡(luò)的深度和寬度各不相同，分別由depth_multiple和width_multiple兩個參數(shù)進(jìn)行控制，各版本兩參數(shù)區(qū)別如表1所示。由表1可以看出，YOLOv5s模型深度和寬度是最小的，其余各版本的深度和寬度均在此基礎(chǔ)上逐漸增加，模型結(jié)構(gòu)逐漸復(fù)雜，檢測速度自然也會變慢，故本文選擇YOLOv5s為基礎(chǔ)網(wǎng)絡(luò)。

YOLOv5的結(jié)構(gòu)和YOLOv4相似，包括輸入端、Backbone、Neck、Prediction四個部分，圖1為YOLOv5s的網(wǎng)絡(luò)結(jié)構(gòu)。

YOLOv5輸入端部分，可以自適應(yīng)的在每次訓(xùn)練時計算出針對出本次訓(xùn)練集錨框的一個最佳值。Backbone部分包括Focus結(jié)構(gòu)和CSP結(jié)構(gòu)。Focus結(jié)構(gòu)完成分割步驟，圖2為分割原理圖，每個圖像分割變成四個特征圖像。四個版本的每個CSP的深度都不相同，CSP結(jié)構(gòu)包括CSP1_X和CSP2_X兩種結(jié)構(gòu)，分別應(yīng)用在Backbone部分和Neck部分，這也是與YOLOv4不同的地方，YOLOv4的Neck部分沒有應(yīng)用CSP結(jié)構(gòu)，只用在了Backbone部分。Neck部分采用FPN與PAN結(jié)合的結(jié)構(gòu)，F(xiàn)PN是一種自上向下的特征金字塔，PAN是一種自下向上的特征金字塔。高層的語義特征豐富位置特征粗糙，F(xiàn)PN傳遞高語義信息而不傳遞位置信息，整個金字塔得到增強且基本不增加網(wǎng)絡(luò)的計算量。低層的語義信息簡單但位置特征比較準(zhǔn)確，將PAN增補在FPN的后面，傳遞低層的高定位特征，兩種特征金字塔綜合增強融合效果。若只使用FPN結(jié)構(gòu)或PAN結(jié)構(gòu)，特征融合效果不佳，無法達(dá)到理想的融合效果，因此將二者相結(jié)合，提升特征融合能力。

2? 改進(jìn)YOLOv5檢測算法

注意力機制是一種模仿人腦神經(jīng)網(wǎng)絡(luò)運作的機制，根據(jù)關(guān)注對象的重要性程度有選擇的進(jìn)行關(guān)注，更改關(guān)注權(quán)重參數(shù)的大小。在模型的訓(xùn)練過程中，賦予注意對象更高的權(quán)重系數(shù)，干擾信息更少的權(quán)重系數(shù)，則訓(xùn)練過程更多的關(guān)注在有用信息上，減少了無用信息的干擾，提高對目標(biāo)對象的特征提取能力。在模型網(wǎng)絡(luò)中添加注意力機制，可以提高模型的特征提取能力，提高目標(biāo)的檢測效果，進(jìn)而提高模型的整體檢測準(zhǔn)確度，因此注意力機制常見于各大檢測任務(wù)中。

CBAM模塊是一種簡明且高效的注意力機制，包括空間注意力和通道注意力兩部分[14]。圖3為CBAM注意力機制模塊結(jié)構(gòu)圖。CBAM注意力機制可以放在不同的檢測網(wǎng)絡(luò)中，改善網(wǎng)絡(luò)的檢測性能。

從圖3中可以看出，通道注意力在前，空間注意力在后。輸入特征圖之后，先通過通道注意力，基于特征圖的高、寬進(jìn)行全局最大池化和全局平均池化得到兩個特征圖，然后再分別經(jīng)過一個兩層的神經(jīng)網(wǎng)絡(luò)得到通道的注意力權(quán)重，然后通過Sigmoid函數(shù)歸一，得到最終的通道注意力權(quán)重，最后通過乘法操作將通道加權(quán)到原始輸入特征圖上，完成通道注意力對原始特征的重新標(biāo)定，即圖3中的重標(biāo)定特征圖1。公式為：

將通道注意力輸出的重標(biāo)定特征圖1作為空間注意力的輸入特征圖，同樣基于特征圖的高、寬進(jìn)行全局最大池化和全局平均池化得到兩個特征圖，然后將兩個特征圖做通道拼接，之后再經(jīng)過7×7的卷積降低維度，最后經(jīng)過Sigmoid激活函數(shù)處理得空間注意力權(quán)重，將特征圖與通道注意力輸出的特征圖進(jìn)行合并，完成通道和空間兩個維度上對特征圖的重標(biāo)定，即圖3中的重標(biāo)定特征圖2。公式為：

通過CBAM模塊后，得到一個具有通道和空間兩個維度權(quán)重的特征圖，提升了各個特征在通道和空間上的聯(lián)系，更有利于提取目標(biāo)的有效特征。將CBAM注意力機制添加在Backbone網(wǎng)絡(luò)中，修改后的Backbone網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，對有效的通道特征上賦予更高的權(quán)重，更多的關(guān)注重要信息，提高Backbone網(wǎng)絡(luò)對特征的提取能力，提高檢測精度。

3? 實驗與分析

3.1? 數(shù)據(jù)集處理

本文實驗數(shù)據(jù)來自中國電力線路絕緣子數(shù)據(jù)集（CPLD），從中選取600張絕緣子圖像作為本實驗的數(shù)據(jù)集，數(shù)據(jù)集示例如圖5所示。使用YOLOv5對數(shù)據(jù)集進(jìn)行訓(xùn)練，需要對圖像進(jìn)行voc格式標(biāo)注。本文所有圖像均使用數(shù)據(jù)集標(biāo)注工具labelimg進(jìn)行標(biāo)注，詳細(xì)標(biāo)注過程：啟用終端命令窗口，進(jìn)入相應(yīng)的配置環(huán)境，輸入labelimg命令，即可使用labelimg標(biāo)注工具，點擊打開目錄選擇數(shù)據(jù)集圖像所在文件夾，點擊改變存放目錄選擇標(biāo)注后的保存路徑，然后對絕緣子目標(biāo)進(jìn)行矩形框選，標(biāo)注名稱為insulator，完成框選后點擊保存會自動生成一個與圖像對應(yīng)的txt文件，文件中包含標(biāo)簽類別、框選區(qū)域的左上及右下橫縱坐標(biāo)，完成所有圖像的標(biāo)注，為目標(biāo)識別做好準(zhǔn)備工作。數(shù)據(jù)集標(biāo)注示例如圖6所示。將數(shù)據(jù)集分為訓(xùn)練集、驗證集和測試集，分別為400張、150張和50張，并將數(shù)據(jù)圖像和標(biāo)簽文件一一對應(yīng)放置。通過上述工作，完成數(shù)據(jù)集處理部分。

3.2? 訓(xùn)練環(huán)境和模型評價指標(biāo)

所有實驗均在云服務(wù)器上進(jìn)行，顯卡為RTX 2080Ti，CPU為3核E5系列，操作環(huán)境為Ubuntu，深度學(xué)習(xí)框架為PyTorch 1.7，加速器為CUDA 11，編程語言為Python。

本文算法改進(jìn)效果的評定指標(biāo)為準(zhǔn)確率P、召回率R和平均精度（mAP），公式為：

式中：TP為本質(zhì)為正例且被測定為正例的個數(shù)；FP為本質(zhì)為負(fù)例但被測定為正例的個數(shù)；FN為本質(zhì)為正例但被測定為負(fù)例的個數(shù)；N為總類別數(shù)；mAP為基于0.5閾值時計算出的平均精度。

3.3? 訓(xùn)練結(jié)果分析

整個目標(biāo)檢測模型共訓(xùn)練了200次，所得的改進(jìn)算法效果良好，圖7為改進(jìn)算法得出的P-R曲線。原始YOLOv5算法與改進(jìn)的YOLOv5算法平均精度和召回率比較結(jié)果如表2所示，改進(jìn)后算法的平均精度為98.7%，召回率為96%，分別提升了0.4%和0.3%。

圖8為原YOLOv5算法與本文改進(jìn)的YOLOv5算法在測試集上的檢測效果比較，實驗圖像為從測試集中隨機抽取的1張圖像。從圖8可以看出，改進(jìn)后的算法提高了特征的提取能力，算法所能識別物體的置信度更高，驗證了算法的可行性。

4? 結(jié)? 論

本文提出一種基于YOLOv5的絕緣子目標(biāo)檢測算法，將CBAM注意力機制添加到Y(jié)OLOv5網(wǎng)絡(luò)中，增強對特征的提取能力，最終達(dá)到了98.7%的絕緣子目標(biāo)識別精度，識別效果明顯。在下一步的工作中，將主要優(yōu)化網(wǎng)絡(luò)模型，縮短目標(biāo)檢測所用時間。

參考文獻(xiàn)：

[1] 劉開培，李博強，秦亮，等.深度學(xué)習(xí)目標(biāo)檢測算法在架空輸電線路絕緣子缺陷檢測中的應(yīng)用研究綜述[J/OL].高電壓技術(shù)，2022：1-12[2022-10-18].https：//kns.cnki.net/kcms2/article/abstract？v=3uoqIhG8C45S0n9fL2suRadTyEVl2pW9UrhTDCdPD669CjSZCpCUE6pHp1GuwjspiP4q1o1HjO73oUfdBjupmAdw3gM3ew7g&uniplatform=NZKPT.

[2] 黃山，吳振升，任志剛，等.電力智能巡檢機器人研究綜述 [J].電測與儀表，2020，57（2）：26-38.

[3] 方立.面向電力巡檢機器人的儀表示數(shù)識別 [D].杭州：浙江大學(xué)，2017.

[4] 呂志寧.輸電線路常見故障分析與檢測方法綜述 [J].自動化與儀器儀表，2020（1）：161-164+168.

[5] 繆希仁，劉志穎，鄢齊晨.無人機輸電線路智能巡檢技術(shù)綜述 [J].福州大學(xué)學(xué)報：自然科學(xué)版，2020，48（2）：198-209.

[6] 黃鄭，王永強，王紅星，等.基于云霧邊異構(gòu)協(xié)同的無人機智慧巡檢系統(tǒng) [J].中國電力，2020，53（4）：161-168.

[7] GIRSHICK R，DONAHUE J，DARRELL T，et al. Region-Based Convolutional Networks for Accurate Object Detection and Segmentation [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，38（1）：142-158.

[8] GIRSHICK R. Fast R-CNN [C]//2015 IEEE International Conference on Computer Vision（ICCV）.Santiago：IEEE，2015：1440-1448.

[9] REN S Q，HE K M，GIRSHICK R，et al. Faster R-CNN：Towards Real-Time Object Detection with Region Proposal Networks [J/OL].arXiv：1506.01497 [cs.CV].[2022-10-18].http：//aps.arxiv.org/abs/1506.01497v2.

[10] 虢韜，楊恒，時磊，等.基于Faster RCNN的絕緣子自爆缺陷識別 [J].電瓷避雷器，2019（3）：183-189.

[11] LIU W，ANGUELOV D，ERHAN D，et al. SSD：Single Shot MultiBox Detector [J].arXiv：1512.02325 [cs.CV].[2022-10-19].https：//arxiv.org/abs/1512.02325.

[12] Bochkovskiy A，Wang C Y，Liao H y m. YOLOv4： Optimal Speed and Accuracy of Object Detection [J/OL].arXiv：2004.10934 [cs.CV].[2022-10-17].https：//arxiv.org/abs/2004.10934.

[13] 王書坤，高林，伏德粟，等.改進(jìn)的輕量型YOLOv5絕緣子缺陷檢測算法研究 [J].湖北民族大學(xué)學(xué)報：自然科學(xué)版，2021，39（4）：456-461.

[14] WOO S，PARK J，LEE J Y，et al. CBAM：Convolutional block attention module [EB/OL].[2022-10-17].https：//arxiv.org/pdf/1807.06521.pdf.

作者簡介：孟帥（1999—），女，漢族，河北三河人，碩士研究生在讀，研究方向：人工智能。