YOLOv4在電力巡檢目標檢測中的應用

孫興達 郝赫 劉遠 趙園園 王一夢

摘? 要：針對電力巡檢對照片快速批量目標識別的業務需求，該文以YOLOv4為技術手段實現對電力巡檢照片的目標檢測過程。文中首先對電力巡檢的訓練數據集進行精確標注，后經過Darknet深度學習框架訓練，試驗檢測達到了良好的效果。試驗結果顯示，該次試驗檢測的準確度為0.875，召回率為0.840。此目標檢測效果滿足部分電力巡檢對圖片目標檢測的需求，但仍存在訓練集圖片數據量少以及圖片中物體特征不顯著等問題。

關鍵詞：電力巡檢;YOLOv4;目標檢測;深度學習

中圖分類號：TP391.41;TM75? ? ? ?文獻標識碼：A 文章編號：2096-4706（2020）20-0115-03

Application of YOLOv4 in Power Inspection Target Detection

SUN Xingda，HAO He，LIU Yuan，ZHAO Yuanyuan，WANG Yimeng

（Beijing Guodiantong Network Technology Co.，Ltd.，Beijing? 100085，China）

Abstract：Aiming at the business needs of power inspection for rapid batch target recognition of photos，this paper uses YOLOv4 as a technical means to realize the target detection process of power inspection photos. In this paper，the training data set of power inspection is accurately labeled first，and then trained by the Darknet deep learning framework，the test and detection have achieved good results. The test results show that the accuracy of this test is 0.875，and the recall rate is 0.840. This target detection effect meets the needs of some power inspections for image target detection. However，there are still some problems，such as the small amount of image data in training set and the insignificant features of objects in the pictures.

Keywords：power inspection;YOLOv4;target detection;deep learning

0? 引? 言

2020年6月15日，國家電網在京舉行“數字新基建”重點建設任務發布會，進一步明確“建設具有中國特色國際領先的能源互聯網企業”的戰略目標。如何促進信息化在傳統業務中的應用，加速傳統工業數字化轉型升級，合理有效的發揮數字資產價值，成為當前企業轉型升級、業務創新的重要突破方向。在電力能源領域，日均產生數據的量級巨大且呈快速增長趨勢，以何種方式處理海量數據并保證應用落地成為重要課題。國網下屬某信息科技企業以企業信息化、綜合能源、智能運檢三大業務板塊為發展思路，以建設持續創新的能源信息化企業為發展目標。將“云大物移智鏈”等技術以合適的方式應用到電力行業中，一直是公司探索的方向。近年來，電力巡檢智能化的熱度居高不下，如巡檢機器人、巡檢無人機等，這些硬件設備不僅可以獲取圖像和視頻信息，還可以對獲取的信息進行快速發送、分析和處理，是重要的數據依據。伴隨著數據量級的增長，如何對海量數據進行有效處理就顯得異常重要。本文依托公司項目開展試驗，旨在減輕一線電力從業者在巡檢圖片判斷方面的工作負擔。基于公司在電力智能巡檢方面的探索和積累，模仿創新，以Yolov4作為技術手段，探索其在電力巡檢目標識別中的應用，為目標識別在電力行業中的應用提供一定的參考。

1? 算法簡介

1.1? YOLO算法發展

YOLO算法的出現，在一定程度上解決了雙階段目標檢測算法的低效問題，2016年學者Redmon等人在雙階段目標檢測算法的基礎上舍去算法中的候選框提取分支，進一步提高了目標檢測的速度，YOLOv1由此誕生，至此基于深度學習的目標檢測算法有了雙階段和單階段之分。YOLOv1雖提高了檢測速度，但其算法在物體定位方面的精確度相對較低。針對該問題，學者Redmon和Farhadi在2017年改進得到YOLOv2模型，新算法主要利用批歸一化、高分辨率分類器等操作來實現模型的檢測精度提升，最終將YOLO算法模型在其指定數據集上的檢測精度提升了12.4%。2018年，YOLOv2的設計者使用全新設計的Darknet53殘差網絡，并結合特征金字塔網絡進行多尺度融合預測，模型的準確率與召回率進一步提高。2020年4月23日，YOLOv4更新迭代產生，與YOLOv3算法采用FPN進行采樣不同，YOLOv4借鑒PANet網絡中信息流通思想，先通過FPN采樣方式將高層特征的語義信息傳播到低層網絡，后與底層特征的高分辨率信息相融合以提高小目標檢測物的檢測效果，再增加從最底層到最上層的信息傳輸路徑，通過下采樣加強特征金字塔，最后用不同層的特征圖融合實現相關預測[1]。

1.2? 試驗過程

試驗輸入一張待檢測的電力巡檢圖片，如圖1所示。

首先經CSPDarknet53主干特征提取網絡提取該圖片的3個初始特征層，分別位于CSPDarknet53的不同位置以檢測小、中等大小以及較大3類目標。再對3個初始特征層進行一定的處理得到3個有效的特征層，即圖1中所示shape分別為（76，76，256）、（38，38，512）、（19，19，1 024）的三層。對CSPDarknet53最后一個特征層進行三次DarknetConv2D_BN_Leaky卷積后，分別利用四個不同尺度的最大池化進行處理，從而極大地增加感受野進而分離出在本張圖片中最顯著的上下文特征[2]。同時，YOLOv4通過使用PANet結構可實現對電力巡檢圖片特征層從上到下特征的反復提取。在完成對電力巡檢圖片目標對象的特征提取后，利用YOLOv3 Head對獲取的特征進行預測，得到三個有效特征層的預測結果，相應的shape數據也隨之得出，并可明確3個預測框的位置[3]。對每個特征層進行解碼后可獲取預測框在原圖片上的位置，再經過相關算法篩選方可將具體的檢測結果繪制在原圖片上，如：insulator（絕緣子）、spacer（間隔棒）、grading ring（均壓環）、yoke plate（聯板）等物體名稱。

2? 目標檢測數據集整理標注

因為保密原因，目前有關電力巡檢的數據集公開較少。為能夠更好地進行目標檢測試驗，本試驗研究對現有的電力巡檢圖片進行了收集整理，最終共匯總電力巡檢圖片915張，并將其中的895張圖片作為本次目標檢測試驗的訓練數據集，剩余20張作為試驗的測試數據集。

數據集收集整理完成后，筆者對訓練集數據進行標簽標注。本試驗研究使用的數據集標注工具為開源工程labelImg，采用的標注方式為分類標注，即從給定的標簽集中選擇合適的標簽匹配給被標注的對象[4]。本次試驗涉及的標簽主要為insulator、spacer、grading ring、yoke plate等。對訓練集數據標注完成后共生成895個PASCAL VOC格式的xml標記文件，共形成5個物體分類，具體標注實例情況如圖2所示。

3? 試驗與結果分析

3.1? 目標檢測環境搭建

本次試驗平臺環境如下：操作系統Windows10，深度學習框架Darknet，CPU為Intel酷睿i7 10700，內存16 GB，GPU為Nvidia Geforce 1050Ti，顯存為4 GB。針對本次試驗的訓練數據集對YOLOv4算法模型中cfg目錄下的配置文件yolov4-custom.cfg的相關參數進行調整，主要的訓練參數說明及設置為：

batch（每次迭代訓練輸入的訓練樣本數量）=32;sub-divisions（將每次batch數量分成subdivision對應數字的份數，各份數跑完后打包方完成一次迭代）=16;max_batches（最大迭代次數，即在訓練次數達到max_batches對應數字的次數后停止學習）=10 000;steps（學習率變化的設置，一般設置為max_batches的80%和90%）=8 000，9 000;scales（與steps一起設置學習率的變化，當訓練的迭代次數達到8 000次時學習率衰減10倍，9 000次訓練迭代次數時學習率再次衰減10倍）=0.1，0.1。

3.2? 結果分析

筆者在上述915張圖片中選取了895張圖片作為本次試驗的訓練集，在測試集上的部分檢測效果如圖3所示，對于不同類型的物體圖像采用不同顏色方框進行標注，如物體間隔棒，模型會用框標注并注明spacer字樣。

對訓練集數據訓練完成后，需對本電力巡檢目標檢測結果的準確率（Precision）與召回率（Recall）進行檢驗。準確率=正確檢測到電力巡檢物體的數量/（正確檢測到電力巡檢物體的數量+錯誤檢測電力巡檢物體的數量）;召回率=正確檢測到電力巡檢物體的數量/（正確檢測到電力巡檢物體的數量+漏檢測電力巡檢物體的數量）。本次試驗共檢測電力巡檢圖片20張，詳細試驗結果如表1所示，其中TP表示正確檢測到電力巡檢物體的數量，FP表示錯誤檢測電力巡檢物體的數量，FN表示漏檢測電力巡檢物體的數量。最終得出檢測準確率為0.875，召回率為0.840。

4? 結? 論

本應用研究首先對電力巡檢相關數據集收集整理，使用開源工程labelImg對訓練數據集進行分類標注，后使用YOLOv4模型訓練電力巡檢訓練數據集。本次試驗檢測效果良好，但主要存在以下兩方面問題：訓練集數據量較少，本次應用研究的訓練數據集僅有895張圖片數據，此數量遠無法滿足YOLOv4對訓練集的要求，這是本次電力巡檢目標檢測試驗準確率較低的重要原因;數據集照片中部分物體特征不顯著，圖片質量不高，這直接影響對不同物體的識別，物體特征不顯著會直接影響模型對它們的識別。筆者認為增加電力巡檢訓練數據集中的圖片數量是提高電力巡檢目標檢測準確率和召回率的重要基礎，同時如何提高對特征不顯著物體的檢測效率是今后研究的重要突破方向。

參考文獻：

[1] BOCHKOVSKIY A，WANG C Y，LIAO H Y M.YOLOv4：Optimal Speed and Accuracy of Object Detection [J/OL].arXiv：2004.10934 [cs.CV].（2020-04-23）.https：//arxiv.org/abs/2004.10934.

[2] 徐子睿，劉猛，談雅婷.基于YOLOv4的車輛檢測與流量統計研究 [J].現代信息科技，2020，4（15）：98-100+103.

[3] 談小峰，王直杰.基于YOLOv4改進算法的乒乓球識別 [J].科技創新與應用，2020（27）：74-76.

[4] 黃健，張鋼.深度卷積神經網絡的目標檢測算法綜述 [J].計算機工程與應用，2020，56（17）：12-23.

[5] 劉舒康，唐鵬，金煒東.基于智能數據增強和改進YOLOv3算法的接觸網吊弦及支架檢測研究 [J].計算機科學，2020，47（S2）：178-182.

[6] 李慶忠，徐相玉.基于改進YOLOV3-Tiny的海面船艦目標快速檢測 [J/OL].計算機工程：1-9（2020-11-04）.https：//doi.org/10.19678/j.issn.1000-3428.0059305.

[7] 任艷，張蕾，徐春，等.基于圖像處理的人臉識別技術研究 [J].電子元器件與信息技術，2020，4（7）：81-82.

[8] 劉紫燕，袁磊，朱明成，等.融合SPP和改進FPN的YOLOv3交通標志檢測 [J/OL].計算機工程與應用：1-10（2020-10-29）.http：//kns.cnki.net/kcms/detail/11.2127.tp.20201029. 1334.010.html.

[9] 律方成，牛雷雷，王勝輝，等.基于紫外成像和改進YOLOv3的瓷懸式絕緣子放電嚴重程度評估 [J/OL].高電壓技術：1-10（2020-10-29）.https：//doi.org/10.13336/j.1003-6520.hve.20200674.

[10] 翟愛亭.分析機器視覺定位技術在工業機器人智能化中的應用 [J].電子元器件與信息技術，2020，4（6）：62-63.

作者簡介：孫興達（1994—），男，漢族，安徽蚌埠人，初級咨詢師，碩士，主要研究方向：數據應用。