基于YOLO算法的無人機多目標診斷技術研究與應用

尹為松 陶俊 黃高舉 章兵

（安徽繼遠軟件有限公司，安徽合肥 230088）

0.引言

近年來，我國國民經濟的持續快速發展對我國電力工業提出了越來越高的要求，隨著無人機巡檢歷程與輸配電線路信息量的增加，如何有效地、快速地進行線路信息采集，處理線路類別，進行缺陷類型的識別與定位成為智能巡檢亟需解決的問題。從近年來各單位的研究、應用情況來看，無人機在巡檢過程中，對云臺拍攝圖像缺乏質量評價，針對目標遮擋、拍攝不清等相片，因圖像缺陷識別效果不好無法進行識別，隨著人工智能、圖像處理和移動互聯技術的發展，結合現階段無人機巡檢的業務需求，開展無人機巡檢在線檢測、診斷與智能控制等技術研究與應用，為上述問題提供合理的解決方案，從而提高巡檢效率，保障巡檢安全[1]。

1.YOLO算法

YOLO系列算法的核心思想是將整張圖片作為網絡的輸入，直接在輸出層對外接邊框（Bounding Box簡稱BBox）的位置和類別進行回歸。具體實現方法如下：將一幅圖像分成SxS個網格，如果某個目標的中心落在這個網格中，則這個網格就負責預測這個目標。每個網格需要預測N個邊框的位置信息和置信度信息，一個BBox對應著4個位置信息和一個置信度信息。置信度信息代表了所預測的邊框中含有檢測目標的置信度和這個邊框預測的準確度的兩重信息[2]，即

其中，IOU為BBox和實際的標注的框之間的交并比，且如果有目標落在一個網格里，第一項取1，否則取0。對于每個BBox都要預測（x，y，w，h）和置信度共5個值，每個網格還要預測一個類別信息，記為C類。對于一個SxS個網格，每個網格要預測N個BBox還要預測C個類別信息，則最終輸出數據就是S×S×（5＊N+C）的一個張量[3]。

在設計損失函數時，構造損失函數如下[4]。

YOLO算法的優點在于快速、簡單和通用性強。

2.YOLO算法在無人機多目標診斷中應用

2.1 數據處理流程

在利用YOLO算法對輸配電線路中的桿塔等目標進行檢測時，需要對YOLO模型作網絡上的調整，數據處理流程如圖1所示[5]。

圖1 數據處理流程

2.2 模型訓練

在利用無人機進行輸配電線路巡視時，通過無人機采集桿塔照片信息，基于YOLO算法將采集的照片被處理成一幀幀圖像并輸入到模型中，每幀圖像首先按YOLO分辨率的要求放縮成規定像素大小，然后將放縮后的圖像輸入到卷積層構成的基礎深度神經網絡，實現局部的特征交互[6]。

2.3 參數收斂

基于YOLO算法的評估參數包括GIoU值、目標檢測損失值、分類損失值，該值越小，表示框得越準、檢測得越準以及分類得越準。在數據訓練過程和驗證過程中，需要分析曲線的整體走勢情況，如果整體呈下降趨勢，越趨向于零，則表明YOLO算法取得了很好的識別和檢測精度。

在利用YOLO算法模型時，需要評估精度、召回率和平均精度等分布情況，其中參數精度計算公式如下：

該參數表示分類器認為是正類并且確實是正類的部分占所有分類器認為是正類的比例，衡量的是一個分類器分出來的正類的確是正類的概率。

參數召回率計算公式如下[7]：

該參數認為是正類并且確實是正類的部分占所有確實是正類的比例，衡量的是一個分類能把所有的正類都找出來的能力。

3.實例分析

選取某條配電線路，開展無人機巡視，并將算法進行驗證，通過對算法進行應用和論證，從案例數據的識別結果來看，可以達到很好的目標識別效果和精度，說明本文所介紹的基于YOLO識別算法具有很好的識別診斷效果。得到相關參數收斂情況如圖2所示。

圖2 參數收斂情況

4.結語

利用無人機搭載可見光、紅外、紫外等模塊對瓷瓶、導線、金具等構件的圖片進行特征提取，適應不同環境下設備故障檢測需求。通過基于YOLO算法的無人機多目標診斷技術應用，能較好地實現設備異常缺陷診斷，及時精準地定位缺陷或潛在的風險，幾乎可取代傳統巡檢工作中的外業人力部分，有效降低運維成本的同時為輸配電路運維工作提供了極高效、 精準、安全的保障。優點有如下幾點。

（1）實現自動判別故障解決人工挑選故障效率低難題。

（2）匯集圖片，剔除拍攝質量差的無人機圖片。

（3）匯聚成故障識別診斷庫和故障訓練集，高效準確，逐步提升人工智能識別精度。

（4）通過算法應用能進行精準圖片治理，響應即時。

（5）能替代人工識別，有效降低運維成本，節本增效明顯。