基于AI 視覺智能巡檢系統(tǒng)的設(shè)計與實現(xiàn)

摘要：隨著電力行業(yè)的快速發(fā)展和電力設(shè)施的不斷更新?lián)Q代，通過無人機進行智能巡檢的應(yīng)用范圍正在逐步拓展。傳統(tǒng)的人工巡檢方式耗時長、人力成本高、巡檢難度大，限制了巡檢作業(yè)的效率和準確性。針對以上問題的研究，文章設(shè)計了一種基于卷積神經(jīng)網(wǎng)絡(luò)YOLOv5s模型的線路破損檢測算法。YOLOv5s模型獨特的CSP結(jié)構(gòu)，能有效加強網(wǎng)絡(luò)特征融合的能力。通過使用手機攝像頭模擬無人機進行巡檢實驗，驗證了該算法的可行性與準確度。

關(guān)鍵詞：YOLOv5s模型；破損線路檢測；智能巡檢

中圖分類號：TP391.41 文獻標(biāo)識碼：A

文章編號：1009-3044（2024）17-0019-03 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID） ：

0 引言

智慧融合是構(gòu)建新型電力系統(tǒng)的基礎(chǔ)保障，將為電力行業(yè)帶來更高效、可靠的運行模式。國家能源局在2023年6月發(fā)布的《藍皮書》中明確指出，在建設(shè)新型能源體系的過程中，構(gòu)建新型電力系統(tǒng)是一項關(guān)鍵任務(wù)。

未來的數(shù)字電網(wǎng)將在人工智能、物聯(lián)網(wǎng)、云計算和大數(shù)據(jù)等新一代數(shù)字技術(shù)的引領(lǐng)下不斷演進[1]。在新模式、新場景的帶動下，智能識別技術(shù)提升了在電網(wǎng)檢測、巡檢、應(yīng)急響應(yīng)、故障排查等方面的工作效率[2]。文獻[3]中記錄了在國內(nèi)輸電線路事件中由外部力量造成的故障事件占比為30%，生活中常見的破壞行為主要包括蓄意破壞、懸掛異物、樹木成長壓線等。當(dāng)前，隨著城市電力設(shè)施的快速發(fā)展，一些老街道在巡檢時仍存在輸電線路被遮擋、目標(biāo)較小導(dǎo)致誤檢等問題[4]。電力巡檢的任務(wù)包括電力資源設(shè)施及其線路的日常維護和檢修，如果巡檢效率低下，可能導(dǎo)致輸電線路大面積癱瘓，帶來不必要的經(jīng)濟損失。因此，提高電力巡檢智能化水平在生活中具有不言而喻的重要性。

學(xué)者劉彥清[5]通過對比YOLO系列算法驗證了在目標(biāo)檢測方面YOLOv5算法是較好的檢測方法。針對YOLOv5s智能巡檢算法，目前已有一定研究。鄭良成等人[6]通過添加CA注意力機制、替換上采樣模式、利用slim_neck結(jié)構(gòu)等操作，得出改進的YOLOv5s模型，更具輕量化特性。在圖像識別精度方面，貴向泉等人[7]對多種算法進行對比實驗的結(jié)果表明，YOLOv5s 算法在精確率、平均精度等方面均有所提升。黃悅?cè)A等人[8]在原有算法的基礎(chǔ)上引入Ghost模塊，提升了對模糊輸電線路圖像的檢測精度。閆彥輝等人[9]在YO?LOv5s的基礎(chǔ)上進行稀疏訓(xùn)練和剪枝處理，最終得到了一個兼具檢測精度與推理速度的輸電線路全景檢測模型。基于此，本文以卷積神經(jīng)網(wǎng)絡(luò)YOLOv5s算法為依托，設(shè)計了基于AI視覺的智能巡檢系統(tǒng)，通過使用手機攝像頭模擬無人機進行破損線路的識別和神經(jīng)網(wǎng)絡(luò)系統(tǒng)算法分析，能夠較好地提供線路破損的位置與狀況。

1 YOLOv5s 網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5s算法是YOLO系列的延伸，同時也是基于YOLOv5的最小版本，它能很好地在目標(biāo)檢測精度和速度這兩方面取得平衡。該算法在YOLOv4的基礎(chǔ)上引入了一些數(shù)據(jù)增強方面的改進，其中包括Mosaic 輸入[10]的概念，這個概念可以輕松將多個圖像組合成一個大圖像，以提高YOLOv5 算法檢測的準確性。YOLO算法系列一般包含4個主要模塊：主干網(wǎng)絡(luò)、特征融合模塊、輸入模塊和輸出模塊。通過backbone提取圖片特征，供后面的網(wǎng)絡(luò)使用，在這一步可以根據(jù)項目的需要添加自定義的網(wǎng)絡(luò)，使模型更加貼合實際使用。通過neck可以對主干網(wǎng)絡(luò)提取的特征進行加工利用，用以提高模型的魯棒性。head則用于獲取網(wǎng)絡(luò)輸出，對之前提取的圖片特征做出預(yù)測[11]。

YOLOv5系列在進行卷積操作的同時使用了兩種CSP結(jié)構(gòu)，能較好地解決微型計算機在計算瓶頸和內(nèi)存消耗上存在的問題。如圖1所示，以YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)為例，CSP1_X 結(jié)構(gòu)主要出現(xiàn)在主干網(wǎng)絡(luò)中，CSP2_X結(jié)構(gòu)則常見于頸部網(wǎng)絡(luò)中，其中X表示進行卷積操作時使用殘差組件的個數(shù)[12]。CSP2結(jié)構(gòu)在算法中的應(yīng)用，能進一步加強網(wǎng)絡(luò)特征融合的能力，為各種應(yīng)用場景提供更加靈活高效的解決方案[13]。

2 技術(shù)實現(xiàn)

2.1 攝像頭的選取

手機實時攝像的技術(shù)早已得到實現(xiàn)，最常見的兩款軟件分別是IP攝像頭和IVcam。IP攝像頭使用起來非常方便，打開局域網(wǎng)網(wǎng)址就能看到實時錄制的視頻，但目前這款軟件只支持安卓系統(tǒng)。IVcam軟件使用功能廣泛，是一款高質(zhì)量的網(wǎng)絡(luò)攝像頭軟件，但需要同時下載電腦端和手機端才能使用。此外，IP攝像頭軟件自帶回放功能，在初次檢測過后，可通過查看回放，獲取首次檢測的視頻在PyCharm中進行二次檢測，以確保實驗的準確性。從實用角度考慮，本項目選取IP攝像頭作為實時攝像的工具。

2.2 實時檢測的實現(xiàn)

實時檢測模塊通過手機后置攝像頭進行模擬，實時識別圖像框中的線路，并對其完整度做出預(yù)測評估。如圖2所示，在打開IP攝像頭的同時，需要記錄局域網(wǎng)的地址，程序?qū)脑摰刂帆@取圖像數(shù)據(jù)進行處理。打開PyCharm并點擊右上角的Edit Configuration，在Parameters 中填入以下參數(shù)值：--view-img 和--source參數(shù)，參數(shù)值填入局域網(wǎng)網(wǎng)址。再次運行項目，就可以實現(xiàn)在電腦上實時顯示目標(biāo)檢測的畫面。

3 實驗設(shè)置與結(jié)果

3.1 實驗環(huán)境

如表1所示，實驗采用搭載RTX 3060 12GB顯存的電腦系統(tǒng)，其中包括AMD 5600X處理器、32GB內(nèi)存以及運行Windows 10操作系統(tǒng)。RTX 3060的GPU型號為GA106-302，采用了第2代NVIDIA RTX架構(gòu)，即NVIDIA Ampere架構(gòu)。該顯卡搭載了全新的RT Core （光線追蹤核心）、Tensor Core（張量核心）以及SM流式多處理器，提供了先進的AI性能。

在機器學(xué)習(xí)的訓(xùn)練過程中，顯存大小是一個非常重要的因素。擁有12GB的顯存意味著可以同時處理更大規(guī)模的數(shù)據(jù)集和模型，這就好比在一個更大的空間里能夠安排更多的工人一樣。對于機器學(xué)習(xí)任務(wù)而言，通常需要處理大量的數(shù)據(jù)、進行復(fù)雜的計算，因此擁有大容量的顯存能夠更好地支持模型的訓(xùn)練和推斷過程，提高效率并允許處理更復(fù)雜的任務(wù)。

基于AI的智能巡檢系統(tǒng)采用Anaconda來創(chuàng)建虛擬環(huán)境，Anaconda 是PyTorch 官方推薦的包管理器。相比在系統(tǒng)中手動配置PyTorch及其相關(guān)依賴包，使用Anaconda創(chuàng)建虛擬環(huán)境能夠大大簡化整個過程，不僅提高了開發(fā)者的工作效率，而且也降低了開發(fā)人員在程序編寫中可能出現(xiàn)的低級錯誤。

3.2 數(shù)據(jù)集制作

3.2.1 利用Labelimg 制作數(shù)據(jù)集

Labelimg是一款支持3種不同標(biāo)注格式的數(shù)據(jù)標(biāo)注工具：VOC標(biāo)簽格式、YOLO標(biāo)簽格式和CreateML 標(biāo)簽格式[14]。本項目采用VOC格式對數(shù)據(jù)集進行標(biāo)注，原因在于YOLO 格式展示圖片的內(nèi)容是一串?dāng)?shù)字，后期再次翻閱難以理解，而對于VOC格式的XML 文檔，可以大概了解到所標(biāo)注的圖片內(nèi)容。

3.2.2 數(shù)據(jù)集格式轉(zhuǎn)化和劃分

在實驗期間，所使用的數(shù)據(jù)集大部分來自網(wǎng)絡(luò)圖片以及網(wǎng)絡(luò)視頻。在線獲取的目標(biāo)檢測數(shù)據(jù)集資源，其標(biāo)簽格式絕大多數(shù)為VOC（XML格式），而YOLOv5 訓(xùn)練所需要的文件格式為YOLO（TXT格式）。因此，在使用圖片資源前需要將帶有XML格式的標(biāo)簽文件轉(zhuǎn)換為TXT文件[15]。在訓(xùn)練YOLOv5s檢測模型時，要記得將數(shù)據(jù)集劃分為訓(xùn)練集和驗證集。為了加快訓(xùn)練速度并提高模型精度，本項目選擇加載預(yù)先訓(xùn)練好的權(quán)重來進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。使用的預(yù)訓(xùn)練權(quán)重文件是yolov5s.pt，因為其具有更快的訓(xùn)練速度和更輕量級的特點。

3.3 實驗?zāi)M與結(jié)果分析

由于實驗成本受限，加上所使用的終端設(shè)備的計算能力不高，因此實驗選用4 400萬手機攝像頭模擬無人機攝像。為了驗證原先所使用的YOLOv5s算法與改進之后所使用的YOLOv5s算法的有效性，對驗證集進行測試，測試結(jié)果如圖3和圖4所示。圖3中，原算法能在眾多圖片中尋找損壞的線路，并且已破損的線路上標(biāo)顯示為1，完好的線路上標(biāo)顯示0。圖4中，將算法進行改進后，設(shè)置迭代次數(shù)為100次，將含有破損線路的圖片用改進的YOLOv5s算法重新檢測，在識別出破損線路之后，進一步識別線路的損壞程度。實驗表明在忽略計算時長的情況下，增加迭代次數(shù)能有效提高檢測精度。反之，迭代次數(shù)少，耗時則短。

4 結(jié)束語

本文提出了一種利用卷積神經(jīng)網(wǎng)絡(luò)YOLOv5s網(wǎng)絡(luò)模型，對線路破損程度進行實時檢測的方法。在電腦端搭建基于Pytorch深度學(xué)習(xí)框架，通過實時圖傳數(shù)據(jù)建立Pascal VOC數(shù)據(jù)集，再將數(shù)據(jù)集使用YOLOv5s 進行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，同時分析各項性能參數(shù)指標(biāo)。在未來實際檢測中，無人機將自動巡航拍攝畫面并傳入終端，終端通過YOLOv5s對視頻進行檢測，排查出相對老化破損的設(shè)施，并將這些數(shù)據(jù)統(tǒng)一導(dǎo)入至數(shù)據(jù)庫進行匯總，最后由電力維修工人前往現(xiàn)場實現(xiàn)相關(guān)損壞位置的修復(fù)。

參考文獻：

[1] 吳凱東，繆希仁，劉志穎，等.基于泛在物聯(lián)的輸電線路智能巡檢技術(shù)綜述[J].電器與能效管理技術(shù)，2020（3）：1-7.

[2] 陳學(xué)峰.智能識別技術(shù)在無人機電力巡檢中的應(yīng)用[J].集成電路應(yīng)用，2023，40（2）：242-243.

[3] 張煜彬，方中純.基于改進YOLOv3的輸電線路外力破壞危險行為檢測[J].內(nèi)蒙古科技大學(xué)學(xué)報，2021，40（4）：364-369.

[4] 游越，伊力哈木·亞爾買買提，呂怡凡，等.基于改進YOLOv5 在電力巡檢中的目標(biāo)檢測算法研究[J].高壓電器，2023，59（2）：89-96.

[5] 劉彥清.基于YOLO系列的目標(biāo)檢測改進算法[D].長春：吉林大學(xué)，2021.

[6] 鄭良成，曹雪虹，焦良葆，等.基于改進YOLOv5s的輸電線路防外力破壞行為檢測識別[J].計算機測量與控制，2024，32（2）：42-49.

[7] 貴向泉，秦慶松，孔令旺.基于改進YOLOv5s的小目標(biāo)檢測算法[J].計算機工程與設(shè)計，2024，45（4）：1134-1140.

[8] 黃悅?cè)A，陳照源，陳慶，等.基于邊緣計算和改進YOLOv5s算法的輸電線路故障實時檢測方法[J].電力建設(shè)，2023，44（1）：91-99.

[9] 閆彥輝，張楠，武建超，等.基于YOLOv5s剪枝模型的輸電線路全景監(jiān)測研究[J].測控技術(shù)，2023，42（1）：10-15.

[10] 池小波，張偉杰，賈新春，等.基于改進YOLOv5s的輕量級絕緣子缺失檢測[J].測試技術(shù)學(xué)報，2024，38（1）：19-26.

[11] 易華輝，宋文治，黃金香，等.基于改進YOLOv5的無人機小目標(biāo)檢測方法研究[J].機電工程技術(shù)，2023，52（2）：139-144.

[12] 代國林.電力巡檢中無人機航拍圖片的鳥窩檢測方法研究及應(yīng)用[D].桂林：桂林電子科技大學(xué)，2023.

[13] 冀承澤，賈立新，李荊暉.基于改進YOLOv5s的兩種輸電桿塔缺陷檢測研究[J].計算機技術(shù)與發(fā)展，2024，34（2）：180-185.

[14] 王赟通.基于深度學(xué)習(xí)的口罩佩戴檢測系統(tǒng)的設(shè)計與實現(xiàn)[D].北京：北京交通大學(xué)，2022.

[15] 馬思維.改進YOLOv5s的絕緣子及缺陷檢測研究[D].大連： 大連交通大學(xué)，2023.

【通聯(lián)編輯：謝媛媛】

基金項目：2023 年湛江科技學(xué)院大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目：基于AI 視覺智能巡檢系統(tǒng)的設(shè)計與實現(xiàn)（項目編號：2023ZKDCZN33）