基于改進YOLOv5s的輸電通道隱患目標檢測方法

關鍵詞： 輸電通道; 防外力破壞; 目標檢測; SimAM注意力機制; Wise-IoU損失函數

中圖分類號： TB9; TM85 文獻標志碼： A 文章編號： 1674–5124（2025）02–0155–07

0 引言

隨著電力行業快速發展，輸電線路長度及覆蓋范圍在不斷擴大，輸電線路“三跨”（跨越鐵路、高速公路和重要輸電通道的區域）安全問題日益突出[1]。外力破壞是導致“三跨”輸電線路事故的主要原因，輸電通道周圍施工的大型施工機械，如吊車、挖掘機和卡車等違章操作，導致輸電線路損壞、停電甚至人員傷亡。山東省某供電公司2019 年的停電跳閘次數統計顯示[2]，外力破壞比例高達54.2%。所以對輸電通道進行巡檢，預防隱患物造成外力破壞已成為亟待解決的問題。

過去很長時間，對輸電通道進行巡檢需要步行勘察或搭乘直升機巡線[3-4]，效率低、勞動強度大且存在人員安全風險[5]。隨著技術發展，配備傳感器的機器人和無人機已被用于巡檢[6]，但存在滯后性，不能及時有效預警。在此背景下，通過安裝在鐵塔上的單目攝像頭實時獲取輸電通道狀況，并利用計算機視覺技術識別輸電通道周圍的外破隱患物[7]，已成為輸電通道防外破監測的一個重要研究方向。

近年來，隨著深度學習在計算機視覺領域的快速應用和擴展， 基于深度卷積神經網絡（ Deepconvolutional neural network， DCNN）的深度學習算法為輸電通道隱患目標檢測引入了新的方法[8]。文獻[9] 通過使用視覺幾何組（VGG16） 和EfficientNetB7作為提取特征的骨干架構，將提取的特征圖數據轉換為SSD，提高了對電力線中的鳥巢檢測的準確度、精確度和召回率。文獻[10] 利用跨階段局部模塊和路徑聚合網絡對YOLOv3模型進行優化進而提高了模型對電力設備紅外目標檢測的平均精度。文獻[11] 在原基線模型RetinaNet上融入注意力門（Attention gate， AG）來抑制輸入圖像中不相關的區域，最終提高了模型對輸電線路斷股和異物檢測的平均精度，但檢測精度仍較低，不適合在輸電通道邊緣設備中部署。

目前用于輸電通道目標檢測的模型一方面需要大量的訓練數據，然而出于敏感性和安全性的考慮，少有可供使用的公開數據集，且公開數據集主要集中在輸電線、金具和絕緣子等設備的缺陷檢測上，較少涉及輸電線通道外力破壞隱患目標。另一方面現有網絡模型復雜，參數眾多，導致模型訓練時間延長、檢測精度降低、運行速度緩慢，所以不適合部署在輸電通道邊緣計算設備上。針對這些問題，本文通過構建輸電通道外破隱患目標數據集，提出基于改進YOLOv5s 的輸電通道隱患目標檢測方法：

1）在基線模型的頭部引入無參數注意力模塊SimAM[12]，在不增加額外網絡參數，避免過多的結構調整工作的同時，多尺度從輸入的輸電通道監拍圖像數據中提取外破隱患物特征中的權重并抑制輸電通道背景干擾權重，從而提升模型檢測性能。

2）將原始的邊界框回歸損失函數CIoU 替換為WIoU[13]，用以聚焦普通質量錨框的預測回歸，降低高質量錨框的競爭力并掩蓋低質量示例的有害梯度，提高預測輸電通道隱患目標邊界框的回歸預測精度，加快回歸損失函數的收斂速度，提高改進模型的整體性能。

1 方法介紹

1.1 YOLOv5算法原理

YOLOv5是一種以高性能和高效率而聞名的目標檢測模型，具有快速、精確和適應性強的特性。

它包含了四種不同深度的網絡模型（YOLOv5s、YOLOv5x、YOLOv5l、YOLOv5m），其中YOLOv5s是網絡深度最小、特征圖寬度最小和運行速度最快的網絡模型。由于需要對輸電通道外破隱患目標進行實時檢測，所以文章選擇相對輕量級的YOLOv5s網絡模型作為基礎框架，在確保模型對隱患目標快速準確檢測的同時又減小了模型的體積，利于后續部署在輸電通道移動邊緣端設備上。

如圖1所示，YOLOv5s 的網絡結構可以分為用于提取特征的骨干網絡（Backbone）和用于預測目標的位置和類別的頭部（Head）兩個部分。模型首先對輸入網絡的原始輸電通道圖像進行切片，在保存完整的圖像信息后達到下采樣效果。骨干網絡主要通過卷積模塊、具有殘差結構的C3 模塊以及Spatial Pyramid Pooling-Fast（SPPF）模塊從處理后的圖像中提取隱患目標特征，形成一組新的特征圖。頭部的特征融合網絡結構采用特征金字塔網絡（Feature" Pyramid Networks， FPN）加路徑聚合網絡（ Path Aggregation Network， PAN） 的結構， 其中FPN 自上而下傳遞高層語義特征，PAN自下而上傳遞低層定位特征，通過兩次上采樣操作，實現多尺度感受野的融合，增強了對待測隱患物的特征融合能力，使其能夠更準確地識別輸電通道中不同大小和尺度的相同外破隱患物。

改進型YOLOv5s模型中的損失函數包括基于交叉熵損失和均方誤差損失、比較預測框和真實框之間的差異、衡量模型對待測隱患目標的檢測準確性的目標檢測損失函數（Object" Detection Loss）；基于交叉熵損失、比較預測外破隱患物體類別和真實類別之間的差異、衡量模型對目標類別的分類準確性的分類損失函數（Classification Loss）；基于均方誤差損失、比較預測框和真實框的位置差異、衡量提出的改進型檢測算法對邊界框位置的回歸準確性的邊界框回歸損失函數（Bounding Box RegressionLoss）。

1.2 SimAM注意力機制模塊

與地面捕獲的圖像不同，安裝在鐵塔上的單目攝像頭監拍的圖像從俯視視角描繪輸電通道外破隱患目標，目標的視覺特征表現主要集中在頂部，因此具有較高可區分性的特征不太明顯。這要求改進后的模型具備將更多注意力集中在圖像中有可區分性的關鍵特征區域，而忽略非關鍵特征區域的能力。現有研究表明，采用注意力機制有助于將模型集中在關鍵特征上，同時最大限度減少對無關信息的注意力。

然而，當前主流注意力機制模塊存在兩個缺點，影響其對外破隱患目標檢測的效果[14]。首先，同時從通道和空間學習注意力權重來調整特征圖較為困難；其次，需要豐富的專業知識來確保依賴于超參數注意力模塊的性能。如圖2 所示，傳統的通道注意力機制或空間注意力機制是從特征中生成一維通道或二維空間權值，并對通道或空間的權值進行擴展。與之相比，SimAM 注意力機制無需增加原始網絡參數，即可直接通過推斷特征圖上的三維注意力權重來提高檢測算法的準確性。因此在改進模型中融入SimAM 注意力機制模塊后，利用該模塊的能量函數的閉式解來評估模型頭部提取特征的重要性，增強了神經元的輸出，專注于更有效的輸電通道外破隱患目標信息并抑制不相關的輸電通道背景特征，能夠實現對輸電通道隱患目標更準確地識別，使模型網絡在無需添加參數的同時還能更好發揮SimAM 的有效性、靈活性以及卷積網絡的代表性。

式中，TP為正確識別的樣本數量；FP為錯誤地識別為其他類別的樣本數量；FN 為將其他類別錯誤識別為本類別的樣本數量。

2.4消融實驗

為了更好地評估文中提出的改進YOLOv5s輸電通道隱患目標檢測模型的有效性，在所構建的輸電通道隱患目標數據集中進行消融實驗，定量分析不同改進策略的實驗效果。消融實驗的結果如表2所示，其中實驗A 表示YOLOv5s基線模型；實驗B 表示在頭部加入SimAM注意力機制模塊；實驗C表示將原始的邊界框回歸損失函數CIoU替換為WIoU損失函數；實驗D表示在頭部加入SimAM注意力機制的同時替換CIoU為WIoU損失函數。從表2中的數據可看出，文章提出的改進策略在檢測性能指標上取得了一定的提升，在加入SimAM模塊后在閾值為0.5和0.5：0.95時的精度分別提高了0.3和0.5百分點；在替換為WIoU 損失函數后在閾值為0.5和0.5：0.95時的精度分別提高了0.6和0.3百分點；同時引入兩種改進策略后模型準確率上升了2百分點，召回率提高了1.1百分點；在閾值為0.5和0.5：0.95時的精度分別提升了1.4和1百分點。實驗表明：改進后的輸電通道隱患目標檢測模型在參數量和浮點運算率保持不變的同時提高了對隱患目標的檢測精度，取得了良好的改進效果。

圖4展示了本文改進模型在隨機挑選的測試集圖像上的檢測結果的可視化效果，其中圖4（a）和（b）表示帶有標簽框的原始圖像，圖4（c）和（d）表示改進模型檢測效果。從圖中可以看出，文章提出的模型不但滿足輸電通道外破隱患目標檢測的需求，還在較高的背景復雜性，檢測目標被遮擋等情況下仍可對輸電通道隱患目標進行準確定位和正確分類。

2.5對比實驗

為了進一步驗證本文模型的有效性，將YOLOv5s改進模型與當前主流的RetinaNet、SSD 和YOLOv3目標檢測模型進行對比實驗。各對比模型均使用相同的參數和本文所構建的輸電通道隱患目標數據集進行訓練，主要測試算法的檢測精度，對比實驗結果見表3。從表中可以看出提出的改進模型在閾值分別為0.5、0.75 和0.5：0.95 時的mAP 值分別為96.1%、72.9% 和69.6%，均顯著高于其他對比模型的精度，所以本文提出的基于YOLOv5s 的改進模型在檢測精度上達到了令人滿意的結果。

3結束語

本文提出了一種改進YOLOv5s的輸電通道外破隱患目標檢測模型，首先采集輸電通道監拍圖像構建輸電通道外破隱患目標數據集，并通過引入注意力機制模塊和替換邊界框回歸損失函數對基線模型進行改進。提出的改進模型針對卡車、汽車、吊車和起重機懸臂四類輸電通道隱患目標進行消融和對比實驗。實驗結果表明：

1）本文提出的改進模型在不增加參數量的同時檢測四類輸電通道外破隱患目標的準確率達到了97.8%，召回率達到了93.3%，均值平均精度達到了96.1%。

2）在同一臺實驗平臺上進行訓練測試，本文提出的模型對輸電通道外破隱患目標進行檢測的精度顯著高于當前主流的RetinaNet、SSD和YOLOv3目標檢測模型。

實驗結果表明，本文提出的模型在不引入額外參數量的同時，能夠準確有效識別輸電通道隱患目標的類別，對輸電通道防外破研究有一定的參考價值，也為電網輸電側安全有效巡檢提供了一種新的解決方案。下一步工作方向將納入更多類型的外破隱患物作為檢測目標，以擴展模型的功能，同時構建低復雜度的輕量化模型結構，滿足后續在輸電通道邊緣計算設備上部署的要求。