摘 要：針對輸電線路附近可能出現(xiàn)的大型違章車輛施工造成外力破壞的情況，為保證輸電線路運行的安全和穩(wěn)定，提出了改進(jìn)的YOLOv5目標(biāo)檢測算法。在原有YOLOv5算法的基礎(chǔ)上，將其使用的Bounding box損失函數(shù)GIOU_Loss改為CIOU_Loss，使其具有更快更好的收斂效果;同時將其使用的經(jīng)典NMS改為DIOU_NMS，使其對一些遮擋重疊的目標(biāo)有更好的識別效果。實驗結(jié)果顯示，改進(jìn)后的YOLOv5算法模型可以有效地監(jiān)控輸電線路附近的外力破壞情況。

　　關(guān)鍵詞：輸電線路;目標(biāo)檢測;改進(jìn)YOLOv5

　　引言(Introduction)

　　近年來，隨著我國各類產(chǎn)業(yè)尤其是互聯(lián)網(wǎng)的飛速發(fā)展，電力的需求量也直線上升。輸電線路是電力系統(tǒng)的生命線，關(guān)系到整個電力系統(tǒng)的安全和效益，因此保證輸電線路的穩(wěn)定運行至關(guān)重要。

　　由于輸電線路長期處于復(fù)雜的地理位置，且與人類活動緊密聯(lián)系，因此輸電線路有較高的可能性會出現(xiàn)故障，嚴(yán)重影響電網(wǎng)安全運行的同時，也對人民的生命財產(chǎn)安全構(gòu)成了極大的威脅。

　　據(jù)統(tǒng)計，隨著城市化進(jìn)程的加速發(fā)展，大型車輛違章施工已經(jīng)成為輸電線路外力破壞的主要因素[1]。目前對于輸電線路的外力破壞檢測，主要是通過安裝在高空塔架的攝像頭拍攝照片，再交給后端中心去進(jìn)行人工分析[2]。監(jiān)控人員通過監(jiān)看攝像頭拍攝現(xiàn)場傳回的靜態(tài)圖像查看其中可能出現(xiàn)的外力入侵目標(biāo)，如吊車、油罐車、挖掘機(jī)等大型施工車輛，在發(fā)現(xiàn)外力入侵行為時則發(fā)出警告，派出電網(wǎng)維護(hù)人員至現(xiàn)場進(jìn)行處理[3]。這種依靠人工檢查的方法工作量大，工作人員容易疲勞，實時性差且效率較低。

　　近年來，隨著深度學(xué)習(xí)的快速發(fā)展，許多研究學(xué)者發(fā)布了大量基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法。目前，目標(biāo)檢測領(lǐng)域的深度學(xué)習(xí)方法主要分為兩類：一類是基于區(qū)域候選網(wǎng)絡(luò)(RPN)來提取目標(biāo)候選區(qū)域的兩階段算法，如R-CNN[4]、Fast R-CNN[5]、Faster R-CNN[6]等。這種類別的目標(biāo)檢測算法主要是在特征提取的基礎(chǔ)上，使用一個神經(jīng)網(wǎng)絡(luò)來生成候選區(qū)域，然后再對候選區(qū)域回歸來確定目標(biāo)的類別和位置。另一類是端到端的一階段目標(biāo)檢測算法，如YOLO系列[7-9]算法。此類方法直接對圖片內(nèi)容進(jìn)行分類和回歸，不需要提取候選區(qū)域，將目標(biāo)檢測視為回歸問題處理。

　　本文使用輸電線路現(xiàn)場監(jiān)控圖像數(shù)據(jù)，以及網(wǎng)絡(luò)收集的工程車輛數(shù)據(jù)，制作了輸電線路外力破壞的檢測數(shù)據(jù)集，以YOLOv5模型為主體，研究改進(jìn)模型的效果，進(jìn)一步提高模型的識別精度和魯棒性。

　　2 YOLOv5算法簡介(Introduction to YOLOv5 algorithm)

　　YOLO(You Only Look Once)網(wǎng)絡(luò)是一種基于回歸的目標(biāo)識別算法，具有較快的檢測速度，在很多任務(wù)中取得了很好的效果。YOLO網(wǎng)絡(luò)將輸入的圖像劃分成大小為S×S的網(wǎng)格，目標(biāo)物的中心位置落到哪個網(wǎng)格上，就由該網(wǎng)格對應(yīng)錨框負(fù)責(zé)檢測目標(biāo)[10]。相比于其他目標(biāo)檢測算法，YOLO的多尺度算法能夠更為有效地檢測目標(biāo)，且在實時性方面表現(xiàn)得較為突出，適合輸電線路異常情況檢測的需求。

　　YOLOv5根據(jù)網(wǎng)絡(luò)深度的不同分為YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，其中YOLOv5x檢測精度最高，但是網(wǎng)絡(luò)模型較大，對設(shè)備的要求較高;YOLOv5s的模型尺寸較小，檢測速度快，且部署方便。考慮到保證檢測精度的同時，能夠提高檢測速度，減小模型尺寸，本文選用YOLOv5l作為實驗使用的模型。YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)可以分為Input、Backbone、Neck和Prediction四部分。