基于改进YOLOX的输电线路故障检测算法

doi:10.3969/j.issn.1006-2475.2024.05.002

计算机与现代化 ›› 2024, Vol. 0 ›› Issue (05): 5-10.doi: 10.3969/j.issn.1006-2475.2024.05.002

基于改进YOLOX的输电线路故障检测算法

（西安交通大学信息与通信工程学院，陕西西安 710049）

出版日期:2024-05-29 发布日期:2024-06-12
作者简介: 作者简介：吴恒锋（1997—），男，广东韶关人，硕士研究生，研究方向：目标检测，E-mail： 1498473713@qq.com；通信作者：侯兴松（1972—），男，陕西西安人，教授，博士，研究方向：图像视频处理，媒体大数据处理，雷达信号处理，E-mail： houxs@mail.xjtu.edu.cn；王华珂（1994—），男，博士研究生，研究方向：人群计数，低照度图像增强与压缩感知重建，E-mail： wanghuake@stu.xjtu.edu.cn。
基金资助:
国家自然科学基金资助项目（62272376， 61872286）；陕西省重点研发计划项目（2020ZDLGY04-05， S2021-YF-YBSF-0094）

Transmission Line Faults Detection Algorithm Based on YOLOX

（School of Information and Communications Engineering， Xi’an Jiaotong University， Xi’an 710049， China）

Online:2024-05-29 Published:2024-06-12

摘要/Abstract

摘要： 摘要：电力系统是国民生活的重要基础，对输电线故障进行智能检测具有重大的社会和经济价值。针对输电线故障检测场景缺少公开数据集，同时存在多个尺度目标时检测效果差、高IoU检测框难以获取等问题，本文提出一种基于YOLOX的输电线故障检测算法。本文通过采集和仿真建立输电线故障检测数据集，然后在YOLOX特征融合机制的基础上，提出基于空洞卷积的自适应多尺度特征融合方法，实现多尺度特征的更有效利用，最后提出一种新的损失函数，可以有效提高网络对高IoU检测框的优化能力并解决样本不平衡问题，显著提高检测精度。实验结果表明，在本文的数据集中，本文所提的算法在保证实时性的同时，mAP50:95依然能达到67.48%，超过了EfficientDet、YOLOV5等经典算法。

关键词: 关键词：故障检测, YOLOX, 自适应多尺度融合, 多项式IoU损失

Abstract: Abstract：Power system is an important foundation of national life， intelligent detection of transmission line faults has great social and economic value. Aiming at the problem of lack of public datasets in transmission line faults detection scenarios， poor performance when there are multiple scale targets simultaneously， and difficulty in detecting high IoU bounding boxes， a transmission line faults detection method based on improved YOLOX was proposed. First， a transmission line faults detection dataset was set up through acquisition and simulation; then an adaptive multi-scale feature fusion method was proposed to fully use multi-scale features; finally a new loss was proposed to improve the optimization ability of the network for high IoU bounding boxes and solve sample imbalance problem， which effectively improved the detection accuracy. The experimental results show that in the dataset collected in this paper， the proposed algorithm can still achieve 67.48% mAP50:95 while ensuring real-time performance， outperforming the classical algorithms such as EfficientDet and YOLOV5.

Key words: Key words: faults detection, YOLOX, adaptive multi-scale fusion, polynomial IoU loss

中图分类号:

TP391.4

吴恒锋, 侯兴松, 王华珂. 基于改进YOLOX的输电线路故障检测算法[J]. 计算机与现代化, 2024, 0(05): 5-10.

WU Hengfeng, HOU Xingsong, WANG Huake. Transmission Line Faults Detection Algorithm Based on YOLOX[J]. Computer and Modernization, 2024, 0(05): 5-10.

参考文献

［1］薛涛，张忠，韩勇，等. 输电线路运行安全的影响因素以及应对策略探索［J］. 电子元器件与信息技术， 2019，3（8）:30-32.
［2］苗俊，尤志鹏，袁齐坤，等. 高压输电线路智能巡检新技术探讨［J］. 中国设备工程， 2019，433（21）:109-110.
［3］王祥，张维平. 输电线路各种监测系统应用现状浅析［J］. 电力设备管理， 2021，54（3）:34-36.
［4］腾云，雷丞，李洪涛，等．基于 HOG 和 SVM 的高压隔离开关分合闸状态自动识别技术研究［J］．高压电器， 2020，56（9）:246-252．
［5］何春光. 基于改进 SIFT 算法的输电线路挂线故障隐患检测［J］. 电子设计工程， 2021，29（2）:99-102．
［6］吴婕萍，赵文昊，于文萍．基于 SIFT 算法的导线异物悬挂检测方法研究［J］．中小企业管理与科技（中旬刊）， 2020，614（6）:178-179．
［7］ GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// 2014 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2014:580-587.
［8］ GIRSHICK R. Fast R-CNN［C］// 2015 IEEE International Conference on Computer Vision. IEEE， 2015:1440-1448.
［9］ REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once: Unified， real-time object detection［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2016:779-788.
［10］ REDMON J， FARHADI A. YOLO9000: Better， faster， stronger［C］// 2017 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2017:6517-6525.
［11］ REDMON J， FARHADI A. YOLOv3: An incremental improvement［J］. arXiv preprint arXiv:1804.02767， 2018.
［12］ ZHENG G E， LIU S T， WANG F， et al. YOLOX: Exceeding YOLO series in 2021［J］. arXiv preprint arXiv:2107.08430， 2021.
［13］ TAN M， PANG R， LE Q V. EfficientDet: Scalable and efficient object detection［C］// Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. IEEE， 2020:10781-10790.
［14］ HAN J M， YANG Z， ZHANG Q Y， et al. A method of insulator faults detection in aerial images for high-volt age transmission lines inspection［J］. Applied Sciences，2019，9（10）. DOI: 10.3390/app9102009.
［15］顾超越，李喆，史晋涛，等．基于改进Faster-RCNN的无人机巡检架空线路销钉缺陷检测［J］．高电压技术， 2020，46（9）:3089-3096．
［16］林航，耿多飞，于浩，等. 基于双模型的输电线绝缘子自爆检测算法［J］. 计算机与现代化， 2022（7）:15-20.
［17］吴鹏，姜海波，王永强，等. 基于图像切片的移动端输电线路鸟类检测算法研究［J］. 计算机与数字工程， 2021，49（4）:846-851.
［18］ SADYKOVA D， PERNEBAYEVA D， BAGHERI M， et al. IN-YOLO: Real-time detection of outdoor high voltage insulators using uav imaging［J］. IEEE Transactions on Power Delivery， 2020，35（3）:1599-1601.
［19］ HAN J M， YANG Z， XU H， et al. Search like an eagle: A cascaded model for insulator missing faults detection in aerial images［J］. Energies，2020，13（3）:713
［20］朱登柯，侯兴松，要晓迪. 基于EfficientDet网络的输电线路故障检测［J］. 国外电子测量技术， 2021，40（6）:144-151.
［21］ YU J H， JIANG Y N， WANG Z Y， et al. UnitBox: An advanced object detection network［C］// Proceedings of the 24th ACM International Conference on Multimedia. ACM， 2016:516-520.
［22］ REZATOFIGHI H， TSOI N， GWAK J Y， et al. Generalized intersection over union: A metric and a loss for bounding box regression［J］. arXiv preprint arXiv:1902.09630， 2019.
［23］ ZHENG Z H， WANG P， REN D W， et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation［J］. IEEE Transactions on Cybernetics， 2022，52（8）:8574-8586.
［24］ ZHENG Z H， WANG P， LIU W， et al. Distance-IoU Loss: Faster and better learning for bounding box regression［C］// Proceedings of the 2020 AAAI Conference on Artificial Intelligence. 2020:12993-13000.
［25］ GHIASI G， CUI Y， SRINIVAS A， et al. Simple copy-paste is a strong data augmentation method for instance segmentation［C］// Proceedings of 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. IEEE， 2021:2917-2927.
［26］ LIU S T， HUANG D， WANG Y H. Learning spatial fusion for single-shot object detection［J］. arXiv preprint arXiv:1911.09516， 2019.
［27］ LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. IEEE， 2017:2980-2988.

[1]	欧阳飞, 吴旭, 向东升. 基于改进YOLOX的垃圾分类检测方法[J]. 计算机与现代化, 2023, 0(08): 68-73.
[2]	刘昱杉, 刘卫康, 刘庆华, 者甜甜, 王家晨. 基于YOLOX结合DeepSort的船载车辆行人检测算法[J]. 计算机与现代化, 2023, 0(08): 60-67.

基于改进YOLOX的输电线路故障检测算法

Transmission Line Faults Detection Algorithm Based on YOLOX

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 2

编辑推荐

Metrics

本文评价