基于改进YOLOv5的输电线路多目标检测

计算机与现代化 ›› 2023, Vol. 0 ›› Issue (02): 78-82.

基于改进YOLOv5的输电线路多目标检测

（1. 南京工程学院电力工程学院，江苏南京 211167； 2. 南京工程学院计算机工程学院，江苏南京 211167）

出版日期:2023-04-10 发布日期:2023-04-10
作者简介:汤浩威（1996—），男，江苏宿迁人，硕士研究生，研究方向：图像处理，电力设备故障检测，E-mail: 1925774316@qq.com；姚军财(1979—)，男，教授，博士，研究方向：图像和视频处理，目标检测和计算机视觉与模式识别，E-mail: yaojcnj@njit.edu.cn；姚聪颖（1998—），男，江苏南京人，硕士研究生，研究方向：电力设备故障检测；孙颖（1998—），女，江苏扬州人，硕士研究生，研究方向：机器学习；裴星懿（1999—），男，江苏南京人，硕士研究生，研究方向：电力设备故障检测；宋春晓（1997—），女，山东德州人，硕士研究生，研究方向：信息安全。
基金资助:
国家自然科学基金资助项目（61301237）；江苏省自然科学基金资助面上项目（BK20201468）；南京工程学院高层次引进人才基金资助项目（YKJ201981）

Multi-target Detection of Transmission Lines Based on Improved YOLOv5

（1.School of Electrical Engineering， Nanjing Institute of Technology， Nanjing 211167， China；
2.School of Computer Engineering， Nanjing Institute of Technology， Nanjing 211167， China）

Online:2023-04-10 Published:2023-04-10

摘要/Abstract

摘要： 针对当前目标检测网络层数加深、参数量和计算量加大，造成实时性差等问题，为了实现对输电线路部件的识别与检测，提出一种基于改进YOLOv5的输电线路多目标检测算法。首先，使用ShuffleNetv2结构作为网络特征提取的主干结构，减少网络的参数量；然后，将PANet网络中的BottleneckCSP 改为Light_CSP模块，加快特征融合的速度；其次，使用CIoU loss、DIoU-NMS方法减少预测框的位置损失和漏检问题。最后，为了验证所提算法的有效性，利用输电线路图像数据集进行训练与测试。结果表明，改进YOLOv5的参数量为7.5×106，浮点计算量为10.9，平均精度达到了87.5%，FPS达到69.2,能够满足输电线路部件检测的精度、轻量化与实时性要求。

关键词: 智能巡检, 目标检测, YOLOv5, 输电线路

Abstract: In order to realize the identification and detection of transmission line components， a multi-target detection algorithm for transmission lines based on improved YOLOv5 is proposed for the current problems of deepening the number of target detection network layers， increasing the number of parameters and computation， resulting in poor real-time performance. Firstly， the number of parameters in the network was reduced by using the shuffleNetv2 structure as the backbone structure for network feature extraction. Secondly， the BottleneckCSP in the PANet network is changed to a Light_CSP module to speed up feature fusion. Thirdly， the CIoU loss， DIoU-NMS method is used to reduce the loss of position of the prediction frame and the problem of missed detection. Finally， in order to verify the effectiveness of the proposed algorithm， a transmission line image dataset was used for training and testing The results show that the improved YOLOv5 has a parametric count of 7.5×106， a floating point computation of 10.9， an average accuracy of 87.5% and an FPS of 69.2， which meets the requirements for accuracy， lightness and real-time inspection of transmission line components.

Key words: intelligent inspection, target detection, YOLOv5, transmission line

汤浩威, 姚军财, 姚聪颖, 孙颖, 裴星懿, 宋春晓. 基于改进YOLOv5的输电线路多目标检测[J]. 计算机与现代化, 2023, 0(02): 78-82.

TANG Hao-wei, YAO Jun-cai, YAO Cong-ying, SUN Ying, PEI Xing-yi, SONG Chun-xiao. Multi-target Detection of Transmission Lines Based on Improved YOLOv5[J]. Computer and Modernization, 2023, 0(02): 78-82.

参考文献

［1］ LI X， LI Z J， WANG H Z， et al. Unmanned aerial vehicle for transmission line inspection: status， standardization， and perspectives［J］. Frontiers in Energy Research， 2021，9. DOI:10.3389/fenrg.2021.713634.
［2］李辉，周航，董燕，等. 面向输电线路的异常目标检测方法［J］. 计算机与现代化， 2020（8）:8-13.
［3］隋宇，宁平凡，牛萍娟，等. 面向架空输电线路的挂载无人机电力巡检技术研究综述［J］. 电网技术， 2021，45（9）:3636-3648.
［4］林旭鸣. 架空输电线路无人机巡检技术研究进展［J］. 电力设备管理， 2021（5）:27-28.
［5］李建峰，段宇涵，王仓继，等. 无人机在输电线路巡检中的应用［J］. 电网与清洁能源， 2017，33（8）:62-65.
［6］章晋，张珍芬，张丽娜. 输变电智能巡检技术应用与展望［J］. 中国设备工程， 2020（20）:160-162.
［7］张峰，郭锐，卢士彬，等. 高压输电线路巡检机器人障碍物识别与定位［J］. 中国电力， 2019，52（4）:111-118.
［8］阮国恒，李文航. 基于视频联动技术的输电线路远程智能巡检方法［J］. 自动化与仪器仪表， 2021（1）:77-80.
［9］李佐胜，姚建刚，杨迎建，等. 绝缘子污秽等级红外热像检测的视角影响分析［J］. 高电压技术， 2008，34（11）:2327-2331.
［10］ CERON A， MONDRAGON I F， PRIETO F. Real time transmission tower detection from video based on a feature descriptor［J］. IET Computer Vision， 2016，11（1）：33-42.
［11］姜浩然，金立军，闫书佳. 航拍图像中绝缘子的识别与故障诊断［J］. 机电工程， 2015，32（2）:274-278.
［12］谭磊，王耀南，沈春生. 输电线路除冰机器人障碍视觉检测识别算法［J］. 仪器仪表学报， 2011，32（11）:2564-2571.
［13］ LIU W， ANGUELOV D， ERHAN D， et al. SSD: Single Shot MultiBox Detector［C］// Computer Vision – ECCV 2016. 2016:21-37.
［14］ 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 （CVPR）. 2016:779-788.
［15］ REDMON J， FARHADI A. YOLOv3: An incremental improvement［J］. arXiv preprint arXiv:1804.02767， 2018.
［16］ BOCHKOVSKIY A， WANG C Y， LIAO H M. YOLOv4: Optimal speed and accuracy of object detection［J］. arXiv preprint arXiv:2004.10934， 2020.
［17］黄芹芹，董洁，陈玥，等. 一种改进SSD算法的输电线路目标检测方法［J］. 电工电气， 2021（6）:51-55.
［18］唐翔翔，沈薇，朱明，等. 基于改进YOLOv4的输电线路异物检测算法［J］. 安徽大学学报:自然科学版， 2021，45（5）:58-63.
［19］ GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. 2014:580-587.
［20］ GIRSHICK R. Fast R-CNN［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision （ICCV）. 2015:1440-1448.
［21］ REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN: Towards real-time object detection with region proposal Networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017，39（6）:1137-1149.
［22］易继禹，陈慈发，龚国强. 基于改进FasterRCNN的输电线路航拍绝缘子检测［J］. 计算机工程， 2021，47（6）:292-298.
［23］ HE K M， ZHANG X Y， REN S Q， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015，37（9）:1904-1916.
［24］ LIU S， QI L， QIN H， et al. Path Aggregation Network for Instance Segmentation［C］// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018:8759-8768.
［25］ MA N N， ZHANG X Y， ZHENG H T， et al. ShuffleNet V2: Practical guidelines for efficient CNN architecture design［C］// 15th European Conference. 2018:122-138.
［26］ ZHENG Z H， WANG P， LIU W， et al. Distance-IoU Loss: Faster and better learning for bounding box begression［J］. arXiv preprint arXiv:1911.08287， 2019.
［27］ JOCHER G， STOKEN A， BOROVEC J， et al. ultralytics/yolov5:v3.0（Versionv3.0）［EB/OL］. ［2022-04-17］. https://zenodo.org/record/3983579.

[1]	刘云海1, 冯广1, 吴晓婷2, 杨群2. 复杂施工场景下的安全帽佩戴检测算法[J]. 计算机与现代化, 2024, 0(12): 66-71.
[2]	陈亮, 李诚, 易伟, 熊伟, 汪晓帆, 唐海东. 基于毫米波雷达与视觉融合的电力现场安全帽佩戴检测[J]. 计算机与现代化, 2024, 0(12): 100-107.
[3]	张宇1, 2, 黎靖1, 2, 马铭1, 2, 王众祥1, 2, 孙妍1, 2. YOLOLW:一个新的轻量级目标检测模型[J]. 计算机与现代化, 2024, 0(11): 91-98.
[4]	董玉玟. 基于改进YOLOv7-tiny的多尺度运动目标检测算法[J]. 计算机与现代化, 2024, 0(11): 99-105.
[5]	陈凯1, 李宜汀1, 2, 全华凤1 . 基于改进YOLOv8的河道废弃瓶检测方法[J]. 计算机与现代化, 2024, 0(11): 113-120.
[6]	魏学诚1, 江凌云1, 李研2, 何非2. 改进YOLOv5的路侧单目视角小目标检测算法[J]. 计算机与现代化, 2024, 0(10): 27-34.
[7]	史星宇1, 李强2, 庄莉3, 梁懿3, 王秋琳3, 陈锴3, 伍臣周3, 常胜1. 一种面向工业部署的目标检测模型蒸馏技术[J]. 计算机与现代化, 2024, 0(10): 93-99.
[8]	程萌, 李浩. 改进YOLOv5s的落叶树鸟巢检测方法[J]. 计算机与现代化, 2024, 0(08): 24-29.
[9]	郑尚坡1, 陈德富1, 李坚利2, 林国贤2, 王星平3. 基于改进YOLOv5s和DeepSORT的行人跟踪算法[J]. 计算机与现代化, 2024, 0(08): 54-58.
[10]	王涛1, 2, 黄丹1, 2, 刘禅奕1, 2, 朱桃1, 2. 基于YOLOv5s的无人机图像车辆检测[J]. 计算机与现代化, 2024, 0(08): 108-113.
[11]	庞梅, 汪珙, 詹泳, 黄哲法. 基于YOLOv5改进算法的海洋水下垃圾检测方法[J]. 计算机与现代化, 2024, 0(07): 120-126.
[12]	孙睿琦1, 窦修超2, 李志华1, 蒋雪梅2, 孙宇豪1. 基于改进YOLOv5的复杂路况密集行人检测方法[J]. 计算机与现代化, 2024, 0(05): 85-91.
[13]	刘耀鑫1, 陈仁喜2, 杨伟宏1. 一种针对抖动无人机视频的运动目标检测算法[J]. 计算机与现代化, 2024, 0(05): 99-103.
[14]	王志波, 马晗, 冯锦梁, 刘国名. 基于CE-YOLOv5s的安全帽检测算法[J]. 计算机与现代化, 2024, 0(04): 55-59.
[15]	薛杨义1, 周立凡2, 龚声蓉1, 2. 用于遥感图像目标检测的少样本算法[J]. 计算机与现代化, 2024, 0(02): 43-49.