基于改进YOLOv4的输电线路异物检测算法
2021-09-11唐翔翔鲍文霞
唐翔翔,沈 薇,朱 明,鲍文霞
(安徽大学 电子信息工程学院,安徽 合肥 230601)
输电线路为电能传输的载体,保障输电线路安全稳定运行具有十分重要的意义.输电线路的常见异物有鸟巢、蜂巢、风筝等,这些异物会造成短路或引发火灾,进而引起区域停电,带来严重经济损失,甚至危及输电线路周边人员的生命安全,所以需对输电线路异物进行及时排查和清除.输电线路通常经过人烟稀少、交通不便的地区,传统人工巡检不仅耗时费力,且无法做到及时排查.智能巡检技术具有更高的检测效率及精度,能节省大量人力物力,是一种经济有效的巡检手段.基于飞行器的航拍巡检是输电线路异物检测的常用巡检方法,虽该方法不需人员到现场,但传感器拍摄的海量数据仍需人工分析判断,故检测效率及准确性均有待提高.
近年来,深度学习发展迅速,与传统算法相比,基于深度学习的目标检测算法的精度和速度均有显著提升.基于深度学习的目标检测算法可分为如下两类:two-stage及one-stage算法.two-stage算法先生成一系列候选框,再通过卷积神经网络进行分类,代表算法有:R-CNN(region-convolutional neural network)算法、Fast-RCNN算法及Faster-RCNN算法.two-stage算法由于需提前生成大量候选框,检测计算量大、效率低,很难满足实时检测的要求.与two-stage算法不同,one-stage算法不产生候选框,直接对图像卷积,把边框定位转化为回归,实现了端到端的训练,代表算法有:SSD(single shot multibox detector)和YOLO(you only look once).one-stage算法由于不产生候选框,故计算量小,常用于实时检测. Bochkovskiy等提出的YOLOv4(you only look once的第……