邹 聪 梁永全,2*

1(山东科技大学计算机科学与工程学院 山东 青岛 266590) 2(山东省智慧矿山信息技术重点实验室 山东 青岛 266590)

0 引 言

输电线路在电力系统中有着举足轻重的作用，近年来其建设规模急剧增大。鸟害是威胁线路安全的重要因素，其对输电线路的影响主要有四个方面：鸟类啄损、鸟类筑巢、鸟类排泄、鸟类飞行。针对鸟害问题，目前有效的方法是安装超声波驱鸟器，但驱鸟器长时间工作会造成能耗浪费[1-2]。因此，对输电线路实施精准的检测，当有一定数目的鸟类在线路周围活动时及时启动驱鸟器极为重要。

近年来深度学习技术在实际场景中得到广泛应用。深度卷积神经网络[3-4]进行目标检测时可以自主学习。基于深度学习的目标检测算法[5-6]大致分为两类，1) two stage目标检测算法。例如Fast R-CNN[7]、Faster R-CNN[8]等，此类算法分两步进行检测，先使用候选区域网络(RPN)生成候选区域，再实现目标的检测分类。2) one stage目标检测算法。例如SSD[9]、YOLO V3[10-11]等，此类算法经检测网络直接预测目标的位置和类别信息，具有更快的检测速度，基本可以达到实时检测。

本文以单步目标检测算法YOLO V3为基础，将输电线路鸟类作为目标，针对设备采集图片中目标较小及鸟类相互遮挡的问题对YOLO V3结构进行改进。为提高网络对图像中小目标的召回率及检测精确率，对原网络中52×52尺度下的特征图进行2倍上采样，然后与第二个残差块进行拼接，以此融合高层特征的语义信息；为解决鸟类相互遮挡的检测问题，根据检测框与预选取检测框的Intersection-over-Union(IoU)值，计算各检测框对应的比例因子，以此衰减它们的置信分数，最后经过迭代删除分数低于设定阈值的检测框。……