基于改進(jìn)YOLOv5的輸電線路走廊滑坡災(zāi)害識(shí)別

熊昌全 張宇寧 楊和生 唐道建 劉詩(shī)劍

（1.國(guó)家電投集團(tuán)四川電力有限公司，四川 成都 610213；2.國(guó)家電投集團(tuán)西南能源研究院有限公司，四川 成都 610218）

0 引言

隨著我國(guó)大規(guī)模輸電線路網(wǎng)絡(luò)的發(fā)展建設(shè)，部分輸電線路不可避免地需要穿越地質(zhì)復(fù)雜、易發(fā)生滑坡的區(qū)域。輸電桿塔作為輸電線路的連接節(jié)點(diǎn)，常常需要修建在人煙稀少的地區(qū)，這樣的地理環(huán)境條件增加了地質(zhì)災(zāi)害發(fā)生的可能性，一旦出現(xiàn)滑坡災(zāi)害，不及時(shí)進(jìn)行處理，則會(huì)導(dǎo)致桿塔基礎(chǔ)變形損壞，嚴(yán)重威脅輸電線路的安全運(yùn)行。

2006年，Hinton等人在Science上發(fā)表的論文提出了“深度學(xué)習(xí)”的概念，解決了深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練困難的問(wèn)題，打開(kāi)了深度學(xué)習(xí)的大門(mén)。近二十年來(lái)，隨著計(jì)算機(jī)運(yùn)算能力的大幅提高，深度學(xué)習(xí)得到了迅速發(fā)展，在各個(gè)領(lǐng)域都有大量應(yīng)用。

由于滑坡常發(fā)生于人煙稀少的地區(qū)，故滑坡圖像一般為衛(wèi)星圖或無(wú)人機(jī)航拍圖，而衛(wèi)星圖中滑坡圖像尺寸較小，無(wú)人機(jī)航拍圖滑坡圖像尺寸較大，所以存在數(shù)據(jù)目標(biāo)尺寸差異較大、不統(tǒng)一的問(wèn)題。

針對(duì)上述問(wèn)題，Wang等人[1]使用地理數(shù)據(jù)庫(kù)，對(duì)比卷積神經(jīng)網(wǎng)絡(luò)這一深度學(xué)習(xí)方法以及強(qiáng)化學(xué)習(xí)、隨機(jī)森林、SVM、強(qiáng)化學(xué)習(xí)4種機(jī)器學(xué)習(xí)方法在識(shí)別滑坡時(shí)的精度，指出卷積神經(jīng)網(wǎng)絡(luò)具有較高的魯棒性及準(zhǔn)確率；Cheng等人[2]在YOLOv4的基礎(chǔ)上提出一種新的YOLO-SA滑坡檢測(cè)模型，對(duì)比11種現(xiàn)有的目標(biāo)檢測(cè)模型，在精度及運(yùn)行速度上得到了極大的提升；巨袁臻等人[3]利用Mask R-CNN，結(jié)合谷歌地球影像數(shù)據(jù)實(shí)現(xiàn)了對(duì)黃土滑坡的自動(dòng)識(shí)別。吳琪等人[4]針對(duì)10種網(wǎng)絡(luò)結(jié)構(gòu)以及4種注意力機(jī)制對(duì)滑坡識(shí)別的影響進(jìn)行了分析，得出ResNet-101結(jié)構(gòu)具有最高的準(zhǔn)確率及召回率，ResNet-101+DAN模型為最佳模型。

本文以YOLOv5網(wǎng)絡(luò)模型為基礎(chǔ)，提出一種改進(jìn)YOLOv5（YOLOv5-BC）深度學(xué)習(xí)滑坡災(zāi)害識(shí)別方法，將原有的PANet層替換為BiFPN結(jié)構(gòu)，提高網(wǎng)絡(luò)多層特征融合能力，引入CIoU損失函數(shù)替換原本的GIoU損失函數(shù)，使最終預(yù)測(cè)框更接近真實(shí)框，提升了網(wǎng)絡(luò)的預(yù)測(cè)精度，通過(guò)在滑坡數(shù)據(jù)集上進(jìn)行訓(xùn)練測(cè)試，取得了較好的識(shí)別效果。

1 YOLOv5目標(biāo)檢測(cè)算法

YOLOv5算法是YOLO系列的一個(gè)延伸，可以看作是YOLOv3、YOLOv4的改進(jìn)，相比YOLOv4算法，YOLOv5的輸入端保留了Mosaic增強(qiáng)，嵌入了自適應(yīng)錨框計(jì)算及自適應(yīng)圖片縮放，有效提高了檢測(cè)速度；Backbone部分保留了CSP（Cross Stage Partial Network）模塊，引入了Focus結(jié)構(gòu)，減少了計(jì)算量，降低了內(nèi)存的使用量；Neck部分使用了FPN和PAN結(jié)構(gòu)進(jìn)行采樣操作，增強(qiáng)了網(wǎng)絡(luò)進(jìn)行特征提取的能力；Output部分使用GIoU損失函數(shù)作為邊框預(yù)測(cè)的損失函數(shù)，采用非極大值抑制NMS對(duì)冗余的框進(jìn)行抑制。

2 YOLOv5算法改進(jìn)

本文從Neck部分及Output部分入手，針對(duì)原版YOLOv5進(jìn)行改進(jìn)，提升算法對(duì)尺度差別很大的數(shù)據(jù)集的識(shí)別準(zhǔn)確率。

2.1 BiFPN

YOLOv5使用的PANet網(wǎng)絡(luò)較為簡(jiǎn)單，是在Faster-RCNN中的FPN基礎(chǔ)上提出的從下向上的二次融合網(wǎng)絡(luò)，簡(jiǎn)單地增加了從下而上的融合路徑，在進(jìn)行特征融合時(shí)，未考慮不同的輸入特征圖貢獻(xiàn)不同。針對(duì)這個(gè)問(wèn)題，采用EfficentDet-BiFPN[5]替代PANet，BiFPN在原先的FPN基礎(chǔ)上增加了添加上下文信息的邊，對(duì)每個(gè)邊都乘一個(gè)對(duì)應(yīng)的權(quán)重，實(shí)現(xiàn)多尺度特征融合。FPN、PANet、BiFPN結(jié)構(gòu)如圖1所示。

圖1 FPN、PANet、BiFPN結(jié)構(gòu)

相比PANet，BiFPN有如下改進(jìn)：（1）BiFPN刪除了只有一條輸入邊的節(jié)點(diǎn)，簡(jiǎn)化了雙向網(wǎng)絡(luò)；（2）當(dāng)原始輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)處于同一層時(shí)，在原始輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)之間添加一條額外的邊，在不增加太多運(yùn)算成本的情況下實(shí)現(xiàn)了融合更多的特性；（3）相比只有一個(gè)自上而下和自下而上的雙向通路的PANet，BiFPN將每個(gè)雙向通路作為一個(gè)特征層，并重復(fù)同一個(gè)特征層多次，實(shí)現(xiàn)高層次特征融合；（4）為每個(gè)輸入增加權(quán)重值，在特征融合時(shí)區(qū)分各個(gè)輸入特征圖的重要性，可以快速歸一化地進(jìn)行特征融合。

2.2 損失函數(shù)

2.2.1 GIoU損失函數(shù)

YOLOv5網(wǎng)絡(luò)使用的回歸函數(shù)為GIoU[6]函數(shù)，公式為：

式中：IoU為交互比函數(shù)，用于評(píng)判預(yù)測(cè)框與真實(shí)框的重合程度，IoU越高，重合程度越高；A為目標(biāo)框；B為預(yù)測(cè)框；C為包括A與B的最小矩形框；LGIoU為GIoU的Loss函數(shù)。

GIoU解決了IoU存在的無(wú)法優(yōu)化兩框不相交的情況的問(wèn)題，但在實(shí)際使用中發(fā)現(xiàn)GIoU存在以下兩個(gè)問(wèn)題：（1）當(dāng)預(yù)測(cè)框和真實(shí)框不對(duì)齊時(shí)，會(huì)導(dǎo)致外接框C的面積增大，使GIoU值變?。唬?）當(dāng)目標(biāo)框與預(yù)測(cè)框?qū)儆诎P(guān)系時(shí)，GIoU會(huì)退化為IoU，無(wú)法判斷兩者相對(duì)位置關(guān)系。

2.2.2 CIoU損失函數(shù)

針對(duì)GIoU存在的問(wèn)題，引入CIoU[7]替代GIoU，CIoU將GIoU的最小外接框C替換為最小化兩個(gè)Box中心點(diǎn)的標(biāo)準(zhǔn)化距離，并將Bounding box的縱橫比考慮進(jìn)損失函數(shù)中，公式如下：

式中：ρ2（b，bgt）為兩個(gè)框中心點(diǎn)的歐氏距離，b，bgt為預(yù)測(cè)框B與真實(shí)框A的中心點(diǎn)；c為同時(shí)包含預(yù)測(cè)框與真實(shí)框的最小區(qū)域的對(duì)角線距離；α為用作trade-off的參數(shù)；v為用來(lái)衡量長(zhǎng)寬比一致性的參數(shù)；w與h分別表示預(yù)測(cè)框的寬和高；wgt、hgt分別表示真實(shí)框的寬和高。

CIoU相對(duì)GIoU有如下特點(diǎn)：（1）CIoU與GIoU均具有尺度不變性；（2）CIoU在目標(biāo)框不重疊時(shí)，仍可以為邊界框提供移動(dòng)方向；（3）CIoU可以直接最小化兩個(gè)目標(biāo)框的距離，較GIoU收斂快；（4）CIoU在兩個(gè)框完全重疊時(shí)仍能很快回歸，GIoU則退化為IoU；（5）引入BoundBox的縱橫比，進(jìn)一步提高了回歸精度。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)環(huán)境如表1所示。

表1 實(shí)驗(yàn)環(huán)境

3.2 滑坡數(shù)據(jù)集構(gòu)建

目前，公開(kāi)數(shù)據(jù)集中并無(wú)公開(kāi)的滑坡數(shù)據(jù)集，因此本文收集Google Earth滑坡發(fā)生后的衛(wèi)星云圖圖像及滑坡地區(qū)的無(wú)人機(jī)航拍圖像構(gòu)建滑坡數(shù)據(jù)集，共包含滑坡圖像1 247張，使用labelImg標(biāo)注圖像中的滑坡區(qū)域，數(shù)據(jù)集按照8:1:1比例劃分訓(xùn)練集、測(cè)試集、驗(yàn)證集。

3.3 實(shí)驗(yàn)結(jié)果分析

分別采用YOLOv5-BC模型、YOLOv5模型、Faster-RCNN模型對(duì)滑坡數(shù)據(jù)集訓(xùn)練300輪，使用SGD優(yōu)化器進(jìn)行權(quán)重更新，學(xué)習(xí)率α設(shè)置為0.01，batch-size（批次大?。┰O(shè)置為64。

YOLOv5-BC訓(xùn)練Loss曲線如圖2所示。

圖2 YOLOv5-BC訓(xùn)練Loss曲線圖

識(shí)別效果如圖3所示。

圖3 YOLOv5-BC識(shí)別效果圖

最終實(shí)驗(yàn)結(jié)果如表2所示。

表2 實(shí)驗(yàn)結(jié)果

根據(jù)表2的對(duì)比結(jié)果可以看出，由于滑坡數(shù)據(jù)集存在目標(biāo)尺寸大小不一、差距過(guò)大的問(wèn)題，YOLOv5算法及Faster-RCNN算法表現(xiàn)較差，改進(jìn)算法YOLOv5-BC對(duì)滑坡數(shù)據(jù)集的計(jì)算精度相比Faster-RCNN及YOLOv5顯著提高，分別取得了37.7%及27.9%的提升。

4 結(jié)論

本文提出了一種用于識(shí)別輸電線路走廊滑坡災(zāi)害的改進(jìn)YOLOv5（YOLOv5-BC）算法，通過(guò)將YOLOv5的Neck部分PANet結(jié)構(gòu)替換為BiFPN結(jié)構(gòu)，優(yōu)化了特征融合網(wǎng)絡(luò)，增強(qiáng)了對(duì)尺寸差異大的圖像的檢測(cè)能力；將GIoU損失函數(shù)替換為CIoU損失函數(shù)，提高了目標(biāo)框回歸損失，提高了檢測(cè)精度。

構(gòu)建了滑坡數(shù)據(jù)集，基于構(gòu)建的數(shù)據(jù)集對(duì)不同模型進(jìn)行了測(cè)試，驗(yàn)證了YOLOv5-BC模型的有效性，相比Faster-RCNN及YOLOv5模型的mAP@0.5分別提高了37.7%及27.9%，達(dá)到了79.2%。

實(shí)驗(yàn)結(jié)果表明，本文提出的YOLOv5-BC模型，具有實(shí)際應(yīng)用于輸電線路走廊滑坡災(zāi)害識(shí)別的潛力。