基于改進(jìn)YOLOv5s的輸電線路防外力破壞行為檢測(cè)識(shí)別

鄭良成，曹雪虹，焦良葆，2，高 陽(yáng)，王彥生

(1.南京工程學(xué)院 人工智能產(chǎn)業(yè)技術(shù)研究院，南京 211167；2.江蘇省智能感知技術(shù)與裝備工程研究中心，南京 211167)

0 引言

電力資源的安全穩(wěn)定是社會(huì)經(jīng)濟(jì)建設(shè)和安全發(fā)展的重要基石，而作為電力系統(tǒng)大動(dòng)脈的架空線路則遍布全國(guó)各地，由于其分布廣泛且沒(méi)有保護(hù)條件，因此其安全性往往難以保證。據(jù)國(guó)內(nèi)數(shù)據(jù)統(tǒng)計(jì)，30%的輸電線路故障事件是由外力破壞導(dǎo)致的，外力破壞已成為除雷害以外的輸電線路安全運(yùn)行的最大隱患，常見(jiàn)的外力破壞危險(xiǎn)行為主要有：超大工程車(chē)輛、低空飛行物、火災(zāi)、懸掛異物、搭建違章建筑、林區(qū)高樹(shù)成長(zhǎng)壓線、可疑人員蓄意破壞、桿塔沉降傾斜等[1]。其中超大工程車(chē)輛由于其自身機(jī)械臂較長(zhǎng)，在挖掘、裝運(yùn)、起重、移動(dòng)等操作中極易對(duì)輸電線路造成金屬性永久接地，對(duì)輸電線路危害極強(qiáng)，并且由于違章施工現(xiàn)象的層出不窮，致使超大工程車(chē)輛成為主要的外力破壞行為，其中主要的超大工程車(chē)輛有塔吊、吊車(chē)和挖掘機(jī)；而以山火，堆積起火為主要形式的火災(zāi)對(duì)輸電線路的危害同樣很大，因?yàn)槿绻荒芗皶r(shí)控制火情蔓延，造成火勢(shì)升級(jí)，其很可能燒斷導(dǎo)線，甚至對(duì)桿塔造成破壞，并且短時(shí)間內(nèi)難以對(duì)其進(jìn)行恢復(fù)。因此本文以輸電線路下超大工程車(chē)輛和煙火為主要外力破壞目標(biāo)，在輸電線路預(yù)警區(qū)對(duì)其進(jìn)行目標(biāo)檢測(cè)和預(yù)警，提升線路巡的效率，達(dá)到對(duì)電力線路的保護(hù)作用。

與傳統(tǒng)目標(biāo)檢測(cè)不同，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法主要分為兩類(lèi)：第一類(lèi)是基于候選區(qū)域的雙階段目標(biāo)檢測(cè)算法，第二類(lèi)是基于回歸問(wèn)題的單階段目標(biāo)檢測(cè)算法[2]。前者主要有R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN等，第一階段生成候選框(Region Proposal Net)并從其中感興趣區(qū)域提取特征；第二階段對(duì)候選框進(jìn)行卷積分類(lèi)和矯正回歸等操作生成位置框并預(yù)測(cè)類(lèi)別，使其擁有更高的精度。由于其雙階段機(jī)制的特點(diǎn)，其產(chǎn)生的參數(shù)量較大，實(shí)時(shí)性差，檢測(cè)小目標(biāo)效果差，這種算法適用于高精度目標(biāo)檢測(cè)。而單階段目標(biāo)檢測(cè)算法，如SSD、Retina-Net和YOLO被廣泛應(yīng)用。這些算法無(wú)需提前進(jìn)行區(qū)域候選，而是直接通過(guò)輸入圖像來(lái)回歸目標(biāo)邊界框和類(lèi)別，從而滿足工業(yè)生產(chǎn)快速性要求；模型結(jié)構(gòu)簡(jiǎn)單，具有更大的開(kāi)發(fā)價(jià)值，更適合移動(dòng)和嵌入式設(shè)備應(yīng)用。馬學(xué)森[3]等人通過(guò)在YOLOv5l網(wǎng)絡(luò)添加CA注意力機(jī)制，使網(wǎng)絡(luò)有效地抵抗混亂信息的干擾，更好地關(guān)注特征信息，提高檢測(cè)精度；寧紀(jì)峰[4]等人利用YOLOv5網(wǎng)絡(luò)，在替換為CARAFE上采樣方式后，在帶來(lái)極小參數(shù)量的情況下增強(qiáng)了上采樣過(guò)程的特征重組能力；張欣怡[5]等人將標(biāo)準(zhǔn)卷積替換為鬼影混洗卷積GSConv，在保證精度的同時(shí)使得網(wǎng)絡(luò)更加輕量化，王慧贏[6]等人在特征融合層使用GSConv_slimneck結(jié)構(gòu)，增強(qiáng)了特征融合能力，又降低了參數(shù)內(nèi)存。

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法的檢測(cè)效果對(duì)檢測(cè)圖片樣本要求較高，若檢測(cè)環(huán)境惡劣或目標(biāo)被遮擋重疊，則效果不理想。此外，對(duì)于輸電線路這種難以部署大量設(shè)備的工作情況，對(duì)檢測(cè)算法進(jìn)行輕量化優(yōu)化就十分重要[7-9]。而檢測(cè)裝置想要減小模型的復(fù)雜度往往會(huì)導(dǎo)致檢測(cè)精度的大幅降低[10-14]。

為了有效解決上述問(wèn)題，本文以YOLOv5s算法為基礎(chǔ)對(duì)輸電線路的外力破壞行為進(jìn)行目標(biāo)檢測(cè)，首先通過(guò)去霧算法CLAHE，提升圖片對(duì)比度，提高檢測(cè)效果；通過(guò)添加CA注意力機(jī)制，結(jié)合空間和通道信息，增強(qiáng)了YOLOv5s網(wǎng)絡(luò)的特征提取能力[15-16]；通過(guò)使用輕量級(jí)上采樣算子CARAFE，加強(qiáng)特征重組能力和特征語(yǔ)義信息利用能力[17-18]；通過(guò)引入GSConv_Slimneck的設(shè)計(jì)范式，來(lái)減輕模型復(fù)雜度的同時(shí)并保持準(zhǔn)確性[19-21]。

1 改進(jìn)YOLOv5s網(wǎng)絡(luò)介紹

1.1 改進(jìn)后的YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5家族包括5個(gè)成員，分別是YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x、YOLOv5n。每種網(wǎng)絡(luò)的深度寬度都不同[7]。其中YOLOv5s的網(wǎng)絡(luò)深度和寬度最小，速度也最快，更為輕量化[22-23]。

改進(jìn)后的YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，包括輸入端、骨干網(wǎng)絡(luò)(Backbone)、頸部網(wǎng)絡(luò)(neck)、頭部網(wǎng)絡(luò)(Prediction)。首先，針對(duì)輸電線路多存在雨霧、煙塵工作環(huán)境，本文使用限制對(duì)比度自適應(yīng)直方圖均衡算法(CLAHE，contrast limited adaptive histogram equalization)對(duì)數(shù)據(jù)集圖片進(jìn)行預(yù)處理，提升圖片對(duì)比度，達(dá)到去霧的效果；然后，由于輸電線路下環(huán)境復(fù)雜且時(shí)常會(huì)有工程車(chē)輛被異物遮擋的情況出現(xiàn)，因此本文在骨干網(wǎng)絡(luò)的特征提取層引入坐標(biāo)注意力機(jī)制(CA，coordinate attention)，以增強(qiáng)對(duì)目標(biāo)車(chē)輛的察覺(jué)和檢測(cè)能力。其次，在原YOLOv5s的特征金字塔網(wǎng)絡(luò)中使用的是最鄰近插值法對(duì)高階特征圖進(jìn)行上采樣，這種上采樣方式只考慮到相鄰的亞像素空間，感知范圍較小，不利于對(duì)遠(yuǎn)距離目標(biāo)和背景噪聲過(guò)大的目標(biāo)進(jìn)行特征提取[8]。因此本文在頸部網(wǎng)絡(luò)的特征融合層引入輕量級(jí)上采樣算子(CARAFE，content-aware reassembly of features)，解決遠(yuǎn)距離目標(biāo)的信息丟失問(wèn)題，來(lái)提高檢測(cè)精度，并且只引入了很少的參數(shù)量和計(jì)算代價(jià)。最后，針對(duì)輸電線路只能部署邊緣計(jì)算設(shè)備的情況，本文把平衡模型計(jì)算成本和檢測(cè)精度作為輕量級(jí)網(wǎng)絡(luò)設(shè)計(jì)主要目標(biāo)，而大多輕量級(jí)網(wǎng)絡(luò)常使用深度可分離卷積(DSC，depth-wise separableconvolution)來(lái)極大地減少參數(shù)量，但其不能充分利用不同通道在相同空間位置上的特征信息，造成檢測(cè)精度的嚴(yán)重降低。因此，本文使用GSConv(Ghost-Shuffle Convolution)替換Neck層的標(biāo)準(zhǔn)卷積(SC，standard convolution)，使模型參數(shù)量大幅降低。并在此基礎(chǔ)上引入由GSbottleneck搭建而成的VoV-GSCSP(Vision Over Visibility Via Guided Sparse Context Propagation)輕量級(jí)網(wǎng)絡(luò)，與GSConv組成纖細(xì)頸部網(wǎng)絡(luò)(GSConv_slimneck)，減輕模型重量同時(shí)獲得更好的特征提取能力和感知能力。

圖1 YOLOv5s改進(jìn)后網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 改進(jìn)策略

本文首先使用CLAHE預(yù)處理方法對(duì)圖片進(jìn)行去霧操作，然后對(duì)YOLOv5s網(wǎng)絡(luò)進(jìn)行添加CA注意力機(jī)制、修改上采樣方式為CARAFE以及引入GSConv_slimneck范式的方法改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，使YOLOv5s網(wǎng)絡(luò)更適用于對(duì)輸電線路這種工作環(huán)境復(fù)雜且部署空間有限的場(chǎng)合。

1.2.1 限制對(duì)比度自適應(yīng)直方圖均衡化CLAHE

傳統(tǒng)的自適應(yīng)均衡直方圖(AHE，adaptive histgram equalization)通過(guò)計(jì)算圖像多個(gè)局部區(qū)域的直方圖，并重新分布亮度，以此改變圖像對(duì)比度，完成對(duì)圖像的增強(qiáng)，但是AHE對(duì)局部對(duì)比度提升過(guò)大，會(huì)導(dǎo)致圖像失真嚴(yán)重。而本文引用的CLAHE 算法與AHE的區(qū)別主要是：

1)CLAHE對(duì)子塊中的直方圖進(jìn)行裁剪，使其幅值低于所需要的上限，同時(shí)將裁剪掉的部分均勻地分布到整個(gè)灰度區(qū)間上，保證直方圖的總面積不變，達(dá)到限制區(qū)域?qū)Ρ榷鹊淖饔谩?/p>

2)在CLAHE變換中，圖片像素點(diǎn)的值由它周?chē)?個(gè)子塊的映射函數(shù)進(jìn)行雙線性插值所得到，有效地解決了呈塊效應(yīng)。

針對(duì)本實(shí)驗(yàn)出現(xiàn)的雨、霧、煙塵等困難檢測(cè)環(huán)境，引入CLAHE預(yù)處理可以有效地改善圖像的對(duì)比度，達(dá)到去霧去噪的效果，對(duì)比圖如圖2所示。

圖2 效果對(duì)比圖

1.2.2 添加CA注意力機(jī)制

作為最典型的通道注意力模塊，SENet強(qiáng)調(diào)通道間的相關(guān)性，重點(diǎn)關(guān)注重要通道，減弱其他通道特征的影響，從而達(dá)到提高網(wǎng)絡(luò)性能的效果，但其缺點(diǎn)是忽略了對(duì)于生成空間特征選擇性十分重要的位置信息?？臻g注意力模塊與其類(lèi)似，只關(guān)注于尋找網(wǎng)絡(luò)中最重要部分的空間信息進(jìn)行處理，雖然能夠節(jié)省資源用于重要區(qū)域，但是這種注意力機(jī)制卻忽略了通道間信息，將空間域變換方法局限于原始圖片的特征提取階段?；旌献⒁饬C(jī)制兼顧了兩者的優(yōu)點(diǎn)，同時(shí)關(guān)注位置和通道信息，其中最具代表性的有CBAM和CA注意力機(jī)制，但是CBAM引入了大尺度的卷積核提取空間特征，忽略了長(zhǎng)程依賴問(wèn)題。

Hou[11]等人提出CA(Coordinate Attention)注意力機(jī)制，將通道注意力分解為兩個(gè)1維的全局池化過(guò)程，分別沿縱向和橫向2個(gè)空間方向?qū)νǖ捞卣鬟M(jìn)行聚合，這樣可以得到兩個(gè)具有獨(dú)立方向感知的特征映射，然后在通道注意力的聚合特征向量中嵌入輸入特征圖的位置信息。將兩種不同的特征圖嵌入到兩種不同的注意圖中，每一種注意圖都能反映出特征圖在空間上的長(zhǎng)期相關(guān)性和位置信息。再將這兩個(gè)注意運(yùn)用到輸入特征圖上，以增強(qiáng)對(duì)興趣區(qū)域的表達(dá)。具體流程如圖3所示。

圖3 CA注意力算法流程圖

1)為了避免將空間信息全部壓縮到通道中，CA注意力通過(guò)把輸入特征圖在橫向和縱向兩個(gè)方向進(jìn)行平均池化處理的方法，緩解了2D全局池化的位置信息丟失問(wèn)題。并且這種2維變換能夠使得注意功能模塊在其中一維空間上獲取長(zhǎng)程依賴性，而在另外一維空間上存儲(chǔ)更多的位置信息，從而幫助網(wǎng)絡(luò)更加精準(zhǔn)地找到所關(guān)注對(duì)象。

2)在經(jīng)過(guò)上述變換后，將生成的特征圖進(jìn)行concat重疊操作，并通過(guò)一個(gè)1×1的卷積來(lái)壓縮通道，減少計(jì)算量，方便后續(xù)的卷積操作，然后通過(guò)BN+Non-linear層來(lái)編碼縱向方向和橫向方向的空間信息。

3)將生成的特征圖沿空間維度進(jìn)行分割，生成一對(duì)具有方向感知和位置敏感性的特征圖，然后再各自通過(guò)1×1卷積層恢復(fù)到和原始特征圖一樣的通道數(shù)。

1.2.3 改進(jìn)上采樣方式CARAFE

上采樣算法是各種網(wǎng)絡(luò)結(jié)構(gòu)中最廣泛使用的算法之一，YOLOv5s采用的上采樣算法是最鄰近插值法[9]。此方法選擇單個(gè)像素灰度值來(lái)替換源圖像中最近的像素灰度值。算法簡(jiǎn)單，易于實(shí)現(xiàn)且速度較快，但是在上采樣時(shí)會(huì)產(chǎn)生色塊現(xiàn)象，從而導(dǎo)致特征丟失，降低小目標(biāo)檢測(cè)精度[10]；并且最鄰近上采樣算法僅利用像素的空間位置來(lái)確定上采樣核心，并不能利用特征圖的語(yǔ)義信息，也就會(huì)導(dǎo)致感受野非常小，不能有效地利用周?chē)男畔ⅰ?/p>

本文在YOLOv5s中引用的輕量級(jí)通用上采樣算子CARAFE，具有輕量化特征的同時(shí)還能擁有一個(gè)較大的感受野，并且將上采樣核心與特征圖的語(yǔ)義信息進(jìn)行關(guān)聯(lián)，根據(jù)輸入進(jìn)行上采樣，進(jìn)一步提升模型的特征表達(dá)能力和對(duì)細(xì)節(jié)的感知能力。在不引入過(guò)多參數(shù)和計(jì)算量的前提下，首先使用輸入特征映射對(duì)每個(gè)目標(biāo)位置的內(nèi)容先預(yù)測(cè)一個(gè)上采樣核，然后根據(jù)輸入特性去指導(dǎo)預(yù)測(cè)的上采樣核進(jìn)行特征重組，具有較大的感受野，能夠更好地聚合感知領(lǐng)域內(nèi)的上下文信息。CARAFE主要分為上采樣核預(yù)測(cè)模塊和特征重組模塊，結(jié)構(gòu)如圖4所示。假設(shè)輸入的特征圖尺寸為H*W*C，上采樣倍率為σ，目標(biāo)是將其轉(zhuǎn)換為σH×σW×C的輸出特征圖。

圖4 CARAFE上采樣模塊結(jié)構(gòu)

1.2.3.1 上采樣預(yù)測(cè)模塊

首先，將特征圖的通道數(shù)使用一個(gè)1×1的卷積來(lái)壓縮，以減小計(jì)算量，便于后續(xù)可以使用更大的上采樣核，壓縮后的特征圖形狀為H×W×Cm。

最后將得到的上采樣核使用softmax函數(shù)作歸一化處理，即確保卷積核的權(quán)重加起來(lái)為1。

1.2.3.2 特征重組模塊

在輸入特征圖中，選取一個(gè)以(i，j)為中心，Kup×Kup的區(qū)域，將其與預(yù)測(cè)出的該點(diǎn)上采樣核作內(nèi)積，得到輸出值。在相同位置的(i，j)雖然通道不同，但仍共享一個(gè)上采樣核。

輕量級(jí)通用上采樣算子參數(shù)如下公式：

參數(shù)量=2(Cin+1)Cm+

(1)

1.2.4 Neck部分引入GSConv_slimneck范式

針對(duì)輸電線路移動(dòng)終端的存儲(chǔ)能力有限且實(shí)際工作環(huán)境復(fù)雜：外物遮擋、背景色強(qiáng)和距離遠(yuǎn)等不利于檢測(cè)的情況，需要在特征增強(qiáng)網(wǎng)絡(luò)的設(shè)計(jì)上既要考慮網(wǎng)絡(luò)輕量化，也要兼顧精度。常見(jiàn)的輕量級(jí)網(wǎng)絡(luò)多使用深度可分離卷積DSC，其通過(guò)分割特征提取與通道融合的方式，顯著減少了參數(shù)量，但是也正因如此，DSC的檢測(cè)精度也隨之降低。相反標(biāo)準(zhǔn)卷積SC[5]則是使用不同的卷積核對(duì)3個(gè)通道同時(shí)卷積，最后再疊加每個(gè)通道對(duì)應(yīng)位置的值，使之變?yōu)閱瓮ǖ?，需要很大的參?shù)量。

因此本文通過(guò)在頸部特征融合時(shí)，使用鬼影混洗卷積GSConv來(lái)代替標(biāo)準(zhǔn)卷積，最大程度地平衡模型參數(shù)量和準(zhǔn)確度。GSconv結(jié)構(gòu)如圖5所示。

圖5 GSConv結(jié)構(gòu)圖

通道混洗由Han[12]為了緩解通道間特征融合時(shí)，使用 1×1 卷積占用過(guò)多計(jì)算量的問(wèn)題，提出ShuffleNet中的概念。即首先將輸入通道數(shù)C分為G組，令每個(gè)卷積核僅負(fù)責(zé)C/G個(gè)通道的卷積計(jì)算，然后將結(jié)果拼接得到輸出特征，通過(guò)分組卷積能夠?qū)⒂?jì)算量壓縮至標(biāo)準(zhǔn)卷積1/G。最后將分組卷積后的輸出特征進(jìn)行打亂與重組，使不同組的通道信息充分融合，過(guò)程如圖6所示。

圖6 通道混洗過(guò)程示例

其中1～12為輸入通道數(shù)的編號(hào)，首先采用Reshape操作將通道拓展為兩個(gè)維度，包括卷積組數(shù)和每個(gè)卷機(jī)組包含的通道數(shù)，之后采用Transpose操作對(duì)兩個(gè)維度進(jìn)行置換，最后采用Flaten操作將兩個(gè)維度恢復(fù)為原本的維度，經(jīng)過(guò)通道混洗在不增加計(jì)算量的情況下，實(shí)現(xiàn)了不同組之間的信息融合。

使用輕量級(jí)卷積方法GSConv代替SC，其計(jì)算成本約為SC的60%～70%，但其對(duì)模型學(xué)習(xí)能力的貢獻(xiàn)與后者不相上下，甚至隨著逐層卷積下采樣的處理，還會(huì)丟失大量的特征信息。因此在GSConv的基礎(chǔ)上引入GSbottleneck模塊，將其代替C3模塊中的bottleneck部分，通過(guò)一次性聚合成為一個(gè)新的跨級(jí)部分網(wǎng)絡(luò)模塊VoV-GSCSP。GSbottleneck聚合成VoV-GSCSP過(guò)程如圖7所示。

圖7 VoV-GSCSP模塊結(jié)構(gòu)

由GSConv和VoV-GSCSP組成的纖細(xì)頸部網(wǎng)絡(luò)GSConv_slimneck使得網(wǎng)絡(luò)模型擁有了更強(qiáng)的特征提取能力和感知能力，從而有助于幫助CA注意力機(jī)制更好地捕捉圖像中的上下文信息，提升模型對(duì)重要特征的感知能力。同時(shí)更強(qiáng)的特征提取能力還有助于增強(qiáng)CARAFE的特征表達(dá)能力，增強(qiáng)模型對(duì)細(xì)節(jié)信息的感知能力，有助于檢測(cè)精度的提升。

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)環(huán)境及參數(shù)配置

本文的網(wǎng)絡(luò)模型訓(xùn)練平臺(tái)搭建在GPU運(yùn)算服務(wù)器，硬件配置如表1所示。

表1 硬件參數(shù)配置

本文所有實(shí)驗(yàn)的模型訓(xùn)練均在此臺(tái)GPU運(yùn)算服務(wù)器上進(jìn)行，所使用的訓(xùn)練參數(shù)均為：在不添加預(yù)訓(xùn)練權(quán)重的情況下，輸入圖片大小為640×640，epochs設(shè)置為300，batch-size設(shè)置為16，調(diào)用3個(gè)GPU，IOU閾值設(shè)置為0.5，初始學(xué)習(xí)率設(shè)置為0.01。

2.2 實(shí)驗(yàn)數(shù)據(jù)集

本文所使用的數(shù)據(jù)集圖片類(lèi)型包括塔吊(Tower Crane)、吊車(chē)(Hoist)、挖掘機(jī)(Excavator)三類(lèi)超大工程車(chē)輛和煙火(Smoke)共4大類(lèi)，共計(jì)圖片1 825張。其中工程車(chē)輛數(shù)據(jù)集原始圖由某市公司提供，包括塔吊圖片596張，吊車(chē)圖片477張，挖掘機(jī)圖片483張；煙火數(shù)據(jù)集圖片來(lái)源于網(wǎng)絡(luò)搜索，共有269張。經(jīng)過(guò)CLAHE處理后的數(shù)據(jù)集圖片如圖8所示。

圖8 外力破壞數(shù)據(jù)集圖片示例

使用LabelImg對(duì)其進(jìn)行標(biāo)注，將標(biāo)注完的信息以xml的格式保存在相同的路徑下。然后將數(shù)據(jù)集按照6∶2∶2的比例分別劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。數(shù)據(jù)集類(lèi)別和數(shù)量如表2所示。

表2 數(shù)據(jù)集類(lèi)別及數(shù)量

2.3 模型評(píng)價(jià)指標(biāo)

本文參考的精度評(píng)價(jià)指標(biāo)有：查全率(R，recall)、查準(zhǔn)率(P，precision)和平均精度均值mAP。

以下TP(True Positives)表示模型為正樣本，且被分對(duì)了；TN(True Negatives)表示預(yù)測(cè)該模型為負(fù)樣本，且預(yù)測(cè)對(duì)了；FN(False Negatives)表示該預(yù)測(cè)模型為負(fù)樣本，但是預(yù)測(cè)錯(cuò)了；FP(False Positives)表示該模型為正樣本，但預(yù)測(cè)錯(cuò)了。

查全率R就是在檢索結(jié)果中，被正確檢測(cè)出是正樣本的模型數(shù)量(TP)在所有事實(shí)上是正樣本模型的數(shù)量(TP+FN)中的比值，公式如下：

(2)

查準(zhǔn)率P就是在檢索結(jié)果中，被正確檢測(cè)出是正樣本的模型數(shù)量(TP)在所有被預(yù)測(cè)為正樣本模型的數(shù)量(TP+FP)中的比值，公式如下：

(3)

mAP表示各類(lèi)的檢測(cè)器PR曲線下面積占比的平均值，該指標(biāo)可以關(guān)聯(lián)P、R指標(biāo)，展現(xiàn)模型性能：

(4)

因?yàn)椴闇?zhǔn)率、查全率二者通常有高有低、所以在二者變化不大的情況之下，以mAP平均精度均值作為評(píng)判網(wǎng)絡(luò)精度的標(biāo)準(zhǔn)。

參考的模型輕量化指標(biāo)有：參數(shù)量(Param)的大小、訓(xùn)練權(quán)重文件(Weights)的內(nèi)存大小。其中參數(shù)量是一個(gè)模型中參數(shù)的總和，參數(shù)量一方面會(huì)影響內(nèi)存占用，另一方面也會(huì)影響程序的初始化時(shí)間；模型權(quán)重文件是使用者最終部署時(shí)所需的文件，對(duì)于空間資源有限的設(shè)備來(lái)說(shuō)，模型權(quán)重文件盡可能小是一個(gè)優(yōu)勢(shì)。

2.4 實(shí)驗(yàn)結(jié)果評(píng)估分析

2.4.1 注意力實(shí)驗(yàn)對(duì)比

為了更好地對(duì)比驗(yàn)證本文所添加的CA注意力機(jī)制的有效性，設(shè)計(jì)在backbone網(wǎng)絡(luò)的SPPF模塊前，C3卷積后，分別嵌入SE、CBAM以及CA注意力機(jī)制進(jìn)行對(duì)比實(shí)驗(yàn)。

由表3的4組評(píng)價(jià)指標(biāo)可見(jiàn)，加入CA注意力后網(wǎng)絡(luò)精度提升最高，查準(zhǔn)率和查全率均得到了提升?？梢?jiàn)CA可以作為最優(yōu)注意力添加進(jìn)網(wǎng)絡(luò)模型。

表3 注意力機(jī)制對(duì)比表

2.4.2 輕量化實(shí)驗(yàn)對(duì)比

從表4中可以看出輕量化結(jié)構(gòu)中，將ShuffleNetV2、MobileNetV2與本文使用的GSConv_slimneck網(wǎng)路在本實(shí)驗(yàn)的外力破壞數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)?？梢?jiàn)，將YOLOv5s特征提取層替換為MobileNetV3結(jié)構(gòu)后，參數(shù)量和模型體積分別減小了7.6 MB、4 MB，但精度卻下降了12.6%，下降嚴(yán)重；替換為ShuffleNetV2后，參數(shù)量和模型體積分別減小了12.3 MB、6.4 MB，但精度卻下降了14.3%，同樣下降嚴(yán)重。而將GSConv_slimneck替換原YOLOv5s的特征融合層后，其參數(shù)量和模型體積分別減小了1.7 MB、0.9 MB，并且在保證模型輕量化的同時(shí)精確度還提升了1.4%。由此證明了GSConv+slimneck可以輕量地保證YOLOv5s特征融合的有效性。

表4 輕量化網(wǎng)絡(luò)對(duì)比表

2.4.3 消融實(shí)驗(yàn)

消融實(shí)驗(yàn)類(lèi)似于控制變量的思想，在機(jī)器學(xué)習(xí)領(lǐng)域常使用消融實(shí)驗(yàn)來(lái)分析不同的因素對(duì)神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)產(chǎn)生的影響[13]。為進(jìn)一步分析各改進(jìn)模塊組合的影響，本文將CA注意力、輕量級(jí)上采樣算子CARAFE和纖細(xì)頸部網(wǎng)絡(luò)GSConv_slimneck分別進(jìn)行組合，測(cè)試其對(duì)精度和參數(shù)量等衡量指標(biāo)的影響。其中“√”表示實(shí)驗(yàn)中使用該模塊。

分析表5，可以從A、B、C看出各改進(jìn)模塊均對(duì)網(wǎng)絡(luò)檢測(cè)精度有所提升，由D、E、F三組可以看出GSConv_slimneck模塊可以顯著提高CA注意力的特征提取能力和CARAFE的特征表達(dá)能力。最終三者的結(jié)合更加突出地提升了網(wǎng)絡(luò)的檢測(cè)精度，相較于原YOLOv5s網(wǎng)絡(luò)，Our網(wǎng)絡(luò)檢測(cè)精度提升了4.4%，參數(shù)量降低了3.4%，權(quán)重模型內(nèi)存減小了2.7%，滿足輕量化要求的同時(shí)，提升了網(wǎng)絡(luò)的檢測(cè)精度，對(duì)于輸電線路下的危險(xiǎn)行為檢測(cè)有所改善。

表5 消融實(shí)驗(yàn)結(jié)果

為了凸顯網(wǎng)絡(luò)改進(jìn)后效果的直觀性，列舉改進(jìn)前后網(wǎng)絡(luò)的檢測(cè)效果如圖9所示，圖 (a)代表原網(wǎng)絡(luò)檢測(cè)效果，可見(jiàn)在原網(wǎng)絡(luò)檢測(cè)時(shí)存在檢測(cè)精度低和漏檢現(xiàn)象。而圖(b)為改進(jìn)后的Our網(wǎng)絡(luò)，可見(jiàn)網(wǎng)絡(luò)改進(jìn)后檢測(cè)精度得到了有效提升，并且改善了漏檢現(xiàn)象。

圖9 改進(jìn)前后網(wǎng)絡(luò)檢測(cè)效果對(duì)比圖

3 結(jié)束語(yǔ)

本文針對(duì)輸電線路工作環(huán)境復(fù)雜、小目標(biāo)檢測(cè)精度差和移動(dòng)設(shè)備部署等問(wèn)題，對(duì)YOLOv5s網(wǎng)絡(luò)進(jìn)行了改進(jìn)，改進(jìn)點(diǎn)如下：

1)通過(guò)添加CA注意力模塊，將空間信息嵌入到通道信息增強(qiáng)網(wǎng)絡(luò)對(duì)復(fù)雜環(huán)境和小目標(biāo)的特征提取能力；

2)將YOLOv5s的最鄰近差值上采樣替換為輕量級(jí)上采樣算子CARAFE，擴(kuò)大感受野，更好地聚合上下文信息；

3)利用GSConv_slimneck作為特征增強(qiáng)網(wǎng)絡(luò)，縮減網(wǎng)絡(luò)參數(shù)量和權(quán)重文件內(nèi)存的同時(shí)還可以提升注意力機(jī)制和上采樣算子的性能，進(jìn)一步提高模型的檢測(cè)精度。

實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的Our網(wǎng)絡(luò)相比于原YOLOv5s網(wǎng)絡(luò)提升了對(duì)遮擋目標(biāo)和小目標(biāo)的檢測(cè)能力，更適用于輸電線路的工作環(huán)境，改進(jìn)后mAP提升了4.4%，達(dá)到了88.9%；同時(shí)改進(jìn)后的模型也更加輕量化，更適用于在邊緣計(jì)算設(shè)備上部署，改進(jìn)后模型參數(shù)量減小了3.4%，達(dá)到了25.9 MB，權(quán)重文件大小減小了2.7%，達(dá)到了14.1 MB。但是改進(jìn)后的Our網(wǎng)絡(luò)在檢測(cè)速度上還有待提高。在后續(xù)工作中可以進(jìn)一步擴(kuò)充數(shù)據(jù)集的種類(lèi)和數(shù)量，并通過(guò)不斷優(yōu)化網(wǎng)絡(luò)提升檢測(cè)速度，達(dá)到預(yù)警的實(shí)時(shí)性要求。