基于改进 YOLOv5 的输电线路航拍缺陷智能识别方法研究
期刊: 建筑监督检测与造价 2026年第17期 DOI: 10.67328/wslwpp2503 PDF下载
基于改进 YOLOv5 的输电线路航拍缺陷智能识别方法研究
胡平140113198204292338
摘要:输电线路长期暴露在野外,绝缘子破损、鸟巢、防震锤锈蚀、销钉缺失等缺陷直接威胁电网安全。传统人工巡检效率低、危险点多,无人机航拍巡检产生大量图像,依赖人工判读耗时耗力。本文提出一种改进 YOLOv5s 的输电线路缺陷智能识别方法:在主干网络引入轻量级注意力模块CBAM 提升小目标特征表达,采用加权双向特征金字塔(BiFPN)替代原 FPN 增强多尺度融合,并使用 K-means 聚类重新设计锚框。在自制的 8 000 张航拍缺陷数据集上训练与测试,mAP@0.5 达到 92.3%,相比原始 YOLOv5s 提升 5.1 个百分点,推理速度 42 FPS,已部署于无人机巡检边缘计算终端,现场应用准确率 89.6%,显著减轻人工判读负担。
关键词:输电线路;无人机巡检;缺陷识别;YOLOv5;注意力机制;深度学习
1 引言
1.1 研究背景
我国110 kV及以上输电线路长度已超过80万km,线路通道覆盖山区、林地、河网等复杂地形。传统人工登塔巡检每基塔平均耗时40 min,且对巡检人员高空作业安全构成威胁。无人机巡检具有效率高、成本低、机动性强等优点,已成为主流巡检方式。但单次飞行可产生数千张图像,人工判读每张图像平均耗时6~8 s,一个中型巡检任务往往需要专业判读人员连续工作数天。因此,研究基于深度学习的缺陷自动识别方法具有重要工程价值。
1.2 国内外研究现状
早期输电线路缺陷检测采用滑动窗口+手工特征(HOG、SIFT)+SVM的方案,对小目标、复杂背景的鲁棒性差。2018年以后,以Faster R-CNN、YOLO、SSD为代表的深度学习方法逐渐成为主流。YOLO系列因其单阶段、速度快的特点,特别适合无人机边缘端部署。但输电线路目标存在小目标多(如销钉)、类别不平衡(正常远多于缺陷)、背景复杂(山林、天空、建筑)等问题,直接使用通用模型效果不佳。
2 数据集构建
2.1 数据采集与类别定义
通过无人机对某网省公司所辖110~500 kV线路进行航拍,采集不同季节、不同光照、不同角度的图像共12 000张,人工标注5类典型缺陷:绝缘子自爆(1 230个)、鸟巢(860个)、防震锤锈蚀(540个)、销钉缺失(420个)、异物悬挂(310个)。按7:2:1划分为训练集、验证集、测试集。
2.2 数据增强
针对样本不平衡问题,采用离线增强(随机裁剪、翻转、HSV颜色抖动、Mosaic拼接)与在线增强(Mixup、CutMix)相结合的策略,对小样本类进行过采样。Mosaic方法将4张图像拼接为一张,显著丰富了小目标上下文,使模型对小目标的泛化能力提升。
3 改进 YOLOv5 模型
3.1 主干网络引入 CBAM
在CSPDarknet主干网络的每个BottleneckCSP模块后加入卷积块注意力模块(CBAM),依次沿通道与空间维度学习权重,使网络关注缺陷区域、抑制背景干扰。CBAM参数量仅增加约2%,但对小目标识别的mAP提升明显。
3.2 BiFPN 多尺度特征融合
原YOLOv5采用PANet实现自顶向下与自底向上的双向融合,但不同尺度特征的贡献未加权。本文替换为加权双向特征金字塔(BiFPN),为每个输入特征引入可学习权重,让网络自动学习不同尺度特征的重要性。对销钉缺失等小目标,P3尺度特征的权重被显著提高。
3.3 锚框聚类与损失函数
使用K-means++算法在自制数据集上重新聚类得到9组锚框,替代COCO默认锚框,使初始锚框更贴合输电线路目标尺寸。分类损失采用Focal Loss,解决正负样本不平衡问题:L = -α_t(1-p_t)^γ log(p_t),取α=0.25、γ=2.0。边界框回归损失仍采用CIoU Loss,兼顾重叠面积、中心距离与长宽比。
4 实验与结果分析
4.1 实验环境
模型训练环境:NVIDIA RTX 3090 GPU,PyTorch 1.12,CUDA 11.3。输入尺寸640×640,批大小32,初始学习率0.01,余弦退火,训练300个epoch。
4.2 消融实验
为验证各改进模块的作用,设计消融实验:基线YOLOv5s mAP@0.5为87.2%;单独加入CBAM后为89.6%;单独加入BiFPN后为90.1%;同时加入CBAM+BiFPN+K-means锚框后为92.3%,推理速度由48 FPS降至42 FPS,仍满足实时性要求。
4.3 类别精度分析
在5类缺陷中,绝缘子自爆由于目标明显、样本多,AP达96.8%;鸟巢AP 94.2%;防震锤锈蚀AP 91.5%;销钉缺失由于尺寸小、遮挡多,AP为85.3%;异物悬挂样本最少,AP为83.7%。后续将通过补充小样本、增加超分辨率预处理进一步提升小目标识别率。
4.4 边缘部署与现场应用
模型经TensorRT FP16量化后部署于无人机机载NVIDIA Jetson Xavier边缘计算盒,单帧推理耗时24 ms。在某输电公司现场试运行3个月,自动检出缺陷127处,经人工复核114处真实有效,整体准确率89.6%;漏检13处主要为夜间与严重遮挡样本。相比纯人工判读,效率提升约6倍,人力成本下降约70%。
4.5 误检漏检分析与改进方向
对误检样本分析发现,误检主要来自三方面:(1)背景中与绝缘子形状相似的物体,如鸟巢与树枝交错、防震锤与杆塔附件混淆;(2)图像模糊、运动模糊与云雾遮挡;(3)小目标(如销钉)在640×640输入下像素不足10×10。针对上述问题,拟从三方面改进:第一,引入超分辨率重建(ESRGAN)预处理,将输入图像放大至1280×1280,恢复小目标细节;第二,增加负样本(正常杆塔、树枝、建筑物)的比例,将正负样本比由1:3调整为1:5;第三,采用多镜头联合推理,同一塔位的可见光、红外与激光雷达点云图像融合识别,降低单一模态的误检。此外,模型采用增量学习策略,每月将现场新检出的疑难样本加入训练集,模型迭代更新,使识别准确率随运行时间持续提升。在安全合规方面,所有航拍图像在边缘端完成识别后即删除原图,仅上传缺陷截图与位置信息,满足电力数据安全要求。
5 结论
(1)将CBAM注意力机制、BiFPN加权特征融合与K-means锚框引入YOLOv5,可显著提升输电线路航拍图像中小目标、多尺度缺陷的识别精度。
(2)改进模型在自制数据集上mAP@0.5达92.3%,推理速度42 FPS,适合边缘端部署。
(3)现场应用表明智能识别可大幅减轻人工判读负担。下一步将结合时序视频与红外图像,构建可见光+红外+激光雷达多模态巡检识别系统。
参考文献
[1] Redmon J, Farhadi A. YOLOv3: An incremental improvement[J]. arXiv:1804.02767, 2018.
[2] 彭继慎, 王伟. 输电线路航拍图像缺陷识别方法综述[J]. 电力系统保护与控制, 2022, 50(8): 178-188.
[3] Woo S, Park J. CBAM: Convolutional block attention module[C]. ECCV, 2018: 3-19.
[4] 李华生, 刘衍. 基于深度学习的输电线路巡检缺陷识别[J]. 高电压技术, 2021, 47(10): 3560-3570.
...