基于YOLO的无人机电力线路杆塔巡检图像实时检测

机进行灾后电力线路巡检，获取灾后现场数据， 并根据现场数据的评估情况采取适当的抢修措 施。在灾后现场数据评估中，最重要的环节是从 海量的无人机图像、视频数据中寻找并定位受损 的电力杆塔，以便为电力线路的紧急维修提供辅 助决策信息。然而，目前这项工作主要通过人工 完成，不仅费时费力、效率低，而且准确性得不 到保障。
第 52 卷 第 7 期 2019 年 7 月
中国电力
ELECTRIC POWER
Vol. 52, No. 7 Jul. 2019
基于 YOLO 的无人机电力线路杆塔巡检图像实时检测
郭敬东1，陈彬1，王仁书1，王佳宇2，仲林林2
(1. 国网福建省电力有限公司电力科学研究院，福建 福州 350007； 2. 东南大学 电气工程学院，江苏 南京 210096)
1 基于 YOLO 的实时目标检测模型
YOLO 是由 Redmon 和 Divvala 提出的一种实 时 目 标 检 测 算 法 [12-14]。 目 前 该 算 法 已 经 更 新 至 第 3 代。YOLO是一种属于 one-stage 系列的目标检测 算法，它将目标检测视为一类回归问题，直接从 输入的图像中预测目标包围框的坐标和类别概 率，从而实现端到端的识别，因此它的检测速度 非常快，可以在保持较高准确率的同时实现实时 目标检测。而传统的电力线路组件检测方法主要 是通过人工设计特征来识别，如 HOG（histogram of oriented gradient）算法[16]、SIFT（scale-invariant feature transform）算法[17]、边缘检测算法[18] 等， 相比于深度学习模型，存在精度低、鲁棒性差等 缺 点 [3]。
此外，也对更快的简化版 YOLO 模型进行了测试，检测速度能达到 30 帧/s。
关 键 词 ： 无 人 机 巡 检 ； 电 力 杆 塔 ； 深 度 学 习 ； YOLO； 数 据 增 广 ； 人 工 智 能 与 大 数 据 应 用
Hale Waihona Puke 中 图 分 类 号 ： TM755
文献标志码：A
DOI： 10.11930/j.issn.1004-9649.201812028
决了杆塔类别不平衡问题。通过使用 K-means 算法对杆塔数据集的目标框进行重新聚类，改进了 YOLO 算
法参数。测试结果表明，该模型能有效检测多种环境下多种尺度的杆塔目标。改进后的模型在测试集上的
召回率和交并比（IoU）较改进前有所提高，且平均均值精度（mAP）达到 94.09%，检测速度达到 20 帧/s。
摘 要：无人机巡检已成为电力线路灾后巡检的重要方式。然而，目前的无人机巡检仍主要通过人工方式
评 估 线 路 灾 损 ， 不 仅 费 时 费 力 ， 而 且 准 确 率 低 。 提 出 了 一 种 基 于 深 度 学 习 算 法 （ YOLO） 的 实 时 目 标 检 测
模型，用于灾后根据无人机巡检视频实时检测电力杆塔的状态。通过对倒断类杆塔图像进行数据增广，解
本文提出了一种基于深度学习算法（you only
17
中国电力
第 52 卷
look once，YOLO）的实时目标检测模型。该模型 可从无人机灾后巡检视频数据中实时检测出正常 和受损的线路杆塔，帮助电力运维部门开展电力 线路灾损评估，快速确定受损杆塔的位置，从而 为开展灾后抢修提供辅助决策信息。本文主要针 对低压配电网进行了杆塔图像的采集、训练与检 测，但该模型也可推广用于高压输电网等一般电 力线路的杆塔目标检测。
中国是世界上遭受台风灾害最严重的国家之 一。每年夏季沿海许多省份都会因电力线路遭受 台风的破坏而导致大面积停电。据统计，2016 年 福建电网因台风袭击造成的损失占国家电网总损 失的 92.7%[6]。为了在台风灾后快速开展故障排查 与抢修，许多电力公司使用搭载摄像装置的无人
收稿日期：2018−12−12； 修回日期：2019−03−19。 基金项目：国家自然科学基金资助项目 (518070280)；国家 电网有限公司科技项目 (52130418000L)。
考虑到原始的 YOLO 算法是为了检测动物、 行人、汽车、植物等日常生活中的物体而设计 的，本文根据其思路重新设计了该算法，提出了 一种用于实时检测电力线路杆塔的 YOLO 模型。 如图 1 所示，无人机拍摄的巡检视频将被处理成
一帧帧图像输入到 YOLO 模型中，每帧图像首先 按 YOLO 分辨率的要求放缩成 608×608 像素大 小，然后将放缩后的图像输入到由 53 个卷积层构 成的基础深度神经网络 Darknet-53[14]，该网络主要 用于提取图像的深层特征和抽象特征。Darknet 网 络之后为 YOLO 神经网络的特征交互层，用于检 测 3 个不同尺度的目标，每个尺度内，通过卷积 核的方式实现局部的特征交互。3 个 YOLO 交互 层分别输出 19×19、38×38 和 76×76 大小的特征图 （feature map），然后在此基础上进行分类和位置 回归。YOLO 采用逻辑回归（logistic）方式预测 目标边框，同时在最新的类别预测模型中，原来 的单标签分类被改进为多标签分类，用于处理标 签 重 叠 等 问 题 [14]。 此 外 ， 本 模 型 除 目 标 包 围 框 宽 和高的损失函数采用均方和误差外，其他部分的 损 失 函 数 使 用 二 值 交 叉 熵 [14]。
近年来随着人工智能技术的发展，基于巡检 图像数据的电力线路状态智能评估已成为可能。 例如，通过深度卷积神经网络（convolutional neural networks， CNN） 提 取 目 标 特 征 的 目 标 检 测 算 法 可 用 于 智 能 识 别 ， 并 标 注 电 力 线 路 组 件 [7-9]。 目 前 应 用较为广泛的深度学习目标检测算法可分为两 类：一类为基于区域的目标检测算法，代表算法 有 Faster R-CNN[10]、Mask R-CNN[11] 等，该类算法 有较高的检测精度，但检测速度较慢；另一类为 基于回归的目标检测算法，也被称为 one-stage 系 算法，如 YOLO[12-14]、SSD[15] 等，它们的特点是采 用端到端的检测，具有较快的检测速度。这些算 法均可用于无人机图像数据的智能分析，如电力 线组件检测、电力线植被覆盖监测、电力线路冰 冻 灾 害 监 测 等 [3]。
0 引言
为了能够及时发现电力线路的故障以便有效 排除安全隐患，电力部门需要定期或不定期地对 电力线路开展巡检。目前主要的电力线路巡检方 式包括人工巡检、机器人巡检、载人直升机巡 检 、 无 人 机 巡 检 等 [1]。
由于电力线路经常穿越崇山峻岭、江河峡 谷、无人区等特殊地理环境，尤其是在台风、暴 雨、地震等自然灾害发生后，进行人工徒步巡检 和 载 人 直 升 机 辅 助 巡 检 非 常 危 险 ， 且 效 率 低 下 [2-3]。 随着无人机技术的发展和无人机生产成本的下 降，越来越多的电力公司开始开展无人机电力线 路 巡 检 [4-5]。