输电线路是电力系统的重要组成部分
[1-2],其安全运行直接关系到电力系统的稳定性和可靠性,因此,对输电线路进行定期的巡检和维护是非常必要的。传统的输电线路巡检方式主要是人工巡检和航测巡检,其作业方式存在效率低、成本高、风险大、可控性差等问题
[3-4],难以满足电力系统的发展需求。近年来,利用机器人进行的输电线路巡检受到了广泛的关注和研究,巡检机器人通过计算机视觉技术实现检障定位,主要包括传统数字图像处理技术和深度学习图像处理技术。张峰等
[5]将主元方向梯度直方图特征的快速分类检测方法用于在线障碍物检测与识别。朱衍欢
[6]利用FT分割方法从图像中分割出输电线路故障,检测故障种类并定位其位置。陈荣保等
[7]使用图像拼接与Hough变换相融合的方法进行输电线路故障检测。蔡晓斌等
[8]研究了带电作业机器人在防振锤检修过程中对防振锤螺栓的识别,采用支持向量机方法并结合Hough变换对其进行识别。田云龙等
[9]提出了边缘计算的输电线路异常缺陷特征检测方法。曾瑶韵
[10]针对螺栓紧固末端作业装置与导线修补末端作业装置,采用Faster R-CNN对螺栓与导线进行缺陷检测。吴迪
[11]运用YOLOv3网络对输电线路障碍物进行检测与识别。徐光达
[12]使用YOLOv5算法对输电线路开展异物检测方法研究。王明
[13]提出一种C-YOLOv5的输电线路异物检测算法。王彧
[14]提出了基于YOLOv7的输电线路防振锤识别及缺陷检测方法。虽然当前学者们对于输电线路故障的检测方法已经做了很多研究,但仍然存在一些亟待解决的问题。例如,传统算法在精度方面往往难以达到理想的效果,而且在复杂环境下的鲁棒性也有待提高。此外,对于特定类型的缺陷或异物的检测,现有算法还不够灵活和准确,无法实现模型轻量化和高精度的有效平衡。采用深度学习方法对输电线路故障进行识别存在难点,有部分待检测目标的尺度在整个检测视野中占比较小且数量较多。由于输电线路的铺设范围极广,既可以是山川、河流、丛林,也可以是城市、荒野,其背景不具备特定的语义模式,模型很难重复学习其内在规律。由于拍摄角度等因素很容易导致所需检测目标受到一定遮挡,所以对模型的鲁棒性和泛化性具有较大考验。
为改进以上不足,本文以深度学习神经网络模型YOLOv7为基础进行改进,设计了一种模型轻量化与精度兼顾的输电线路目标检测模型,以便更好地满足实际应用中对输电线路目标检测的需求。YOLOv7目标检测算法是在YOLOv5的基础上进行优化的一种算法,它的独特之处在于其采用了模型的重参数化、标签的分配策略、ELAN的高效网络架构和带辅助头的训练方式,这些特点的结合使得YOLOv7具有更高的识别精度。本文的主要工作包括:使用MobileNetV2网络作为YOLOv7的特征提取部分,提取输电线路防振锤和断线故障特征,进而实现整个模型的轻量化处理,以便于算法在嵌入式系统上的硬件实现;为保证轻量级模型在目标检测上的高精度,引入CA机制自适应学习不同通道之间的权重,聚焦输电线路防振锤螺栓和断线端点小目标故障特征信息;为增强网络在输电线路复杂场景中识别目标的感知能力,采用ASPP来捕捉不同感受野的特征,从而全面地获取复杂场景的输电线路防振锤和断线故障特征。