复杂环境下输电线路金具锈蚀检测的图像目标检测关键技术研究.pdfVIP

摘要

输电线路保护金具是输电线路重要组成部分之一，在野外复杂恶劣环境下，极易产

生锈蚀、破损等缺陷。因此及时检测并发现有利于减少输电安全事故发生，保证输电线

路安全可靠运行。目前输电线路巡检主要方式为无人机巡检，但在利用计算机视觉目标

1

检测实现无人机智能巡检的过程中存在诸多挑战：（）无人机在实际环境图像数据采集

过程中，存在光照直射、复杂背景环境、遮挡干扰、拍摄角度、比例不统一等问题，导

2

致图像中金具目标尺寸较小，特征不突出，存在干扰信息多，错检漏检情况严重；（）

3

深度学习目标检测模型复杂，参数多计算量大，不易部署在终端设备，实时性差；（）

深度学习目标检测模型仍是黑盒模式，目标检测模型缺少可解释性，其结果的可信度不

足。

针对以上挑战，本文面向国网河南省电力公司电力科学研究院输电线路智能巡检的

实际项目需求，以无人机采集的江西萍乡丹白线输电线路锈蚀金具图像数据为研究对象，

研究深度学习图像目标检测模型的理论和算法，重点研究如何提取复杂环境背景中目标

更丰富的语义特征和结构化特征信息，减少深度学习图像目标检测模型的参数量，增加

模型的解释性，从而构建具有鲁棒性和可解释性的轻量化目标检测模型。本文主要研究

内容如下：

1

（）针对复杂背景下目标检测结果错检漏检情况严重的问题，本文提出一种改进

YOLOv5的金具图像目标鲁棒检测模型，提高金具目标检测的准确率。该模型首先在

YOLOv5特征提取阶段引入密集连接卷积网络，加强特征传输，缓解梯度消失，减少参

数数量；同时在YOLOv5特征融合阶段加入空间像素感知自注意力，增强目标结构化特

征信息的利用，从而抑制复杂环境干扰，增强目标检测的鲁棒性。通过消融实验验证，

结果表明本文方法能有效减少错检漏检情况，提高目标检测准确率的鲁棒性。

2

（）针对深度学习图像目标检测模型复杂、参数多的局限，本文提出一种基于知

识蒸馏的轻量化YOLOv5-MobileNetV3金具图像目标检测模型。该模型主要分为两个阶

1

段，教师模型训练阶段和学生模型训练阶段。在教师模型训练阶段，选用研究内容（）

中检测模型为教师模型；在学生模型训练阶段，选用轻量型网络MobileNetV3作为

YOLOv5的特征提取模型，并选为学生模型。在学生模型训练阶段，教师模型将其检测

结果传输给学生模型，辅助学生模型训练，提高学生模型训练效率，增强学生模型性能。

通过对比实验验证，本文所提模型可在保持学生模型轻量化的基础上有效提高目标检测

准确率，检测速度快，所需参数量大幅下降。

3

（）针对目标检测模型缺少可解释性、决策机制不清晰的问题，本文提出一种融

合二代小波网络的YOLOv5可解释目标检测模型。该模型将YOLOv5模型第一层卷积

层替换为二代小波网络，自适应提取不同频段的目标特征表示，并进行融合检测和定位。

通过实验结果表明，图像低频特征能够表征出图像更多轮廓信息，高频特征能够表征出

图像更多细节信息，通过低频轮廓信息和高频细节信息能够检测出目标物体。本文所提

方法能帮助理解图像目标检测模型内部逻辑，增加目标检测结果的可信度。

综上所述，本文通过研究面向锈蚀金具图像的目标检测模型构建，为锈蚀金具的错

,

检和漏检问题提供了轻量级的解决方案提高了锈蚀金具图像目标检测模型的准确率和

鲁棒性，检测结果可信，同时易于部署在终端设备，具有明确的理论意义和工程价值。

关键词：输电线路金具，深度学习，目标检测，轻量化，可解释性

ABSTRACT

Transmission