211016675_基于YOLO框架的无锚框输电线多种缺陷检测

·

２４

·

测控技术

年第卷第期

２０２３４２３

模式识别与人工智能

基于

ＹＯＬＯ

框架的无锚框输电线多种缺陷检测

（

１．

北京御航智能科技有限公司，北京

　１００１９３

；

２．

北京工业大学信息学部，北京

　１００１２４

）

，

吴

，

谭

，

刘

静高小伟合风启昀鹏宇

，

袁

１１１２



２

摘要

：

检测并及时修复输电线路的缺陷是电能安全输送的重要保障

。

针对现有检测方法存在效率低

、

对

、

泛化能力差等不足

，

提出了一种基于无人机影像的无锚框输电线缺陷检测方

多尺度目标检测精度低

。

该方法基于

ＹＯＬＯ

系列目标检测框架构建了一种无锚框的检测网络

，

设计了相匹配的正负样本分

法

配方式

，

融入了多种优化策略

，

有效改善了现有方法的不足

。

实验结果表明

，

提出的方法能够同时对输

、

散股

、

断线

、

烧伤和异物

５

种缺陷进行有效检测

。

相比于传统输电线缺陷识别方法和基于

电线的断股

ＳＳＤ

、

ＦａｓｔｅｒＲＣＮＮ

、

ＹＯＬＯｖ４

、

ＹＯＬＯｖ５

，

该方法的平均精度均值

（

ｍＡＰ

）

达到

深度学习的缺陷检测方法

７８３１％

，

每秒传输帧数

（

ＦＰＳ

）

为

１０３．５ｆ／ｓ

，

同时兼备检测的快速性和高精度

，

在

５

类输电线缺陷检测任

。

务中均具有良好的性能

关键词

：

深度学习

；

目标检测

；

输电线缺陷

；

ＹＯＬＯ

框架

；

无锚框

：

ＴＰ３９１．４　　

文献标志码

：

Ａ　　

文章编号

：

１０００－８８２９

（

２０２３

）

０３－００２４－０８

中图分类号

１０．１９７０８／ｊ．ｃｋｊｓ．２０２３．０３．００４

ｄｏｉ

：

ＭｕｌｔｉｐｌｅＤｅｆｅｃｔＤｅｔｅｃｔｉｏｎｏｆＰｏｗｅｒＬｉｎｅｓｗｉｔｈＡｎｃｈｏｒＦｒｅｅＢａｓｅｄｏｎＹＯＬＯ

Ｆｒａｍｅｗｏｒｋ

ＧＡＯＸｉａｏｗｅｉ

１

牞ＷＵＨｅｆｅｎｇ

１

牞ＴＡＮＱｉｙｕｎ

１

牞ＬＩＵＰｅｎｇｙｕ

２



牞ＹＵＡＮＪｉｎｇ

２

牗１．ＢｅｉｊｉｎｇＹｕｈａｎｇＩｎｔｅｌｌｉｇｅｎｔＴｅｃｈｎｏｌｏｇｙＣｏ．牞Ｌｔｄ．牞Ｂｅｉｊｉｎｇ１００１９３牞Ｃｈｉｎａ牷

２．ＦａｃｕｌｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ牞ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ牞Ｂｅｉｊｉｎｇ１００１２４牞Ｃｈｉｎａ牘

Ａｂｓｔｒａｃｔ牶Ｔｈｅｄｅｔｅｃｔｉｏｎａｎｄｔｉｍｅｌｙｒｅｐａｉｒｏｆｄｅｆｅｃｔｓｉｎｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｓｉｓａｎｉｍｐｏｒｔａｎｔｇｕａｒａｎｔｅｅｆｏｒｔｈｅｓａｆｅ

ｔｒａｎｓｍｉｓｓｉｏｎｏｆｅｌｅｃｔｒｉｃｅｎｅｒｇｙ．Ｉｎｖｉｅｗｏｆｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｏｆｔｈｅｅｘｉｓｔｉｎｇｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓ牞ｓｕｃｈａｓｌｏｗｅｆｆｉ

ｃｉｅｎｃｙ牞ｌｏｗｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙｆｏｒｍｕｌｔｉｓｃａｌｅｔａｒｇｅｔｓ牞ａｎｄｐｏｏｒｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙ牞ａｋｉｎｄｏｆｕｎｍａｎｎｅｄａｅｒｉａｌ

ｖｅｈｉｃｌｅ牗ＵＡＶ牘ｂａｓｅｄｉｍａｇｅｗｉｔｈｏｕｔａｎｃｈｏｒｂｏｘｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅ

ｍｅｔｈｏｄｉｓｂａｓｅｄｏｎＹＯＬＯｓｅｒｉｅｓｔａｒｇｅｔｄｅｔｅｃｔｉｏｎｆｒａｍｅｗｏｒｋｔｏｂｕｉｌｄａｋｉｎｄｏｆａｎｃｈｏｒｂｏｘｄｅｔｅｃｔｉｏｎｎｅｔｗｏｒｋ牞

ｔｈｅｍａｔｃｈｗａｙｏｆｄｉｓｔｒｉｂｕｔｉｏｎｏｆｐｏｓｉｔｉｖｅａｎｄｎｅｇａｔｉｖｅｓａｍｐｌｅｓｉｓｄｅｓｉｇｎｅｄ牞ａｖａｒｉｅｔｙｏｆｏｐｔｉｍｉｚａｔｉｏｎｓｔｒａｔｅｇｉｅｓ

ａｒｅｉｎｔｅｇｒａｔｅｄｔｏｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｏｆｔｈｅｅｘｉｓｔｉｎｇｍｅｔｈｏｄｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗ

ｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｄｅｔｅｃｔｔｈｅｆｉｖｅｄｅｆｅｃｔｓｏｆｂｒｏｋｅｎｓｔｒａｎｄ牞ｓｔｒａｙｓｔｒａｎｄ牞ｂｒｏｋｅｎｗｉｒｅ牞ｂｕｒｎａｎｄｆｏｒ

ｅｉｇｎｂｏｄｙｅｆｆｅｃｔｉｖｅｌｙａｔｔｈｅｓａｍｅｔｉｍｅ．Ｃｏｍｐａｒｅｄｗｉｔｈｔｒａｄｉｔｉｏｎａｌｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｄｅｆｅｃｔｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ

ａｎｄｄｅｅｐｌｅａｒｎｉｎｇｂａｓｅｄｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓＳＳＤ牞ＦａｓｔｅｒＲＣＮＮ牞ＹＯＬＯｖ４ａｎｄＹＯＬＯｖ５牞ｔｈｅｍｅａｎａｖｅｒ

ａｇｅｐｒｅｃｉｓｉｏｎ牗ｍＡＰ牘ｏｆｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓ７８．３１％牞ａｎｄｔｈｅｆｒａｍｅｓｐｅｒｓｅｃｏｎｄ牗ＦＰＳ牘ｉｓ１０３．５ｆ／ｓ．Ａｔｔｈｅ

ｓａｍｅｔｉｍｅ牞ｉｔｈａｓｈｉｇｈｄｅｔｅｃｔｉｏｎｓｐｅｅｄａｎｄｈｉｇｈｐｒｅｃｉｓｉｏｎ牞ａｎｄｈａｓｇｏｏｄｐｅｒｆｏｒｍａｎｃｅｉｎｆｉｖｅｋｉｎｄｓｏｆｔｒａｎｓｍｉｓ

ｓｉｏｎｌｉｎｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｔａｓｋｓ．

收稿日期

：

２０２２－０９－１４

基金项目

：

北京市自然科学基金资助项目

（

４２１２００１

）

引用格式

：

高小伟

，

吴合风

，

谭启昀

，

等

．

基于

ＹＯＬＯ

框架的无锚框输电线多种缺陷检测

［

Ｊ

］

．

测控技术

，

２０２３

，

４２

（

３

）：

２４－３１．

ＧＡＯＸＷ

，

ＷＵＨＦ

，

ＴＡＮＱＹ

，

ｅｔａｌ．ＭｕｌｔｉｐｌｅＤｅｆｅｃｔＤｅｔｅｃｔｉｏｎｏｆＰｏｗｅｒＬｉｎｅｓｗｉｔｈＡｎｃｈｏｒＦｒｅｅＢａｓｅｄｏｎＹＯＬＯＦｒａｍｅｗｏｒｋ

［

Ｊ

］

．

Ｍｅａｓｕｒｅｍｅｎｔ＆ＣｏｎｔｒｏｌＴｅｃｈｎｏｌｏｇｙ

，

２０２３

，

４２

（

３

）：

２４－３１．

基于

ＹＯＬＯ

框架的无锚框输电线多种缺陷检测

Ｋｅｙｗｏｒｄｓ牶ｄｅｅｐｌｅａｒｎｉｎｇ牷ｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ牷ｐｏｗｅｒｌｉｎｅｄｅｆｅｃｔｓ牷ＹＯＬＯｆｒａｍｅｗｏｒｋ牷ａｎｃｈｏｒｆｒｅｅ

·

２５

·

ＹＯＬＯ

系列目标检测框架为模板，设

快的检测速度，以

［］

，

计了目标检测网络和无锚框的正负样本分配方法

并融入了激活函数优化等多种优化策略。通过对比实

验得出，本文算法在检测速度、准确率等方面优于

目标检测网络，在交叉电线等复杂背景下

ＹＯＬＯｖ５

等

也能够快速有效地检测出输电线路的多种缺陷。

２０

输电线路是我国电力系统的重要组成部分，是完

［］

。输

成电能输送的重要渠道

电线长期暴露在户外，

容易受到雨水、冰雪、飓风等天气的侵蚀和人为破坏而

［］

。随

产生断股、散股、异物等缺陷

着社会经济的快

速增长和国家战略发展的需要，全国各地电网数量急

［］

剧增加，相应的线路维护难度也随之上升

。过去的

输电线路巡检多采用人工巡检的方式，这种方式不仅

工作效率低、耗时长，且由于输电线多架设于高山等地

形复杂之地，使得人工巡检的难度大、危险系数

［］

。近

高

年来随着无人机技术的发展和完善，无人

［］

。基

机电路巡检逐渐成为热点

于无人机图像的输

电线缺陷检测主要分为传统的图像处理方法和深度学

［］

。传

习方法

统的检测方法主要是基于输电线的直

线和平行特征进行直线提取，从而排除背景信息的干

［］

。例

［］

使

扰

如

Ｌｉｕ

等用改进的

ＬＳＤ

（

ＬｉｎｅＳｅｇｍｅｎｔ

算法提取直线，根据导线上的像素数和包含

Ｄｅｔｅｃｔｉｏｎ

）

导线的最小旋转矩形的面积的比值判断是否产生断

［］

通

线。曾军等

过自适应阈值分割提取导线区域，结

合其灰度分布曲线的方波变换检测导线断股。于国军

［］

通

等

过二值图像判断像元偏离电力线中心线距离

进而辨别是否有颜色相近的异物。但是，以上传统方

法对于弯曲和交叉电线等复杂情况下的缺陷检测效果

不佳，且计算量大、效率低。近年来，深度学习在计算

机视觉领域中的快速发展为输电线路的缺陷检测提供

了新方向。

ＹＯＬＯ

是在发布的一种

Ｒｅｄｍｏｎ

等

２０１６

年

目标检测算法，在其基础上进行改进后得到了性能更

好的

ＹＯＬＯｖ２ｖ５

系列算法，该系列算法具有检测速度

［］

，

快、精度高的特点，广泛应用于图像检测领域

在输

［］

。例

电线路的缺陷检测方向上也有一定的应用

如

［］

使

Ｌｉ

等用

Ｍｏｂｉｌｅｎｅｔｖ２

代替

ＹＯＬＯｖ３

中的

Ｄａｒｋｎｅｔ

干网络，采用类似全卷积单阶段目标检测

５３

主

（

ＦＣＯＳ

）的编码和解码方案来降低网络复杂度，提升了

［］

对

检测速度。唐翔翔

ＹＯＬＯｖ４

的

ＳＰＰ

（

ＳｐａｔｉａｌＰｙｒａ

模块和损失函数进行了改进，提高了模型

ｍｉｄＰｏｏｌｉｎｇ

）

对颜色和纹理的辨别性。

ＹＯＬＯ

系列大部分使用了有

［］

，

锚框的方法

这种方法需要使用聚类的方法分析先

验框的大小，确定最佳的先验框尺寸，使得网络更容易

［］

，

收敛，但也导致模型缺少泛化性

同时增加了计算

复杂度。无锚框方法可以有效减少模型参数量和计算

［］

时间

，提升模型的泛化能力。上述方法虽然能够较

为精准地识别出输电线的缺陷，但检测效率低，对不同

尺度的输电线缺陷检测效果不佳，泛化能力差。针对

上述问题，考虑到

ＹＯＬＯ

系列网络较高的准确度和较

１

２－３

４

５－６

７

８

９１０

１１

１２

１３

１４

１５

１６

１７

１８

１９

１　

目标检测网络结构如图示。图侧为特征

１

所

１

左

提取网络，用于对图像进行特征提取生成特征图，后续

的目标检测与目标框回归都在该特征图上进行，因此

特征提取网络的性能对检测结果影响较大。图

侧

１

右

为预测分支网络，用于输出不同尺寸的特征图。

输入网络的图像经过

２

个卷积层后，再通过

４

个

由

Ｂｌｏｃｋ

组成的模块进行特征提取，提升图像的深度，

降低图像的尺寸，

Ｂｌｏｃｋ

分为

Ｂｌｏｃｋ１

与

Ｂｌｏｃｋ２

，

ｓ

为

Ｂｌｏｃｋ

中卷积的步距，步距为

２

表示图像的尺寸缩小为

原来的一半。

Ｂｌｏｃｋ１

与

Ｂｌｏｃｋ２

结构如图

２

所示。

Ｂｌｃｏｋ１

通

３×３

卷

１×１

卷过积实现通道升维，再通过

积保持通道和尺寸不变，实现特征整合。

Ｂｌｏｃｋ２

先通

过

积实现通道升维，再通过深度可分离卷积和

１×１

卷

通道注意力模块实现信息提取，改善权重分配，最后通

过

１×１

卷积实现通道降维；深度可分离卷积（

Ｄｅｐｔｈ

如图

３

（

ａ

）所示，它将卷积核通道数设为

１

，

ｗｉｓｅＣｏｎｖ

）

个数设为特征图通道数，从而使得每个卷积核通道能

处理每个特征图通道。相比于图

３

（

ｂ

）所示的普通卷

积采用多通道卷积核处理特征图，深度可分离卷积高

度优化了矩阵乘法，拥有非常低的参数量，提高了计算

效率，同时拥有媲美普通卷积的性能，因此在这里选择

使用深度可分离卷积来进行卷积运算。

［］

通道注意力（

ＳｑｕｅｅｚｅａｎｄＥｘｃｉｔａｔｉｏｎ

，络

ＳＥ

）网

结构如图

４

所示。通道注意力针对特征图的每个通道

进行平均池化处理，得到

１

个一维向量；再通过

２

个全

连接层得到输出向量，该向量对特征图每个通道进行

分析得出权重关系，给比较重要的通道赋予更大权重，

最后利用该输出向量乘以对应的通道得到新的特征

图。通道注意力可以有效改善特征图的语义信息，提

高网络的特征表达能力，为提高网络对目标的特征提

取能力，在

Ｂｌｏｃｋ２

中添加了通道注意力模块。最后

２

个

Ｂｌｏｃｋ

都采用了类似

ＲｅｓＮｅｔ

的捷径分支，将输入与

输出特征图进行相加操作，减少网络过深导致的梯度

消失问题。这样设计的

Ｂｌｏｃｋ１

与

Ｂｌｏｃｋ２

在提升特征

提取能力的同时，极大地减少了参数量。

２１

目标检测网络

·

２６

·

《

测控技术

》

２０２３

年第

４２

卷第

３

期

图

１　

目标检测网络结构图

图

２　Ｂｌｏｃｋ１

与

Ｂｌｏｃｋ２

结构图

图

３　

深度可分离卷积网络图

图像中存在的目标尺寸各异，可能包含较大和较

小的目标，而深度可分离卷积和普通卷积的感受野有

限，无法很好地兼顾局部特征和全局特征提取，为此在

经过

４

个

Ｂｌｏｃｋ

后，再经过一个

ＳＰＰ

（

ＳｐａｔｉａｌＰｙｒａｍｉｄ

Ｐｏｏｌｉｎｇ

，空间金字塔池化）结构（该结构用

３

种不同的

池化层对同一个特征图进行处理），得到

３

个拥有不

同大小区域的特征图，每个区域选取最大的权值，然后

再利用

１

个卷积层将不同池化的结果融合在一起。这

样处理可以将小区域池化得到的局部信息和大区域池

化得到的全局信息结合在一起，丰富最终特征图的表

达能力，使得网络更关注于导线异常状态的区域。

随着对图像不断卷积操作，图像的语义信息不断

增强，但是图像细节特征也随之下降。相反，浅层的图

像细节表现能力强，但是语义信息表达较弱。根据这

一特点，本文利用不同层次的特征图像进行多尺度特

征融合来提高异常状态检测的准确率。图

１

右侧的预

图

４　

通道注意力网络结构图

基于

ＹＯＬＯ

框架的无锚框输电线多种缺陷检测

测分支网络是类似一个倒的多尺度特征融合结

Ｕ

型

构，倒

Ｕ

型左部分通过不断叠加卷积层、

Ｂｌｏｃｋ２

和上

采样层，并与特征提取网络的第

２

和第

３

个

Ｂｌｏｃｋ

输

出进行维度拼接，得到不同的尺度与维度相结合的特

征图，这样能把深层的语义特征传到浅层，增强多个尺

度上的语义表达。倒

Ｕ

型的右部分对左部分多尺度

融合后，再利用步距为

卷积与行拼接与

２

的

Ｂｌｏｃｋ２

进

尺度融合，把浅层的定位信息传导到深层，增强多个尺

度上的定位能力。最后得到

３

种不同尺度的输出特征

图，分别为

２０×２０

、

４０×４０

、

８０×８０

，这

３

种尺度分别

针对大目标、中目标和小目标

数据类型。

３

种

２　

２．１　

无锚框的正负样本分配法

目标检测网络采用

ＹＯＬＯｖ３

、

ＹＯＬＯｖ４

、

ＹＯＬＯｖ５

等

有锚框的方法，先在目标检测网络输出

３

个特征图上

对每个网格生成

３

个候选框，再利用网络预测的预测

框回归参数对候选框进行修正，得到最终预测结果，这

样做受限于候选框的尺寸，泛化性较差，计算复杂，降

低了训练速度和推理速度，且对于多尺度目标检测精

度较低。鉴于无锚框近期在目标检测领域取得了丰硕

［］

，

成果

设计了一种无锚框的正负样本分配策略。无

锚框的做法是在网络输出的特征图上不生成任何候选

框，利用网络预测的预测框回归参数直接生成预测结

果，可有效避免网络预测结果受限于设定的

３

个候选

框，使得网络的解空间更宽广，提高了网络对不同尺寸

输电线缺陷检测的泛化能力。同时训练过程中每个网

格只须计算

１

个回归参数，相比于有锚框的

３

个回归

参数，节约了训练时间，降低了参数量和网络复杂

度。

考虑到无锚框失去了候选框的限制，存在训练不

稳定的情况，需要更多的正样本来缓解目标检测中负

样本过多的缺点，因此为提升训练稳定性，在无锚框的

基础上又提出了相应的正负样本分配方式，如图

５

所

示。

２２

改进策略

·

２７

·

，绿色框为原图真实框通过等比例缩放，映

图

５

中

３

个特征图上的真实框，黑

射到目标检测网络输出的

点为框的中心点，黄色框为以黑点为中心，边长为

５

个

网格的正方形框，这

２

个框的交集中所有的网格设定

为正样本，用于计算类别损失、置信度损失和预测框回

归参数损失。其余的网格设定为负样本，只计算置信

度损失。这种分配方式可以使正样本的数量得到有效

增加，也避免出现多个目标出现在一个网格中、网络训

练时会忽略掉部分目标的现象。

余优化措施

２．２　

其

为提升网络的训练和推理速度，采用了

Ｈａｒｄ

ｓｗｉｓｈ

激活函数，如图

６

所示。

激活函数主要由

ｘ

和

ＲｅＬＵ

激活函数

ＹＯＬＯ

系列常用的

ＬｅａｋｙＲｅＬＵ

或

Ｍｉｓｈ

激

组成，相比于

活函数，其优点在于：

ｘ＝０

处的周围也是可导的，并且在小于

０

①

在

处导数为负（

ＬｅａｋｙＲｅＬＵ

导数为正），可以避免一个较

大的梯度流经过神经元导致的网络更新后，神经元永

久坏死的现象。

比于

Ｍｉｓｈ

激活函数，导数不具有

ｅ

项，计算

②

相

量较少。

Ｈａｒｄｓｗｉｓｈ

ｘ

图

６　Ｈａｒｄｓｗｉｓｈ

激活函数图

ｘ

，

ｘ＞０

（）

{

α

ｘ

，

ｘ

≤

０

Ｍｉｓｈ＝ｘ

·

ｔａｎｈ

（

ｌｎ

（

１＋ｅ

））

ｘ＋３

）

ＲｅＬＵ６

（

Ｈｓｗｉｓｈ＝ｘ

ＬｅａｋｙＲｅＬＵｘ＝

ｘ

图

５　

正负样本分配方式

对于分类与置信度损失，采用了分类损失中常用

ＣＥ

）损失：

的交叉熵（

ＬｏｓｓＣＥ＝－

［

ｙｌｇｙ＋

（

１－ｙ

）

ｌｇ

（

１－ｙ

）］（

４

）

式中：真实标签值；预测概率值。

ｙ

为

ｙ

为

对于预测框回归参数，为避免出现预测框与真实

框不相交时无法计算的问题，采用了

ＧＩｏＵ

损失。

ＧＩｏＵ

计算示意图如图

７

所示。若采用

ＩｏＵ

损失，如果

两个目标之间没有重叠，那么

ＩｏＵ

的值为

０

，无法反映

两个目标之间的距离，用作损失时，也无法计算两个框

之间的

Ｌｏｓｓ

，从而进行反向传播与优化。而

ＧＩｏＵ

引入

了最小外接矩形和差集，对于任意的两个

Ａ

、

Ｂ

框，首

先获得其最小外接矩形

Ｃ

，然后将

Ｃ

的面积减去

Ａ

并

⌒

⌒

⌒

６

（

１

）

（

２

）

（

３

）

·

２８

·

《

测控技术

》

２０２３

年第

４２

卷第

３

期

Ｒｅｃａｌｌ＝

的面积，得到的面积再与面积作比值，再用

Ｃ

的

Ａ

、

Ｂ

（

１１

）

ＡＰ＝

∫

Ｐｒｅｃｉｓｉｏｎ

·

ｄＲｅｃａｌｌ

的

ＩｏＵ

值减去此比值得到

ＧＩｏＵ

。当

Ａ

、

Ｂ

两个框不相

１

交时，

ＧＩｏＵ

的值为

－１

，有效解决了两框不相交时无法

（

１２

）

ｍＡＰ＝ＡＰ

ｎ

∑

计算

ＩｏＵ

损失

Ｌｏｓｓ

的缺陷。

式中：

ｎ

为样本类别数；

ｉ

为当前编号。

Ａ

∩

Ｂ

（

ＩｏＵ＝５

）

Ａ

∪

Ｂ

３．３

消融实验

ＬｏｓｓＩｏＵ＝１－ＩｏＵ

（

６

）

ＹＯＬＯｖ５

作为有锚框目标检测网络的代表，无论

Ａ

∪

Ｂ

）

Ａ

∩

Ｂ

Ｃ－

（

是检测精度还是检测速度都具有较高的竞争力。

ＧＩｏＵ＝

（

７

）

－

Ｃ

Ａ

∪

Ｂ

ＹＯＬＯｖ５

训练时，会在输出的

３

个特征图上的每个点

ＬｏｓｓＧＩｏＵ＝１－ＧＩｏＵ

（

８

）

位置处生成

３

种不同比例的候选框，然后利用训练的

［］

，

结果对这些候选框进行调整

正负样本分配采用了

３　

实验结果与分析

面积包含匹配策略，如图

８

所示。

３．１　

实验数据集及环境配置

实验数据集为无人机拍摄的输电线图片，共

１０００

幅，包含断股、散股、断线、烧伤和异物

５

种缺陷，并利

用

ＬａｂｅｌＩｍｇ

软件手工制作了

５

类标签，按照

８∶１∶１

的

比例进行网络训练、验证和测试，训练的图像大小统一

缩放为

６４０

像素

×６４０

像素。

深度学习框

ＧＰＵ

为

ＮＶＩＤＩＡＧｅＦｏｒｃｅＲＴＸ３０９０

，

图

８　

面积包含匹配策略

架为

Ｐｙｔｏｒｃｈ１．７

，实验采用迁移学习策略，基于在图像

８

中蓝色为真实框，黄色为候选框。将候选框

检测领域权威的

ＣＯＣＯ

数据集上预训练的权重进行训

图

与真实框的左上角对齐，并将候选框的长和宽扩大

４

练，加快网络的收敛，训练的

ｅｐｏｃｈ＝５０

；

Ｂａｔｃｈｓｉｚｅ＝３２

，

，如果真实框被扩大后的候选框完全包围，那么设为

学习衰减率为优化器使用

倍

Ｌｅａｒｎｉｎｇｒａｔｅ＝０．０００５

，

０．９

，

正样本，反之设为负样本。

Ａｄａｍ

，训练参数为

ｅｐｏｃｈ＝１００

。

为证明所提出的无锚框方法与正负样本分配方式

３．２　

评价指标

有效性，用

ＹＯＬＯｖ５

有锚框的候选框生成方法与正

为精确描述模型对输电线缺陷的检测效果，

的

５

种

样本分配方式替换文中所提出的无锚框方法与正负

使用平均精度均值（

ｍｅａｎＡｖｅｒａｇｅＰｒｅｃｉｓｉｏｎ

，

ｍＡＰ

）和

负

本分配方式。其中有锚框的候选框通过

Ｋｍｅａｎｓ

聚

每秒传输帧数（

ＦｒａｍｅｓＰｅｒＳｅｃｏｎｄ

，

ＦＰＳ

）作为检测任务

样

算法对数据集进行处理，并经过训练调整，得到的

９

的评价指标。

ｍＡＰ

需要准确率（

Ｐｒｅｃｉｓｉｏｎ

）、召回率

类

候选框大小为［

１０×１２

，

１４×２８

，

３０×６

］，［

３０×６０

，

（

Ｒｅｃａｌｌ

）和平均准确率（

ＡｖｅｒａｇｅＰｒｅｃｉｓｉｏｎ

，

ＡＰ

）来进行

个

６４×４０

，

６２×１１２

］，［

１１０×８０

，

１４０×２００

，

３５０×３００

］。

计算。

实验参数与实验环境一致，消融实验检测性能对比如

ＴＰ

Ｐｒｅｃｉｓｉｏｎ＝

（

９

）

表

１

所示。

ＴＰ＋

ＦＰ

Ｂ

１

０

ｎ

ｉ

ｉ＝１

图

７　ＧＩｏＵ

计算示意图

式中：

ＴＰ

为正确预测的正例；

ＦＰ

为错误预测的正例；

ＦＮ

为错误预测的负例。

ＡＰ

为精准率

－

召回率（

ＰＲ

）

曲线在区间［

０

，

１

］内精准率对召回率的积分，用来评

估某一类缺陷的的预测效果；

ｍＡＰ

为

５

种缺陷的

ＡＰ

平均值，能够评估模型对

５

种缺陷的检测效果。

ＴＰ

ＴＰ＋

ＦＮ

１０

）（

２３

表

１　

消融实验检测性能对比

５

种缺陷识别结果

／％

检测结果序号有无锚框正负样本分配

断股散股断线烧伤异物

１

有

ＹＯＬＯｖ５Ｓ７９．８０７７．４２７６．８５８１．８５７２．６７

２

有文中方法

７８．５４７６．６２７６．４０８０．２５７１．９２

３

无

ＹＯＬＯｖ５Ｓ７６．２０７４．２５７５．５４７８．３０７０．０５

４

无文中方法

７９．６８７８．３３７７．５２８２．７５７３．２７

ｍＡＰ／％

７７．７２

７６．７５

７４．８７

７８．３１

ＦＰＳ／ｆｓ

·

－１

１０３．７

１０２．１

１０３．０

１０３．５

基于

ＹＯＬＯ

框架的无锚框输电线多种缺陷检测

表可以看出，无锚框相比于有锚框的优势

从

１

中

在于可以有效缩短网络的训练时间，同时配上合适的

正负样本分配方式，可以达到比有锚框更好的检测精

度，其中采用文中提出的无锚框和

ＹＯＬＯｖ５

的正负样

本分配方式得到的精度较低，原因可能是无锚框缺乏

候选框的约束，对正负样本的需求更加严格，而

ＹＯＬＯｖ５

的正负样本分配方式更偏向于有锚框这种对

候选框进行修正的方法。

所提出的正负样本分配方式可以得到更多可靠的

正样本，对于无锚框这种直接预测出检测结果的方式

具有更强的指导意义，也使得模型的泛化性更强。

消融实验对比图如图

９

所示。由图

９

可知，本文

提出的模型（序号

检测出的目标置信度可靠，检测

４

）

框能更完整且合适地包含物体，且对于较难检测的目

标具有更好的检测能力。

·

２９

·

标检测领域的主流算法。选取了图

ＹＯＬＯｖ５

目

１００

幅

片进行测试比较，对比结果如表

２

所示。

５

种

／％

缺陷识别结果

模型

断股散股断线烧伤异物

ｍＡＰ／％

ＳＳＤ

ＹＯＬＯｖ４

ＹＯＬＯｖ５Ｓ

７５．４２７０．６０７３．４２７８．６２６８．５６

７８．１４７６．２２７５．６９８１．９７７２．３３

７９．８０７７．４２７６．８５８１．８５７２．６７

７３．３２

７５．３０

７６．８７

７７．７２

７８．３１

ＦａｓｔｅｒＲＣＮＮ７７．８１７３．５４７３．８５８１．３６６９．９５

表

２　

本文模型与主流目标检测网络对比

ＦＰＳ／ｆｓ

－１

６８．５

５０．３

７５．６

１０３．７

１０３．５

·

本文模型

７９．６８７８．３３７７．５２８２．７５７３．２７

表

２

结果表明，文中提出的算法与其他主流算法

相比仍具有较好的性能，对绝大部分缺陷进行检测时

ｍＡＰ

值都得到了提升。

ＦＰＳ

较

ＳＳＤ

、

ＦａｓｔｅｒＲＣＮＮ

、

的

ＹＯＬＯｖ４

提升了

３５ｆ／ｓ

、

５３．２ｆ／ｓ

、

２７．９ｆ／ｓ

，在提升检测

平均精度均值的同时达到了更快的检测速度。本文算

ＹＯＬＯｖ５

推理速度相近，但是在散股、断线、烧伤、

法与

ＹＯＬＯｖ５

更高的精度，且

异物缺陷检测中均达到了比

消融实验结果表明，本文算法训练时间更短。

５

类缺陷，

综上，该算法能够有效检测出输电线的

提升检测效率，有利于输电线的定期检修和维护。本

５

类输电线缺陷的部分检测效果如图

１０

所

文算法对

示。由图

１０

可以看出，本文算法在电线交叉或弯曲等

５

类缺陷。

复杂情况下也能准确检测出输电线

４　

基于无人机拍摄的输电线图像数据，以

ＹＯＬＯ

系

列目标检测框架为模板，设计了一种无锚框的目标检

测网络，提出了相匹配的正负样本分配方式与多种优

化策略，提高了检测网络的训练速度和推理速度，提升

了网络的泛化能力。与目前主流的目标检测算法

ＹＯＬＯｖ５

等进行了对比，结果表明，该算法在断股、散

５

类输电线缺陷检测准确率方面均有明显提升。

股等

同时，消融实验也证明了若正负样本的分配方式合理，

无锚框方法在一些任务上可以媲美甚至超越有锚框检

测网络的检测精度。在未来的工作中，可以通过增加

数据集的数据量等方式提升每类输电线缺陷的检测精

。

度

檾

檾

檾

檾

檾

檾

檾

檾

檾

檾

檾

殧

檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾

殧

结束语

欢迎订阅２０２３年测控技术

欢迎发布广告信息

●

●

《》

檾檾檾檾檾檾檾檾檾檾檾

殧

３．４　

檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾

殧

对比实验

将提出的模型与现阶段目标检测主流的模型进行

了比较，对比模型包括

ＳＳＤ

、

ＦａｓｔｅｒＲＣＮＮ

、

ＹＯＬＯｖ４

、

图

９　

消融实验对比图

订阅代号

：

８２－５３３

定价

：

２５００

元

／

期

月

１８

日出刊

●

每

·

３０

·

《

测控技术

》

２０２３

年第

４２

卷第

３

期

．

单片机与嵌入式系统应用，

人机巡检技术应用［

Ｊ

］

２０２２

，

２２

（

１

）：

１３－１６．

ＬＩＹ

，

ＬＯＮＧＷＤ

，

ＷＥＩＳＤ．Ａｐｐｌｉｃａｔｉｏｎｏｆｉｎｆｒａｒｅｄｔｈｅｒｍａｌ

ｉｍａｇｉｎｇＵＡＶｉｎｓｐｅｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇ

［

Ｊ

］

．Ｍｉｃｒｏｃｏｎｔｒｏｌｌｅｒｓ＆ＥｍｂｅｄｄｅｄＳｙｓｔｅｍｓ

，

２０２２

，

２２

（

１

）：

１３－１６

（

ｉｎＣｈｉｎｅｓｅ

）

．

［

３

］

ＳＨＡＮＧＦ

，

ＬＩＵＳ

，

ＷＡＮＧＸＹ．Ｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｏｆｔｒａｎｓ

ｍｉｓｓｉｏｎｌｉｎｅｂｒｏｋｅｎｓｔｏｃｋｄｅｆｅｃｔｓｉｎａｉｒｃｒａｆｔｉｎｓｐｅｃｔｉｏｎ

ｂａｓｅｄｏｎｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｔｅｃｈｎｏｌｏｇｙ

［

Ｃ

］

／／２０２０ＩＥＥＥ４ｔｈ

ＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ

，

Ｎｅｔｗｏｒｋｉｎｇ

，

ＥｌｅｃｔｒｏｎｉｃａｎｄＡｕｔｏ

ｍａｔｉｏｎＣｏｎｔｒｏｌＣｏｎｆｅｒｅｎｃｅ．２０２０

：

１７１５－１７１９．

［

４

］苏素平，李虹，孙志毅，等

．

无人机图像的输电线断股检测

Ｊ

］

．

太原科技大学学报，

２０２１

，

４２

（

１

）：

３２－３６．

方法研究［

ＳＵＳＰ

，

ＬＩＨ

，

ＳＵＮＺＹ

，

ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｄｅｔｅｃｔｉｏｎｍｅｔｈ

ｏｄｏｆｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｂｒｅａｋｉｎｇｏｆＵＡＶｉｍａｇｅ

［

Ｊ

］

．Ｊｏｕｒｎａｌ

ｏｆＴａｉｙｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ

，

２０２１

，

４２

（

１

）：

３２－３６

（

ｉｎＣｈｉｎｅｓｅ

）

．

［

５

］

ＬＩＵＹＭ

，

ＤＯＮＧＳＱ

，

ＣＨＥＮＺ

，

ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｂｏｌｔｖｉｓ

ｕａｌｒｅｃｏｇｎｉｔｉｏｎｏｆｈｉｇｈｖｏｌｔａｇｅｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｓｈｏｃｋｐｒｏｏｆ

ｈａｍｍｅｒｒｅｓｅｔｔｉｎｇｒｏｂｏｔ

［

Ｃ

］

／／２０２２ＩＥＥＥ６ｔｈＩｎｆｏｒｍａｔｉｏｎ

ＴｅｃｈｎｏｌｏｇｙａｎｄＭｅｃｈａｔｒｏｎｉｃｓＥｎｇｉｎｅｅｒｉｎｇＣｏｎｆｅｒｅｎｃｅ．

２０２２

：

１３２９－１３３３．

［

６

］顾晓东，唐丹宏，黄晓华

．

基于深度学习的电网巡检图像

．

电力系统保护与控制，

２０２１

，缺陷检测与识别［

Ｊ

］

４９

（

５

）：

９１－９７．

ＧＵＸＤ

，

ＴＡＮＧＤＨ

，

ＨＵＡＮＧＸＨ．Ｄｅｅｐｌｅａｒｎｉｎｇｂａｓｅｄ

ｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｏｆａｐｏｗｅｒｇｒｉｄｉｎｓｐｅｃｔｉｏｎ

ｉｍａｇｅ

［

Ｊ

］

．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ

，

２０２１

，

４９

（

５

）：

９１－９７

（

ｉｎＣｈｉｎｅｓｅ

）

．

［

７

］

ＳＡＤＹＫＯＶＡＤ

，

ＰＥＲＮＥＢＡＹＥＶＡＤ

，

ＢＡＧＨＥＲＩＭ

，

ｅｔａｌ．

ＩＮＹＯＬＯ

：

ｒｅａｌｔｉｍｅｄｅｔｅｃｔｉｏｎｏｆｏｕｔｄｏｏｒｈｉｇｈｖｏｌｔａｇｅｉｎｓｕ

ｌａｔｏｒｓｕｓｉｎｇＵＡＶｉｍａｇｉｎｇ

［

Ｊ

］

．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒ

Ｄｅｌｉｖｅｒｙ

，

２０２０

，

３５

（

３

）：

１５９９－１６０１．

［

８

］

ＺＨＥＮＧＷＪ

，

ＬＩＣＱ

，

ＣＵＩＸＹ

，

ｅｔａｌ．Ａｍｕｌｔｉｏｂｊｅｃｔｉｖｅｐａｒ

ａｌｌｅｌｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｉｍａｇｅｓｏｆｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎ

ｌｉｎｅｃｏｒｒｉｄｏｒｓ

［

Ｃ

］

／／２０２０ＩＥＥＥ５ｔｈＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ

ａｎｄＭｅｃｈａｔｒｏｎｉｃｓＥｎｇｉｎｅｅｒｉｎｇＣｏｎｆｅｒｅｎｃｅ．２０２０

：

４３２－４３６．

［雪云，夏瑾，杜珂于多线型特征增强网络的架空输

９

］陈

．

基

．

浙江大学学报（工学版），

２０２１

，

５５

（

１２

）：电线检测［

Ｊ

］

２３８２－２３８９．

ＣＨＥＮＸＹ

，

ＸＩＡＪ

，

ＤＵＫ．Ｏｖｅｒｈｅａｄｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｄｅ

ｔｅｃｔｉｏｎｂａｓｅｄｏｎｍｕｌｔｉｐｌｅｌｉｎｅａｒｆｅａｔｕｒｅｅｎｈａｎｃｅｄｄｅｔｅｃｔｏｒ

［

Ｊ

］

．ＪｏｕｒｎａｌｏｆＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ

（

ＥｎｇｉｎｅｅｒｉｎｇＳｃｉ

图

１０　５

类缺陷检测结果图

ｅｎｃｅ

），

２０２１

，

５５

（

１２

）：

２３８２－２３８９

（

ｉｎＣｈｉｎｅｓｅ

）

．

参考文献

：

［

１０

］

　ＬＩＵＳ

，

ＳＨＡＮＧＦ

，

ＳＯＮＧＨＸ

，

ｅｔａｌ．Ｖｉｓｉｏｎｂａｓｅｄｄｅｔｅｃｔｉｏｎ

ａｌｇｏｒｉｔｈｍｆｏｒｂｒｏｋｅｎｓｔｒａｎｄｓｏｆｔｒａｎｓｍｉｓｓｉｏｎｗｉｒｅｓ

［

Ｃ

］

／／

［

１

］

ＬＩＤＤ

，

ＷＡＮＧＸＹ．Ｔｈｅｆｕｔｕｒｅａｐｐｌｉｃａｔｉｏｎｏｆｔｒａｎｓｍｉｓｓｉｏｎ

２０２２ＩＥＥＥ６ｔｈＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙａｎｄＭｅｃｈａｔｒｏｎｉｃｓ

ｌｉｎｅａｕｔｏｍａｔｉｃｍｏｎｉｔｏｒｉｎｇａｎｄｄｅｅｐｌｅａｒｎｉｎｇｔｅｃｈｎｏｌｏｇｙ

ＥｎｇｉｎｅｅｒｉｎｇＣｏｎｆｅｒｅｎｃｅ．２０２２

：

９７９－９８３．

ｂａｓｅｄｏｎｖｉｓｉｏｎ

［

Ｃ

］

／／２０１９ＩＥＥＥ４ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒ

［

１１

］

曾军，赵子根，刘景立，等

．

输电线路导线断股和表面损

ｅｎｃｅｏｎＣｌｏｕｄＣｏｍｐｕｔｉｎｇａｎｄＢｉｇＤａｔａＡｎａｌｙｓｉｓ．２０１９

：

１３１－１３７．．

哈尔滨理工大学学报，

２０２２

，

２７

（

２

）：

伤识别技术［

Ｊ

］

［

２

］李游，龙伟迪，魏绍东

．

基于深度学习的红外光热成像无

１２２－１３２．

基于

ＹＯＬＯ

框架的无锚框输电线多种缺陷检测

ＺＥＮＧＪＺＨＡＯＺＧＬＩＵＪＬｅｔａｌ．Ａｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏ

·

３１

·

［

１８

］

　ＨＡＮＧＪＦ

，

ＳＵＮＨ

，

ＹＵＸＨ

，

ｅｔａｌ．Ｓｕｒｆａｃｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎ

ｇｙｏｆｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｓｃｏｎｄｕｃｔｏｒｂｒｅａｋａｎｄｓｕｒｆａｃｅｄａｍａｇｅｉｎｓａｎｉｔａｒｙｃｅｒａｍｉｃｓｂａｓｅｄｏｎｌｉｇｈｔｗｅｉｇｈｔｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ

ｎｅｔｗｏｒｋ

［［

Ｊ

］

．ＪｏｕｒｎａｌｏｆＨａｒｂｉｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏＪ

］

．ＩＥＥＥＯｐｅｎＪｏｕｒｎａｌｏｆｔｈｅＩｎｄｕｓｔｒｉａｌＥｌｅｃｔｒｏｎ

ｇｙ

，

ｉｃｓＳｏｃｉｅｔｙ

，

２０２２

，

２７

（

２

）：

１２２－１３２

（

ｉｎＣｈｉｎｅｓｅ

）

．２０２０

，

３

：

４７３－４８３．

［

１２

］

于国军，邹梓龙，付小，等

．

基于无人机航拍图像的输电［

１９

］

　ＹＵＪＢ

，

ＣＨＥＮＧＸ

，

ＬＩＱＦ．Ｓｕｒｆａｃｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｏｆｓｔｅｅｌ

ｓｔｒｉｐｓｂａｓｅｄｏｎａｎｃｈｏｒｆｒｅｅｎｅｔｗｏｒｋｗｉｔｈｃｈａｎｎｅｌａｔｔｅｎｔｉｏｎ

Ｊ

］

．

江西科学，

２０２２

，

４０

（

２

）：

２２３－

线异物检测算法研究［

ａｎｄｂｉｄｉｒｅｃｔｉｏｎａｌｆｅａｔｕｒｅｆｕｓｉｏｎ

［

２２８．

Ｊ

］

．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎ

ＹＵＧＪ

，

ＩｎｓｔｒｕｍｅｎｔａｔｉｏｎａｎｄＭｅａｓｕｒｅｍｅｎｔ

，

ＺＯＵＺＬ

，

ＦＵＸ

，

ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｆｏｒｅｉｇｎｓｕｂ２０２２

，

７１

：

１－１０．

ｓｔａｎｃｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｏｆｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｂａｓｅｄｏｎ

［

２０

］

　ＬＩＵＳＪ

，

ＺＨＯＵＨＢ

，

ＬＩＣＭ

，

ｅｔａｌ．Ａｎａｌｙｓｉｓｏｆａｎｃｈｏｒ

ＵＡＶａｅｒｉａｌｉｍａｇｅ

［

ｂａｓｅｄａｎｄａｎｃｈｏｒｆｒｅｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓｂａｓｅｄｏｎ

Ｊ

］

．ＪｉａｎｇｘｉＳｃｉｅｎｃｅ

，

２０２２

，

４０

（

２

）：

２２３－

ｄｅｅｐｌｅａｒｎｉｎｇ

［

２２８

（

ｉｎＣｈｉｎｅｓｅ

）

．Ｃ

］

／／２０２０ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎ

ＭｅｃｈａｔｒｏｎｉｃｓａｎｄＡｕｔｏｍａｔｉｏｎ．２０２０

：［

１３

］

　ＣＨＥＮＢＹ

，

ＬＩＵＹＴ

，

ＳＵＮＫ．Ｒｅｓｅａｒｃｈｏｎｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ１０５８－１０６５．

ｍｅｔｈｏｄｂａｓｅｄｏｎＦＦＹＯＬＯｆｏｒｃｏｍｐｌｅｘｓｃｅｎｅｓ

［

Ｊ

］

．ＩＥＥＥ

［

２１

］

　ＬＩＹ

，

ＷＡＮＧＱＹ

，

ＬＩＵＲＨ．ＲｅｓｅａｒｃｈｏｎＹＯＬＯｖ３ｐｅｄｅｓ

Ａｃｃｅｓｓ

，

ｔｒｉａｎｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｃｈａｎｎｅｌａｔｔｅｎｔｉｏｎｍｅｃｈａ

２０２１

，

９

：

１２７９５０－１２７９６０．

ｎｉｓｍ

［［

１４

］

　ＬＹＵＳＧ

，

ＬＩＵＫ

，

ＱＩＡＯＹＨ

，

ｅｔａｌ．ＡｕｔｏｍａｔｉｃｄｅｔｅｃｔｉｏｎＣ

］

／／２０２１ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍ

ｍｅｔｈｏｄｆｏｒｓｍａｌｌｓｉｚｅｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｓｄｅｆｅｃｔｂａｓｅｄｏｎｉｍｐｕｔｅｒＳｃｉｅｎｃｅ

，

ＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎｔｅｌ

ｐｒｏｖｅｄＹＯＬＯｖ３

［

ｌｉｇｅｎｔＣｏｎｔｒｏｌＴｅｃｈｎｏｌｏｇｙ．２０２１

：

Ｃ

］

／／２０２０ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎ２２９－２３２．

Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ

，

ＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍａｎｄＣｏｍｐｕｔｅｒＥｎｇｉ

［

２２

］

贾晓雅，汪洪桥，杨亚聃，等

．

基于

ＹＯＬＯ

框架的无锚框

ｎｅｅｒｉｎｇ

（像舰船目标检测［统工程与电子技术，

ＣＩＳＣＥ

）

．２０２０

：

７８－８１．ＳＡＲ

图

Ｊ／ＯＬ

］

．

系

［

１５

］

　ＬＩＨ

，

ＬＩＵＬＺ

，

ＤＵＪ

，

ｅｔａｌ．ＡｎｉｍｐｒｏｖｅｄＹＯＬＯｖ３ｆｏｒｆｏｒ２０２２

：

１－９

［

２０２２０９１４

］

．ｈｔｔｐｓ

：

／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅ

ｅｉｇｎｏｂｊｅｃｔｓｄｅｔｅｃｔｉｏｎｏｆｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｓ

［

ｔａｉｌ／１１．２４２２．ＴＮ．２０２２０２２５．０９４９．０２０．ｈｔｍｌ．

Ｊ

］

．ＩＥＥＥＡｃ

ＪＩＡＸＹ

，

ｃｅｓｓ

，

２０２２

，

１０

：

４５６２０－４５６２８．ＷＡＮＧＨＱ

，

ＹＡＮＧＹＤ

，

ｅｔａｌ．Ａｎａｎｃｈｏｒｆｒｅｅ

ＳＡＲｉｍａｇｅｓｈｉｐｔａｒｇｅｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅＹＯ

［

１６

］

唐翔翔

．

基于改进

ＹＯＬＯｖ４

的输电线路异物检测系统设

ＬＯｆｒａｍｅｗｏｒｋ

［

Ｄ

］

．

合肥：安徽大学，

２０２１．Ｊ／ＯＬ

］

．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎ

计与实现［

ＴＡＮＧＸＸ．Ｄｅｓｉｇｎａｎｄｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｉｃｓ

，

２０２２

：

１－９

［

２０２２０９１４

］

．ｈｔｔｐｓ

：

／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃ

ｆｏｒｅｉｇｎｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎｔｈｅｉｍｐｒｏｖｅｄ

ｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２２０２２５．０９４９．０２０．ｈｔｍｌ

（

ｉｎ

ＹＯＬＯｖ４

［

Ｃｈｉｎｅｓｅ

）

Ｄ

］

．Ｈｅｆｅｉ

：

ＡｎｈｕｉＵｎｉｖｅｒｓｉｔｙ

，

２０２１

（

ｉｎＣｈｉｎｅｓｅ

）

．．

［

１７

］

　ＷＵＴＨ

，

ＷＡＮＧＴＷ

，

ＬＩＵＹＱ．Ｒｅａｌｔｉｍｅｖｅｈｉｃｌｅａｎｄｄｉｓ

［

２３

］

　ＬＵＯＳ

，

ＹＵＪ

，

ＸＩＹＪ

，

ｅｔａｌ．Ａｉｒｃｒａｆｔｔａｒｇｅｔｄｅｔｅｃｔｉｏｎｉｎｒｅ

ｔａｎｃｅｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＹＯＬＯｖ５ｎｅｔｗｏｒｋ

［

ｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＹＯＬＯｖ５

［

Ｃ

］

／／Ｊ

］

．ＩＥＥＥ

２０２１３ｒｄＷｏｒｌｄＳｙｍｐｏｓｉｕｍｏｎＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅＡｃｃｅｓｓ

，

２０２２

，

１０

：

５１８４－５１９２．

（

ＷＳＡＩ

）

．２０２１

：

２４－２８．

□

，，，

（

上接第

１０

页

）

［

Ｊ

］

．ＡｃｔａＥｎｅｒｇｉａｅＳｏｌａｒｉｓＳｉｎｉｃａ

，

２０２１

，

４２

（

１０

）：

１８９－１９４

［

８０

］

　ＰＥＴＴＩＴＬＩ

，

ＹＯＵＮＧＫＤＳ．Ｂａｙｅｓｉａｎａｎａｌｙｓｉｓｆｏｒｉｎｖｅｒｓｅ

（

ｉｎＣｈｉｎｅｓｅ

）

．

Ｇａｕｓｓｉａｎｌｉｆｅｔｉｍｅｄａｔａｗｉｔｈｍｅａｓｕｒｅｓｏｆｄｅｇｒａｄａｔｉｏｎ

［

Ｊ

］

．

［

８４

］

任子强，司小胜，胡昌华，等

．

融合多传感器数据的发动

ＪｏｕｒｎａｌｏｆＳｔａｔｉｓｔｉｃａｌＣｏｍｐｕｔａｔｉｏｎａｎｄＳｉｍｕｌａｔｉｏｎ

，

１９９９

，

机剩余寿命预测方法［

Ｊ

］

．

航空学报，

２０１９

，

４０

（

１２

）：

６３

（

３

）：

２１７－２３４．

２２３３１２．

［

８１

］

　ＬＥＥＭＹ

，

ＴＡＮＧＪ．ＡｍｏｄｉｆｉｅｄＥＭａｌｇｏｒｉｔｈｍｆｏｒｅｓｔｉｍａｔｉｎｇ

ＲＥＮＺＱ

，

ＳＩＸＳ

，

ＨＵＣＨ

，

ｅｔａｌ．Ｒｅｍａｉｎｉｎｇｕｓｅｆｕｌｌｉｆｅｐｒｅ

ｔｈｅｐａｒａｍｅｔｅｒｓｏｆｉｎｖｅｒｓｅＧａｕｓｓｉａｎｄｉｓｔｒｉｂｕｔｉｏｎｂａｓｅｄｏｎ

ｄｉｃｔｉｏｎｍｅｔｈｏｄｆｏｒｅｎｇｉｎｅｃｏｍｂｉｎｉｎｇｍｕｌｔｉｓｅｎｓｏｒｓｄａｔａ

［

Ｊ

］

．

ｔｉｍｅｃｅｎｓｏｒｅｄＷｉｅｎｅｒｄｅｇｒａｄａｔｉｏｎｄａｔａ

［

Ｊ

］

．ＳｔａｔｉｓｔｉｃａＳｉｎｉ

ＡｃｔａＡｅｒｏｎａｕｔｉｃａｅｔＡｓｔｒｏｎａｕｔｉｃａＳｉｎｉｃａ

，

２０１９

，

４０

（

１２

）：

ｃａ

，

２００７

，

１７

（

３

）：

８７３－８９３．

２２３３１２

（

ｉｎＣｈｉｎｅｓｅ

）

．

［

８２

］

史华洁，薛颂东

．

退化数据驱动的设备剩余寿命在线预

［

８５

］

宋兆理，贾祥，郭波，等

．

基于贝叶斯融合与仿真的系统

测［

Ｊ

］

．

计算机工程与应用，

２０１６

，

５２

（

２３

）：

２４９－２５４．

剩余寿命预测［

Ｊ

］

．

系统工程与电子技术，

２０２１

，

４３

（

６

）：

ＳＨＩＨＪ

，

ＸＵＥＳＤ．Ｄｅｇｒａｄａｔｉｏｎｄａｔａｄｒｉｖｅｎｏｎｌｉｎｅｐｒｅｄｉｃ

１７０６－１７１３．

ｔｉｏｎｆｏｒｅｑｕｉｐｍｅｎｔｒｅｓｉｄｕａｌｌｉｆｅ

［

Ｊ

］

．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ

ＳＯＮＧＺＬ

，

ＪＩＡＸ

，

ＧＵＯＢ

，

ｅｔａｌ．Ｒｅｍａｉｎｉｎｇｕｓｅｆｕｌｌｉｆｅｐｒｅ

ａｎｄＡｐｐｌｉｃａｔｉｏｎｓ

，

２０１６

，

５２

（

２３

）：

２４９－２５４

（

ｉｎＣｈｉｎｅｓｅ

）

．

ｄｉｃｔｉｏｎｏｆｓｙｓｔｅｍｂａｓｅｄｏｎＢａｙｅｓｉａｎｆｕｓｉｏｎａｎｄｓｉｍｕｌａｔｉｏｎ

［

８３

］

杨志凌，刘俊华

．

基于数据融合和

Ｗｉｅｎｅｒ

过程的风电轴

［

Ｊ

］

．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ

，

２０２１

，

４３

（

６

）：

承剩余寿命预测［

Ｊ

］

．

太阳能学报，

２０２１

，

４２

（

１０

）：

１８９－

１７０６－１７１３

（

ｉｎＣｈｉｎｅｓｅ

）

．

１９４．

ＹＡＮＧＺＬ

，

ＬＩＵＪＨ．Ｒｅｍａｉｎｉｎｇｌｉｆｅｐｒｅｄｉｃｔｉｏｎｏｆｗｉｎｄｔｕｒ

□

ｂｉｎｅｂｅａｒｉｎｇｓｂａｓｅｄｏｎｄａｔａｆｕｓｉｏｎａｎｄＷｉｅｎｅｒｐｒｏｃｅｓｓｅｓ