基于YOLOv4的输电线路外破隐患识别算法①

田二胜,李春蕾,朱国栋,粟忠来,张小明,徐晓光

(许继集团有限公司,许昌 461000)

随着电网建设覆盖范围的不断增加,输电线路总里程也逐渐增多,具有规模大、距离长、分布地域广等特点,通常分布在偏远地带,运行环境比较恶劣.山火、滑坡等自然灾害损害架空输电线路的正常运行,同时还存在施工机械、超高车辆、船舶导致外力破坏的危险.传统采用人工巡线的方式存在劳动强度大、工作效率低的问题,对突发外破事件应对时效性差.

随着智能监测技术的发展,以视频、图像为主的输电线路巡检的方式受到越来越多的关注,然而传统的输电线路在线监测系统通常是将视频、图像的数据传回监控平台,通过人工筛选的方式识别施工机械等外破隐患发生,存在工作效率低、无法实时识别并预警的问题[1].随着卷积神经网络算法在图像识别中的应用越来越广泛[2–6],为基于深度学习的图像识别技术在输电线路巡检中的研究和应用提供新的解决方法.张骥等[7]提出Faster RCNN 算法提取特征,用于输电线路目标的图像识别,代替人工筛选,提高隐患预警实时性.许志君[8]采用单步识别的SSD 算法,与Faster RCNN相比,识别速度更快,满足边缘计算识别要求.赖秋频等[9]提出YOLOv2,引入锚框机制,提高模型收敛速度和识别准确率.徐守坤等[10]提出YOLOv3 算法,采用Darknet53 残差网络提取深层次网络的图像数据特征,适用于输电线路复杂背景下的目标识别,与YOLOv2采用Darknet19 网络结构相比,目标识别效果更……