摘 要：針對輸電線路附近可能出現的大型違章車輛施工造成外力破壞的情況，為保證輸電線路運行的安全和穩定，提出了改進的YOLOv5目標檢測算法。在原有YOLOv5算法的基礎上，將其使用的Bounding box損失函數GIOU_Loss改為CIOU_Loss，使其具有更快更好的收斂效果;同時將其使用的經典NMS改為DIOU_NMS，使其對一些遮擋重疊的目標有更好的識別效果。實驗結果顯示，改進后的YOLOv5算法模型可以有效地監控輸電線路附近的外力破壞情況。

　　關鍵詞：輸電線路;目標檢測;改進YOLOv5

　　引言(Introduction)

　　近年來，隨著我國各類產業尤其是互聯網的飛速發展，電力的需求量也直線上升。輸電線路是電力系統的生命線，關系到整個電力系統的安全和效益，因此保證輸電線路的穩定運行至關重要。

　　由于輸電線路長期處于復雜的地理位置，且與人類活動緊密聯系，因此輸電線路有較高的可能性會出現故障，嚴重影響電網安全運行的同時，也對人民的生命財產安全構成了極大的威脅。

　　據統計，隨著城市化進程的加速發展，大型車輛違章施工已經成為輸電線路外力破壞的主要因素[1]。目前對于輸電線路的外力破壞檢測，主要是通過安裝在高空塔架的攝像頭拍攝照片，再交給后端中心去進行人工分析[2]。監控人員通過監看攝像頭拍攝現場傳回的靜態圖像查看其中可能出現的外力入侵目標，如吊車、油罐車、挖掘機等大型施工車輛，在發現外力入侵行為時則發出警告，派出電網維護人員至現場進行處理[3]。這種依靠人工檢查的方法工作量大，工作人員容易疲勞，實時性差且效率較低。

　　近年來，隨著深度學習的快速發展，許多研究學者發布了大量基于卷積神經網絡的目標檢測算法。目前，目標檢測領域的深度學習方法主要分為兩類：一類是基于區域候選網絡(RPN)來提取目標候選區域的兩階段算法，如R-CNN[4]、Fast R-CNN[5]、Faster R-CNN[6]等。這種類別的目標檢測算法主要是在特征提取的基礎上，使用一個神經網絡來生成候選區域，然后再對候選區域回歸來確定目標的類別和位置。另一類是端到端的一階段目標檢測算法，如YOLO系列[7-9]算法。此類方法直接對圖片內容進行分類和回歸，不需要提取候選區域，將目標檢測視為回歸問題處理。

　　本文使用輸電線路現場監控圖像數據，以及網絡收集的工程車輛數據，制作了輸電線路外力破壞的檢測數據集，以YOLOv5模型為主體，研究改進模型的效果，進一步提高模型的識別精度和魯棒性。

　　2 YOLOv5算法簡介(Introduction to YOLOv5 algorithm)

　　YOLO(You Only Look Once)網絡是一種基于回歸的目標識別算法，具有較快的檢測速度，在很多任務中取得了很好的效果。YOLO網絡將輸入的圖像劃分成大小為S×S的網格，目標物的中心位置落到哪個網格上，就由該網格對應錨框負責檢測目標[10]。相比于其他目標檢測算法，YOLO的多尺度算法能夠更為有效地檢測目標，且在實時性方面表現得較為突出，適合輸電線路異常情況檢測的需求。

　　YOLOv5根據網絡深度的不同分為YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，其中YOLOv5x檢測精度最高，但是網絡模型較大，對設備的要求較高;YOLOv5s的模型尺寸較小，檢測速度快，且部署方便。考慮到保證檢測精度的同時，能夠提高檢測速度，減小模型尺寸，本文選用YOLOv5l作為實驗使用的模型。YOLOv5的網絡結構可以分為Input、Backbone、Neck和Prediction四部分。