基于YOLO算法的无人机多目标诊断技术研究与应用

尹为松 陶俊 黄高举 章兵

（安徽继远软件有限公司，安徽合肥 230088）

0.引言

近年来，我国国民经济的持续快速发展对我国电力工业提出了越来越高的要求，随着无人机巡检历程与输配电线路信息量的增加，如何有效地、快速地进行线路信息采集，处理线路类别，进行缺陷类型的识别与定位成为智能巡检亟需解决的问题。从近年来各单位的研究、应用情况来看，无人机在巡检过程中，对云台拍摄图像缺乏质量评价，针对目标遮挡、拍摄不清等相片，因图像缺陷识别效果不好无法进行识别，随着人工智能、图像处理和移动互联技术的发展，结合现阶段无人机巡检的业务需求，开展无人机巡检在线检测、诊断与智能控制等技术研究与应用，为上述问题提供合理的解决方案，从而提高巡检效率，保障巡检安全[1]。

1.YOLO算法

YOLO系列算法的核心思想是将整张图片作为网络的输入，直接在输出层对外接边框（Bounding Box简称BBox）的位置和类别进行回归。具体实现方法如下：将一幅图像分成SxS个网格，如果某个目标的中心落在这个网格中，则这个网格就负责预测这个目标。每个网格需要预测N个边框的位置信息和置信度信息，一个BBox对应着4个位置信息和一个置信度信息。置信度信息代表了所预测的边框中含有检测目标的置信度和这个边框预测的准确度的两重信息[2]，即

其中，IOU为BBox和实际的标注的框之间的交并比，且如果有目标落在一个网格里，第一项取1，否则取0。对于每个BBox都要预测（x，y，w，h）和置信度共5个值，每个网格还要预测一个类别信息，记为C类。对于一个SxS个网格，每个网格要预测N个BBox还要预测C个类别信息，则最终输出数据就是S×S×（5＊N+C）的一个张量[3]。

在设计损失函数时，构造损失函数如下[4]。

YOLO算法的优点在于快速、简单和通用性强。

2.YOLO算法在无人机多目标诊断中应用

2.1 数据处理流程

在利用YOLO算法对输配电线路中的杆塔等目标进行检测时，需要对YOLO模型作网络上的调整，数据处理流程如图1所示[5]。

图1 数据处理流程

2.2 模型训练

在利用无人机进行输配电线路巡视时，通过无人机采集杆塔照片信息，基于YOLO算法将采集的照片被处理成一帧帧图像并输入到模型中，每帧图像首先按YOLO分辨率的要求放缩成规定像素大小，然后将放缩后的图像输入到卷积层构成的基础深度神经网络，实现局部的特征交互[6]。

2.3 参数收敛

基于YOLO算法的评估参数包括GIoU值、目标检测损失值、分类损失值，该值越小，表示框得越准、检测得越准以及分类得越准。在数据训练过程和验证过程中，需要分析曲线的整体走势情况，如果整体呈下降趋势，越趋向于零，则表明YOLO算法取得了很好的识别和检测精度。

在利用YOLO算法模型时，需要评估精度、召回率和平均精度等分布情况，其中参数精度计算公式如下：

该参数表示分类器认为是正类并且确实是正类的部分占所有分类器认为是正类的比例，衡量的是一个分类器分出来的正类的确是正类的概率。

参数召回率计算公式如下[7]：

该参数认为是正类并且确实是正类的部分占所有确实是正类的比例，衡量的是一个分类能把所有的正类都找出来的能力。

3.实例分析

选取某条配电线路，开展无人机巡视，并将算法进行验证，通过对算法进行应用和论证，从案例数据的识别结果来看，可以达到很好的目标识别效果和精度，说明本文所介绍的基于YOLO识别算法具有很好的识别诊断效果。得到相关参数收敛情况如图2所示。

图2 参数收敛情况

4.结语

利用无人机搭载可见光、红外、紫外等模块对瓷瓶、导线、金具等构件的图片进行特征提取，适应不同环境下设备故障检测需求。通过基于YOLO算法的无人机多目标诊断技术应用，能较好地实现设备异常缺陷诊断，及时精准地定位缺陷或潜在的风险，几乎可取代传统巡检工作中的外业人力部分，有效降低运维成本的同时为输配电路运维工作提供了极高效、 精准、安全的保障。优点有如下几点。

（1）实现自动判别故障解决人工挑选故障效率低难题。

（2）汇集图片，剔除拍摄质量差的无人机图片。

（3）汇聚成故障识别诊断库和故障训练集，高效准确，逐步提升人工智能识别精度。

（4）通过算法应用能进行精准图片治理，响应即时。

（5）能替代人工识别，有效降低运维成本，节本增效明显。