基于YOLOv3网络的输电线路防震锤和线夹检测迁移学习

作者：张永翔; 吴功平^*; 刘中云; 杨松; 徐玮泽

来源：计算机应用, 2020, S2: 188-194.

• 输电线路巡检
• 小样本学习
• 深度学习
• 迁移学习
• 目标检测网络

防震锤和线夹是输电线路自动化设备巡检过程中的重要巡检对象。针对两类目标检测时的多角度需求与样本量较少的问题,提出基于迁移学习的改进训练方法训练YOLOv3模型,降低训练时模型对防震锤与线夹样本的需求,并提高模型最终的准确性与泛化能力。首先,从不同时段、不同角度、不同季节、不同背景对防震锤和线夹线上目标开展了数据采集工作。其次,通过分析YOLOv3网络的卷积层结构,构建了多组迁移层数不同的训练模型,并在自主采集的防震锤、线夹小样本库上进行训练,之后通过比较分析,得到了最适合该小样本库的迁移学习模型。最后基于对模型实际检测图像的比较与分析,评估了通过迁移学习方法降低模型在防震锤、线夹小样本库上的训练成本的可行性。实验结果表明,通过迁移学习方法在该小样本库上训练YOLOv3网络,并在特征图等效输入层为31层时,模型的性能最好,此时模型的收敛速度比无迁移学习时提高了一倍,模型的平均精度均值(mAP)值提高了6.58%。其中防震锤单项AP值最高达到92.22%,比同类机器学习算法提高了近15%。

• 单位
  国网吉林省电力有限公司白山供电公司; 武汉大学