关键词:
输电线路
目标检测
轻量化
运动模糊
YOLOv8
摘要:
近年来,无人机技术快速发展,已逐步取代人工成为高空输电线路巡检的主要手段。然而,受算法精度不足、背景复杂及计算资源限制的影响,误检和漏检问题依然存在。为此,本研究提出一种轻量化目标检测方法,并设计了适用于输电线路巡检的智能检测系统。该系统通过优化算法架构,在有限资源下实现高效精准检测,提升了无人机巡检的可靠性和实用性,为输电线路智能化运维提供了技术支持。本研究的主要工作包括以下几个方面:
(1)针对输电线路数据集稀缺且缺乏多样性的问题,提出了一种基于DCGAN的改进生成对抗网络LRDCGAN。通过在生成器和鉴别器中引入创新的残差网络和LSKA注意力机制,增强模型对图像中长距离依赖关系的捕捉能力,从而提升数据扩增的效果,进一步提高了模型的泛化能力。
(2)针对无人机高速飞行导致的运动模糊问题,提出了一种基于DeblurGANv2的改进去模糊方法,分别优化了生成器和鉴别器。在生成器中,通过将主干网络替换为GhostNetV3,使模型更加轻量化;为进一步提升生成器的特征提取能力,引入CPCA特征提取模块,调整特征图中不同通道和空间位置的权重,增强模型对全局和局部特征的表达能力;在鉴别器中,对PatchGAN架构进行优化,引入全局特征和局部特征的双尺度判别器,增强鉴别器的鉴别能力。实验结果表明,与原始DeblurGANv2模型相比,本研究提出的方法在去模糊效果上取得了显著提升,PSNR指标达到29.18,SSIM指标达到0.920,有效提升了图像去模糊的质量。
(3)针对无人机在线巡检对检测精度要求高且计算资源有限的问题,本研究提出了一种基于YOLOv8n的轻量化目标检测模型YOLO-Lite,并对原网络结构进行了优化改进。为降低模型计算量并提升检测速度,设计了轻量化的C2f-Faster-EMA模块以替代主干网络;为更准确地评估预测框与GT框之间的匹配程度、加快网络收敛速度,引入了 Shape-IoU损失函数;为增强模型对遮挡区域的特征提取能力,提升其在遮挡场景下的检测效果,设计了多头注意力机制Detect-SAME。实验结果表明,相较于原始YOLOv8n模型,所提模型在小目标、遮挡目标和复杂背景等场景下具有较强的鲁棒性,检测精度达到了 97.5%,同时计算量减少19.7%。
(4)基于上述研究,设计了一个输电线路目标检测系统。系统采用Xavier NX嵌入式处理器,并通过TensorRT对神经网络进行推理优化,显著提高了实时检测效率。系统集成YOLO-Lite算法,具有较高的检测精度和较低的计算需求,适合嵌入式平台应用。同时,开发了简洁直观的检测界面,便于操作人员实时监控和处理检测结果。