一种基于改进YOLOv4的输电线路异物检测方法

一种基于改进yolov4的输电线路异物检测方法
技术领域
1.本发明涉及目标检测技术，特别是涉及一种基于改进yolov4的输电线路异物检测方法。


背景技术：

2.在电能传输过程中保障输电线路安全稳定高效运行具有显著意义。这些年来，因为放风筝、气球等人为活动导致产生输电线路异物，进而影响电力系统稳定运行的事件络绎不绝，严重的甚至造成了跳闸事故，部分片区电力系统陷入瘫痪。输电线路上悬挂的异物主要有风筝、气球、塑料薄膜类的垃圾，以及在杆塔上鸟类搭建的巢穴。如何能及时发现这些异物成为了输电线智能巡检任务的重要课题。
3.输电线路异物检测的方法分为两类：传统的人工特征提取方法和基于深度学习的方法。传统方法通过检测输电导线外形轮廓判断异物存在与否，检测效果受到复杂背景、噪声等因素影响，精度较低。近年来，深度学习成为了脍炙人口的热点技术，摆脱了传统机器学习带来的一些弊端。神经网络不易受检测目标的几何变换、形变、光照等因素影响，降低了异物附着在输电线上产生的形变带来的识别难度。且它能自动生成检测目标所对应的特征，避免了人工设计特征的繁琐，相较于传统目标检测算法具有显著优势。基于深度学习的目标检测算法分为一阶段和二阶段两类，二阶段算法需要生成大量候选框，计算量极为庞大，检测速度很慢，在实际工业应用上完全无法达到实时检测的程度，这类算法的代表是faster r-cnn。而一阶段算法则不产生候选框，直接回归目标的类别置信度和位置坐标，因此可获得较快速度，这类算法的代表是ssd和yolo系列算法。yolov4是目前的主流目标检测算法，具有较好的检测效果。然而yolov4的模型体积仍然很大，为了获得高精度，模型参数量巨大，难以实际部署在存储空间有限的嵌入式设备上。


技术实现要素：

4.发明目的：本发明的目的是提供一种基于改进yolov4的输电线路异物检测方法，旨在减小模型的参数量，提高模型的鲁棒性，获取更高的精度和速度，实现性能的提升和实时的检测，更利于搭载在移动端等存储空间和计算能力有限的嵌入式设备上。
5.技术方案：本发明的一种基于改进yolov4的输电线路异物检测方法，包括以下步骤：
6.采集输电线路巡检视频，并对其进行分帧处理，将符合输电线路附有异物的场景图片进行数据清理；
7.对数据清理后的符合输电线路附有异物的场景图片进行标签化处理，基于标签化处理后的符合输电线路附有异物的场景图片，构建输电线路场景下异物检测数据集，并划分训练集、验证集和测试集；
8.构建改进yolov4网络模型；
9.基于训练集对改进yolov4网络模型进行训练，基于验证集对训练好的改进yolov4
网络模型进行验证，并保存在验证集上检测精度最高的权重和超参数；
10.利用保存好的权重对测试集图片进行检测，获得输电线路异物图像的检测结果。
11.进一步的，将符合输电线路附有异物的场景图片进行数据清理的方法为：
12.将符合输电线路附有异物的场景图片全部转化为.jpg或.png格式；
13.将格式转化后的符合输电线路附有异物的场景图片进行数据增强扩充数据集，包括水平翻转、色域变换、尺寸缩放以及mosaic数据增强方法，得到异物图像；
14.将异物图像嵌入到输电线路背景图像中，且异物图像要比输电线路背景图像小。
15.进一步的，对数据清理后的符合输电线路附有异物的场景图片标签化处理的方法为：
16.使用labelimg标注工具对每张图片进行标注，形成相应的xml标签文件，该xml标签文件格式为pascal voc，包含图片中矩形目标的两个对角坐标以及给定的类别。
17.进一步的，改进yolov4网络模型的构建方法为：
18.以yolov4网络模型为基础模型；
19.将yolov4网络模型的骨干网络cspdarknet53替换为轻量化的ghostnet进行特征提取；
20.将yolov4网络模型的特征金字塔池化spp模块改进为sppf模块；
21.将yolov4网络模型的三层卷积块和五层卷积块以及下采样层和预测层中的卷积核大小为3
×
3的卷积层替换为深度可分离卷积层；
22.在yolov4网络模型的上采样和下采样层后插入eca模块；
23.应用yolov4原始算法的路径聚合网络和预测层部分，将普通卷积中的leaky relu激活函数替换为silu激活函数；
24.应用k-means聚类算法，生成适配输电线路场景下异物检测数据集的中小尺寸的六个锚点框大小，再结合默认的三个大尺寸的锚点框，构成最终九个异物锚点框大小；
25.最后获得改进yolov4网络模型。
26.本发明的一种基于改进yolov4的输电线路异物检测系统，包括：
27.数据采集模块，用于采集输电线路巡检视频；
28.数据处理模块，用于对采集的输电线路航拍视频进行分帧处理，将符合输电线路附有异物的场景图片进行数据清理；
29.标注模块，用于对数据清理后的符合输电线路附有异物的场景图片进行标签化处理，基于标签化处理后的符合输电线路附有异物的场景图片，构建输电线路场景下异物检测数据集，并划分训练集、验证集和测试集；
30.模型构建模块，用于构建改进yolov4网络模型；
31.模型训练及验证模块，用于基于训练集对改进yolov4网络模型进行训练，基于验证集对训练好的改进yolov4网络模型进行验证，并保存在验证集上检测精度最高的权重和超参数；
32.测试模块，用于利用保存好的权重对测试集图片进行检测，获得输电线路异物图像的检测结果。
33.优选的，将符合输电线路附有异物的场景图片进行数据清理的过程为：
34.将符合输电线路附有异物的场景图片全部转化为.jpg或.png格式；
35.将格式转化后的符合输电线路附有异物的场景图片进行数据增强扩充数据集，包括水平翻转、色域变换、尺寸缩放以及mosaic数据增强方法，获得异物图像；
36.将异物图像嵌入到输电线路背景图像中，且异物图像要比输电线路背景图像小。
37.优选的，对数据清理后的符合输电线路附有异物的场景图片标签化处理的过程为：
38.使用labelimg标注工具对每张图片进行标注，形成相应的xml标签文件，该xml标签文件格式为pascal voc，包含图片中矩形目标的两个对角坐标以及给定的类别。
39.优选的，改进yolov4网络模型的构建过程为：
40.以yolov4网络模型为基础模型；
41.将yolov4网络模型的骨干网络cspdarknet53替换为轻量化的ghostnet进行特征提取；
42.将yolov4网络模型的特征金字塔池化spp模块改进为sppf模块；
43.将yolov4网络模型的三层卷积块和五层卷积块以及下采样层和预测层中的卷积核大小为3
×
3的卷积层替换为深度可分离卷积层；
44.在yolov4网络模型的上采样和下采样层后插入eca模块；
45.应用yolov4原始算法的路径聚合网络和预测层部分，将普通卷积中的leaky relu激活函数替换为silu激活函数；
46.应用k-means聚类算法，生成适配自制数据集的中小尺寸的六个锚点框大小，再结合默认的三个大尺寸的锚点框，构成最终九个异物锚点框大小；
47.最后获得改进yolov4网络模型。
48.本发明的一种装置设备，包括存储器和处理器，其中：
49.存储器，用于存储能够在处理器上运行的计算机程序；
50.处理器，用于在运行所述计算机程序时，执行如上述一种基于改进yolov4的输电线路异物检测方法的步骤。
51.本发明的一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如上述一种基于改进yolov4的输电线路异物检测方法的步骤。
52.有益效果：与现有技术相比，本发明的显著技术效果为：(1)本发明中针对yolov4网络模型进行改进，提高了对目标，特别是小目标的检测精度，模型参数量缩减到了原模型的17％，检测速度也得到了一定提升，能更高效的实现搭载于嵌入式设备上，完成智能巡检清障任务。(2)本发明采用的ghostnet轻量化骨干网络具有更少的参数量，但特征提取能力仍然很强，足以满足输电线路异物检测任务的需求。(3)本发明采用的sppf模块相较于原模块拥有更高的效率，可以提高运行速度，加快模型收敛。(4)本发明采用的深度可分离卷积可以将参数量缩小到普通卷积的八分之一，但检测精度却只是略微下降，更利于工业级应用。(5)本发明引入的eca通道注意力机制是一种轻量化模块，能提高网络的特征表征能力，提高检测精度，增加的参数量完全可以忽略不计。(6)本发明采用的silu激活函数更平滑，能提高性能，效果相较leaky relu函数更好，特别是在深层网络中优势更加明显。(7)本发明采用k-means聚类生成适配锚点框，针对数据集锚点框的选取方式，对于其他目标检测领域对应目标锚点框的选取有一定参考意义。(8)本发明的最终模型同样适用于其他目标检测领域，可拓展到其他领域的工业端部署。
附图说明
53.图1为yolo4网络模型结构图；
54.图2为改进yolov4网络模型结构图；
55.图3为本发明方法流程图；
56.图4为特征提取网络ghostnet中的ghost模块；
57.图5为特征提取网络ghostnet中的ghost瓶颈结构；
58.图6为sppf模块替代原spp模块结构图；
59.图7为普通卷积结构图；
60.图8为深度可分离卷积结构图；
61.图9为eca(efficient channel attention)注意力机制模块结构图
62.图10为silu(sigmoid weighted linear unit)激活函数曲线图；
63.图11为部分实验样本示例图，其中(a)和(b)为正常样本，(c)和(d)为输电线路附着风筝的样本，(e)和(f)为输电线路附着气球的样本，(g)和(h)为输电线路附着垃圾的样本，(i)和(j)为输电线路搭挂鸟巢的样本；
64.图12为不同模型检测效果对比图，其中，(a)～(c)分别为含气球的输电线异物场景下yolov4网络的检测效果、yolov5网络的检测效果和改进yolov4网络的检测效果图；(d)～(f)分别为风筝的输电线异物场景下yolov4网络的检测效果、yolov5网络的检测效果和改进yolov4网络的检测效果图；(g)～(i)分别为垃圾的输电线异物场景下yolov4网络的检测效果、yolov5网络的检测效果和改进yolov4网络的检测效果图；(j)～(l)分别为鸟巢的输电线异物场景下yolov4网络的检测效果、yolov5网络的检测效果和改进yolov4网络的检测效果图；(m)～(o)分别为补充的小目标数据集的输电线路场景下yolov4网络的检测效果、yolov5网络的检测效果和改进yolov4网络的检测效果图。
具体实施方式
65.下面结合附图对本发明的技术方案进一步说明。
66.一种基于改进yolov4的输电线路异物检测方法，包括数据集的准备，数据预处理，以及网络的训练和预测。现有技术下的yolov4网络模型结构图如图1所示，本发明所述的改进yolov4网络模型结构图如图2所示，可分为骨干网络的特征提取、特征金字塔和路径聚合网络的特征融合、探测头的预测三个部分。输入的416
×
416大小的图片进入骨干网络(ghostnet)进行层层特征提取，当输出通道数第一次达到40,116,160时，即到达ghostnet的第4，10，12层时，将该三层特征图输出至特征融合网络，特征图大小对应为(52,52,40)，(26,26,112)，(13,13,160)，分别对应小、中、大三种尺寸。之后通过特征金字塔(sppf模块)结构和路径聚合网络进行上下层的特征融合，输出进入三种对应尺寸的探测头，分别做分类回归和坐标回归，输出原图中的目标种类和目标坐标。
67.如图3所示，本发明的一种基于改进yolov4的输电线路异物检测方法，具体步骤如下：
68.s1、通过无人机采集输电线路巡检视频，并对采集的输电线路航拍视频进行分帧处理，将符合输电线路附有异物的场景图片进行数据清理；
69.将无人机拍摄到的输电线路巡检视频逐帧分解，筛选出符合输电线路附有异物的
场景图片；
70.将符合输电线路附有异物的场景图片全部转化为.jpg或.png格式，并将图片尺寸调整为416
×
416像素大小；
71.将尺寸调整后的符合输电线路附有异物的场景图片进行数据增强扩充数据集，包括水平翻转、色域变换、尺寸缩放以及mosaic数据增强方法，得到异物图像；
72.为了提高泛化性和对小目标的检测性能，采用ps技术将异物图像嵌入到输电线路背景图像中，进一步丰富数据集，加强模型对小目标的训练能力，其中要确保输电线路背景图像明显比异物图像尺寸大。
73.本实施例中，异物图像是250
×
250像素，输电线路背景图像是5472
×
3078像素，因此将250
×
250像素的异物图像嵌入到5472
×
3078像素的输电线路背景图像中；具体为将日常活动中的气球、风筝等进行一定程度的扭曲然后以不同尺寸附着在输电线路的不同位置，模拟搭挂在输电线路上的产生一定形变的异物，背景均为真实的输电线场景。
74.s2、对数据清理后的符合输电线路附有异物的场景图片进行标签化处理，基于标签化处理后的符合输电线路附有异物的场景图片，构建输电线路场景下异物检测数据集，并划分训练集、验证集和测试集；
75.使用labelimg标注工具对每张图片进行标注，形成相应的xml标签文件，该文件格式为pascal voc，包含图片中矩形目标的两个对角坐标以及给定的类别；
76.基于构建的输电线路场景下异物检测数据集，以7:2:1的比例构建训练集、验证集和测试集。
77.s3、构建改进yolov4网络模型；
78.以yolov4网络模型为基础模型；
79.将yolov4网络模型的骨干网络cspdarknet53替换为轻量化的ghostnet进行特征提取；
80.本发明采用的ghostnet轻量化骨干网络具有更少的参数量，但特征提取能力仍然很强，足以满足输电线路异物检测任务的需求。该网络包含大量的ghost模块和步长为1和2的两种ghost瓶颈结构，如图4和图5所示。ghost模块由两个操作构成，第一是输入通过普通卷积生成不含冗余的特征图1，第二是通过identity(恒等变换)和廉价的线性运算φ生成完整的特征图。通过廉价的线性运算花费低成本获得了高效益。步长为1和2的两种ghost瓶颈结构都包含两个ghost模块，其中第一个模块用于增加通道数目，第二个模块用于减少通道数目，最终使其与输入通道数相匹配。中间放置一个se注意力机制模块用于增强特征提取能力。shortcut为捷径分支，用于保留输入特征层，方便之后将两条支路特征图进行特征融合获得最终输出。具体的网络配置如表1所示。
81.表1 ghostnet的网络配置表
[0082][0083]
应用yolov4原始算法的特征金字塔池化(spp)模块，在原算法的基础上采用更快的特征金字塔池化(sppf)模块，替换原模块spp，如图6所示。原始的spp模块采用5
×
5,9
×
9,13
×
13大小的最大池化核，改进的sppf模块则通过堆叠不同数量的5
×
5最大池化核，同样能达到相同的的效果。输入通过特征金字塔池化模块可以提取不同尺寸的空间特征信息，提升模型对于空间布局和物体变性的鲁棒性，同时保证不同尺寸的输入都能得到统一固定的输出。
[0084]
sppf模块设置了一条主线通道，将输入串行通过多个5
×
5最大池化核。第一条支路直接连接到输出，等效于一个1
×
1的最大池化核。第二条支路经过了一个5
×
5的卷积核，再连接到输出，等效于一个5
×
5的最大池化核。第三条支路通过两个5
×
5的池化核，再连接到输出，等效于一个9
×
9的最大池化核。最后一条支路通过三个5
×
5的池化核，再连接到输出，等效于一个13
×
13的最大池化核。最终将四条支路的输出堆叠起来。
[0085]
将yolov4网络模型的三层卷积块和五层卷积块以及下采样层和预测层中的卷积核大小为3
×
3的卷积层替换为深度可分离卷积层，普通卷积如图7所示，深度可分离卷积如图8所示，它由逐通道卷积和逐点卷积两部分构成，逐通道卷积具体为一个卷积核负责一个通道，一个通道只被一个卷积核卷积，这个过程产生的特征图通道数和输入的通道数完全一样。将输入层的每个通道独立进行卷积运算，没有有效利用不同通道间在相同空间位置上的特征信息，因此需要再通过逐点卷积将这些特征图进行组合生成新的特征图。在相同输入得到相同输入的前提下，采用深度可分离卷积的参数量只有常规卷积的1/3，因此采用深度可分离卷积可以减小模型参数量，让模型尺寸更小。
[0086]
考虑到模型的参数量大部分来自于卷积层，因此尝试采用轻量化网络最常用到且效果较好的深度可分离卷积，进一步减小模型参数量。通过将三层卷积块，五层卷积块，以及下采样层和预测层中的全部3
×
3卷积层替换为深度可分离卷积层，共计替换了15层3
×
3卷积层。
[0087]
在yolov4网络模型的上采样和下采样层后插入eca(efficient channel attention)模块；
[0088]
在网络模型的两个上采样层和下采样层之后插入eca模块，采样后会通过该注意
力机制模块聚焦于信息更有效的通道，从而能过滤掉部分无用信息的干扰，使信息融合的效果更好。由于还有另一条特征融合的支路与它堆叠，所以不用担心有效信息的丢失。eca模块结构如图9所示，考虑到降维操作会对通道注意力的预测产生负面影响，且获取依赖关系效率低且不必要；基于此，提出了一种针对cnn的高效通道注意力(eca)模块，避免了降维，有效地实现了跨通道交互。通过大小为k的快速一维卷积实现，其中核大小k表示局部跨通道交互的覆盖范围，即有多大范围参与了一个通道的注意预测。
[0089]
应用yolov4网络模型的路径聚合网络和预测层部分，采用silu(sigmoid weighted linear unit)激活函数替代原算法的leaky relu激活函数，函数曲线如图10所示。
[0090]
输入特征图进入路径聚合网络，再将进入预测层，过程中激活函数采用silu，公式如下：
[0091]
f(x)＝x
·
sigmoid(x)
[0092]
应用k-means聚类算法，生成适配自制数据集的九个锚点框尺寸大小；
[0093]
采用k-means聚类算法生成九个锚点框，分别对应大、中、小三种尺度；通过表2的对比实验分析采用原始锚点框和k-means聚类后生成的锚点框，提出保留k-means聚类生成的小、中尺寸的六个锚点框，针对大尺寸锚点框仍采用原始锚点框中的大尺寸锚点框值。
[0094]
表2初始锚点框的对比实验
[0095][0096]
最终获得改进yolov4网络模型，改进yolov4网络模型结构如图2所示。
[0097]
s4、基于数据集对改进yolov4网络模型进行训练，保存训练好的权重；基于训练集对改进yolov4网络模型进行训练，验证集用于模型选择以及调参，保存最终训练好的权重；
[0098]
(5)利用保存好的权重对测试集图片进行检测，获得输电线路异物图像的检测结果。
[0099]
本发明的一种基于改进yolov4的输电线路异物检测系统，包括：
[0100]
数据采集模块，用于采集输电线路巡检视频；
[0101]
数据处理模块，用于对采集的输电线路航拍视频进行分帧处理，将符合输电线路附有异物的场景图片进行数据清理；
[0102]
标注模块，用于对数据清理后的符合输电线路附有异物的场景图片进行标签化处理，基于标签化处理后的符合输电线路附有异物的场景图片，构建输电线路场景下异物检测数据集，并划分训练集、验证集和测试集；
[0103]
模型构建模块，用于构建改进yolov4网络模型；
[0104]
模型训练及验证模块，用于基于训练集对改进yolov4网络模型进行训练，基于验
证集对训练好的改进yolov4网络模型进行验证，并保存在验证集上检测精度最高的权重和超参数；
[0105]
测试模块，用于利用保存好的权重对测试集图片进行检测，获得输电线路异物图像的检测结果。
[0106]
本发明的一种装置设备，包括存储器和处理器，其中：
[0107]
存储器，用于存储能够在处理器上运行的计算机程序；
[0108]
处理器，用于在运行所述计算机程序时，执行如上述一种基于改进yolov4的输电线路异物检测方法的步骤，并能达到与上述方法一致的技术效果。
[0109]
本发明的一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如上述一种基于改进yolov4的输电线路异物检测方法的步骤，并能达到与上述方法一致的技术效果。
[0110]
实施例：
[0111]
本实施例的输电线路场景下异物检测数据集共包含4496张样本数据，分为四类，其中nest(鸟巢)2541张、balloon(气球)704张、kite(风筝)691张、trash(垃圾)643张。训练集、验证集和测试集按照数据集7:2:1的比例划分，图11为部分实验样例，(a),(b)为制作数据集时ps技术采用的大尺寸输电线场景，(c)，(d)为输电线上搭挂风筝，(e)，(f)为输电线上搭挂气球，(g)，(h)为输电线上搭挂垃圾，(i)，(j)为输电线杆塔上附着鸟巢。
[0112]
本实施例中，模型的搭建、训练和结果的测试均在pytorch框架下完成，使用cuda并行计算架构，同时将cudnn加速库集成到pytorch框架下加速计算机的计算能力。
[0113]
(1)预测结果性能评价指标；
[0114]
ap(average precision)是计算某一类p-r曲线下的面积，指曲线横纵坐标分别为准确率和召回率所围成的面积大小。map(mean average precision)则是计算所有类别p-r曲线下面积的平均值，也就是所有类别对应ap的平均值，计算公式如下，其中c为总类别数。
[0115][0116]
其中，api表示第i类目标的ap值，map就是所有类别各自的ap相加的总的值/总类别数，就是他们的平均ap，fps(frame per second)是用来评估目标检测的速度，即每秒内可以处理的图片数量或者处理一张图片所需时间来评估检测速度，时间越短，速度越快。
[0117]
(2)改进模型的消融实验；
[0118]
在改进yolov4网络模型训练中，模型结构的损失函数loss值越小越好，期望值为0。在使用各种方式改进网络的过程中，通过map、fps、参数量、模型体积等性能评价指标来反映模型性能提升。输入图片的尺寸调整为416
×
416，批处理大小为8，优化器采用adam，采用余弦退火衰减算法阶段性改变当前学习率，初始学习率设置为0.001，最小学习率设置为0.00001，余弦周期设置为5。平滑标签大小设置为0.005，权重衰减大小设置为0.0005。迭代训练100个epoch(世代)。将验证集图片输入进网络，每10个epoch计算一次模型当前训练性能，得到模型当前检测精度(map)以及每一类目标的ap值。
[0119]
针对yolov4原模型，本实施例通过调参将其中的一些小技巧调整到了最佳情况，之后以原模型作为基准，加入了不同的改动以期望模型获得更好的性能。最终结果如表3所示。本实施例选择目前主流的目标检测模型yolov4作为初始模型a，采用轻量化骨干网络
ghostnet来替换原始的骨干网络得到模型(b)，其map为97.07％，相较于原yolov4模型(a)提升了1.37％，证明了在相对简单的检测任务中轻量化网络比更深层的复杂网络能够更快收敛，更容易拟合。同时参数量远少于原yolov4模型，推理速度也得到了一定提升，内存占用减少到了原模型的61.5％。采用更快的特征金字塔池化模块sppf替换原模块spp，来加快模型的运行速度和收敛速度。在使用了该模块后，模型(c)推理速度进一步提升，模型的map也略微提升，参数量和内存占用不变。采用轻量化网络最常用到且效果较好的深度可分离卷积，进一步减小模型参数量。模型(d)的参数量减少到了原模型(c)的四分之一，检测速度也略微提升了，但模型的map也减少了1.17％。在改进的yolov4的两个上采样层和下采样层之后插入eca模块，那么采样后会通过该注意力机制模块聚焦于信息更有效的通道，从而能过滤掉部分无用信息的干扰，使信息融合的效果更好。由于还有另一条特征融合的支路与它堆叠，所以不用担心有效信息的丢失。除此之外，将leaky relu替换为silu激活函数。模型(e)的检测速度略微下降，但map增加了0.74％。针对该特定背景环境下的目标进行检测，采用k-means聚类算法，在综合考量数据集中样本尺寸后，为了增强网络对小目标的检测能力，保留了聚类生成的中小尺寸锚点框，大尺寸仍沿用原始的由coco数据集采用的锚点框大小，最终本发明网络(f)的map增加了0.39％并且没有任何性能损失。
[0120]
表3改进yolov4的消融实验
[0121][0122]
(3)改进模型与不同模型的比较；
[0123]
为验证此方法就有更好效果，在同一环境和相同数据集的前提下，与其它主流算法做对比实验：yolov4-tiny、yolov3、ssd、faster r-cnn、yolov5。其中ssd和yolo系列算法为一阶段网络，faster r-cnn为二阶段网络。具体实验结果如表4所示。由表4结果可知，本发明方法能够有效提高对输电线路四种异物的检测精度。本发明方法在四类异物的平均准确率均为最高，同时iou阈值为0.5和0.75下的map分别为97.30％和64.56％，同样为最高值。fps达到52.4，满足实时检测的需求。同时参数量只有原模型yolov4的17％，更利于搭载于内存有限的嵌入式设备。
[0124]
表4不同算法检测结果对比
[0125][0126][0127]
(4)检测效果对比；
[0128]
为了比较该算法的实际检测效果，与yolov4和yolov5两款精度最高的模型进行对比。检测效果如图12所示。第一、二、三、四排分别是含气球、风筝、垃圾、鸟巢的输电线异物场景，即图(a)～(c)是含气球的输电线异物场景，图(d)～(f)是风筝的输电线异物场景，图(g)～(i)是垃圾的输电线异物场景，图(j)～(l)是鸟巢的输电线异物场景，第五排(即图(m)～(o))是补充的小目标数据集的输电线路场景。左边一列(即图(a)、(d)、(g)、(j)、(m))为yolov4网络的检测效果，中间一列(即图(b)、(e)、(h)、(k)、(n))为yolov5网络的检测效果，右边一列(即图(c)、(f)、(i)、(l)、(o))为改进yolov4网络的检测效果。在对第一行输电线路悬挂着的气球的检测中，yolov4没有检测出来，yolov5和本发明提出的改进yolov4网络均检测到了，且改进yolov4网络检测的置信度更高。第二行风筝的检测与第一行的检测结果类似，改进yolov4网络仍然获得了最佳的检测结果。在对第三行输电线路上悬挂的垃圾的检测中，yolov4未检出，yolov5存在误检，将输电线认成了垃圾，同时另外两处垃圾的检测框并未很好地将垃圾的全貌框选进去，而改进的yolov4精确地框出了两处垃圾且置信度极高。第四行为对挂载在杆塔上的鸟巢检测场景，yolov5未检出，yolov4和改进的yolov4均检出并获得了很高的置信度，且改进的yolov4对鸟巢全貌框选更精准，yolov4框的过于狭小，实际并未将整个鸟巢包含进预测框内。最后一行是特别针对训练小目标检测能力补充的数据集，在将250
×
250像素的异物图像嵌入到5472
×
3078像素的背景图像中并进行一定的扭曲翻转，可以使被检测目标以极小的尺寸出现在图像中，极大提高网络在输电线路巡检过程中对小目标的检测能力。同样最终结果表明改进的yolov4取得了最高的置信度。综上所述，改进yolov4网络模型相较于主流高性能探测器，总体上在检测中小目标中获得了最佳的性能，且在参数量上具有显著优势，检测速度也能够满足实际工业场景的需求，具备应用于输电线路场景异物检测的高效能力。