浅析基于改进YOLOv5的输电线路走廊滑坡灾害识别

引言

随着我国大规模输电线路网络的发展建设，部分输电线路不可避免地需要穿越地质复杂、易发生滑坡的区域。输电杆塔作为输电线路的连接节点，常常需要修建在人烟稀少的地区，这样的地理环境条件增加了地质灾害发生的可能性，一旦出现滑坡灾害，不及时进行处理，则会导致杆塔基础变形损坏，严重威胁输电线路的安全运行。

2006年，Hinton等人在Science上发表的论文提出了“深度学习”的概念，解决了深度神经网络训练困难的问题，打开了深度学习的大门。近二十年来，随着计算机运算能力的大幅提高，深度学习得到了迅速发展，在各个领域都有大量应用。

由于滑坡常发生于人烟稀少的地区，故滑坡图像一般为卫星图或无人机航拍图，而卫星图中滑坡图像尺寸较小，无人机航拍图滑坡图像尺寸较大，所以存在数据目标尺寸差异较大、不统一的问题。

针对上述问题，Wang等人[1]使用地理数据库，对比卷积神经网络这一深度学习方法以及强化学习、随机森林、SVM、强化学习4种机器学习方法在识别滑坡时的精度，指出卷积神经网络具有较高的鲁棒性及准确率；Cheng等人[2]在YOLOv4的基础上提出一种新的YOLO-SA滑坡检测模型，对比11种现有的目标检测模型，在精度及运行速度上得到了极大的提升；巨袁臻等人[3]利用Mask R-CNN，结合谷歌地球影像数据实现了对黄土滑坡的自动识别。吴琪等人[4]针对10种网络结构以及4种注意力机制对滑坡识别的影响进行了分析，得出ResNet-101结构具有最高的准确率及召回率，ResNet-101+DAN模型为最佳模型。

本文以YOLOv5网络模型为基础，提出一种改进YOLOv5（YOLOv5-BC）深度学习滑坡灾害识别方法，将原有的PANet层替换为BiFPN结构，提高网络多层特征融合能力，引入CIoU损失函数替换原本的GIoU损失函数，使最终预测框更接近真实框，提升了网络的预测精度，通过在滑坡数据集上进行训练测试，取得了较好的识别效果。

1 YOLOv5目标检测算法

YOLOv5算法是YOLO系列的一个延伸，可以看作是YOLOv3、YOLOv4的改进，相比YOLOv4算法，YOLOv5的输入端保留了Mosaic增强，嵌入了自适应锚框计算及自适应图片缩放，有效提高了检测速度；Backbone部分保留了CSP（Cross Stage Partial Network）模块，引入了Focus结构，减少了计算量，降低了内存的使用量；Neck部分使用了FPN和PAN结构进行采样操作，增强了网络进行特征提取的能力；Output部分使用GIoU损失函数作为边框预测的损失函数，采用非极大值抑制NMS对冗余的框进行抑制。

2 YOLOv5算法改进

本文从Neck部分及Output部分入手，针对原版YOLOv5进行改进，提升算法对尺度差别很大的数据集的识别准确率。

2.1 BiFPN

YOLOv5使用的PANet网络较为简单，是在Faster-RCNN中的FPN基础上提出的从下向上的二次融合网络，简单地增加了从下而上的融合路径，在进行特征融合时，未考虑不同的输入特征图贡献不同。针对这个问题，采用EfficentDet-BiFPN[5]替代PANet，BiFPN在原先的FPN基础上增加了添加上下文信息的边，对每个边都乘一个对应的权重，实现多尺度特征融合。FPN、PANet、BiFPN结构如图1所示。

相比PANet，BiFPN有如下改进：（1）BiFPN删除了只有一条输入边的节点，简化了双向网络；（2）当原始输入节点和输出节点处于同一层时，在原始输入节点和输出节点之间添加一条额外的边，在不增加太多运算成本的情况下实现了融合更多的特性；（3）相比只有一个自上而下和自下而上的双向通路的PANet，BiFPN将每个双向通路作为一个特征层，并重复同一个特征层多次，实现高层次特征融合；（4）为每个输入增加权重值，在特征融合时区分各个输入特征图的重要性，可以快速归一化地进行特征融合。

2.2 损失函数

2.2.1 GIoU损失函数

YOLOv5网络使用的回归函数为GIoU[6]函数，公式为：

式中：IoU为交互比函数，用于评判预测框与真实框的重合程度，IoU越高，重合程度越高；A为目标框；B为预测框；C为包括A与B的最小矩形框；LGIoU为GIoU的Loss函数。

GIoU解决了IoU存在的无法优化两框不相交的情况的问题，但在实际使用中发现GIoU存在以下两个问题：（1）当预测框和真实框不对齐时，会导致外接框C的面积增大，使GIoU值变小；（2）当目标框与预测框属于包含关系时，GIoU会退化为IoU，无法判断两者相对位置关系。

2.2.2 CIoU损失函数

针对GIoU存在的问题，引入CIoU[7]替代GIoU，CIoU将GIoU的最小外接框C替换为最小化两个Box中心点的标准化距离，并将Bounding box的纵横比考虑进损失函数中，公式如下：

式中：ρ2（b,bgt）为两个框中心点的欧氏距离，b,bgt为预测框B与真实框A的中心点；c为同时包含预测框与真实框的最小区域的对角线距离；α为用作trade-off的参数；v为用来衡量长宽比一致性的参数；w与h分别表示预测框的宽和高；wgt、hgt分别表示真实框的宽和高。

CIoU相对GIoU有如下特点：（1）CIoU与GIoU均具有尺度不变性；（2）CIoU在目标框不重叠时，仍可以为边界框提供移动方向；（3）CIoU可以直接最小化两个目标框的距离，较GIoU收敛快；（4）CIoU在两个框完全重叠时仍能很快回归，GIoU则退化为IoU；（5）引入BoundBox的纵横比，进一步提高了回归精度。

3 实验分析

3.1 实验环境

实验环境如表1所示。

   

3.2 滑坡数据集构建

目前，公开数据集中并无公开的滑坡数据集，因此本文收集Google Earth滑坡发生后的卫星云图图像及滑坡地区的无人机航拍图像构建滑坡数据集，共包含滑坡图像1 247张，使用labelImg标注图像中的滑坡区域，数据集按照81比例划分训练集、测试集、验证集。

3.3 实验结果分析

分别采用YOLOv5-BC模型、YOLOv5模型、Faster-RCNN模型对滑坡数据集训练300轮，使用SGD优化器进行权重更新，学习率α设置为0.01，batch-size（批次大小）设置为64。

YOLOv5-BC训练LOSS曲线如图2所示。

识别效果如图3所示。

最终实验结果如表2所示。

根据表2的对比结果可以看出，由于滑坡数据集存在目标尺寸大小不一、差距过大的问题，YOLOv5算法及Faster-RCNN算法表现较差，改进算法YOLOv5-BC对滑坡数据集的计算精度相比Faster-RCNN及YOLOv5显著提高，分别取得了37.7%及27.9%的提升。

4 结论

本文提出了一种用于识别输电线路走廊滑坡灾害的改进YOLOv5（YOLOv5-BC）算法，通过将YOLOv5的Neck部分PANet结构替换为BiFPN结构，优化了特征融合网络，增强了对尺寸差异大的图像的检测能力；将GIoU损失函数替换为CIoU损失函数，提高了目标框回归损失，提高了检测精度。

构建了滑坡数据集，基于构建的数据集对不同模型进行了测试，验证了YOLOv5-BC模型的有效性，相比Faster-RCNN及YOLOv5模型的mAP@0.5分别提高了37.7%及27.9%，达到了79.2%。

实验结果表明，本文提出的YOLOv5-BC模型，具有实际应用于输电线路走廊滑坡灾害识别的潜力。

审核编辑：刘清