1、DOI:10.11991/yykj.202204017网络出版地址：https:/ YOLOv4 算法的高压输电线路异物检测张秋雁1，朱傥2，肖书舟1，杨忠2，曾华荣1，张驰2，李国涛21.贵州电网责任有限公司电力科学研究院，贵州贵阳5500022.南京航空航天大学自动化学院，江苏南京211106摘要：针对传统输电线异物检测精度较低、误检率高等问题，提出了一种基于改进 YOLOv4 的高压输电线路异物检测算法，通过深度学习中的卷积神经网络让模型自主地关注和学习高压输电线上的异物特征。首先采集输电线路上异物图像，并采取多种数据增强方式构建高压输电线异物检测数据集；其次采用 k-means 聚类生
2、成适配本数据集的锚点框，提升模型鲁棒性；再将网络的空间金字塔池化(spatialpyramidpooling，SPP)模块设计优化为快的空间金字塔池化(spatialpyramidpooling-fast，SPPF)模块，更高效地完成特征融合，加快网络运行速度；最后结合标签平滑、余弦退火衰减算法，在路径聚合网络和预测层部分采用 Sigmoid 加权线性单元（Sigmoidweightedlinearunit，SiLU）激活函数替代普通卷积中的 LeakyReLU 激活函数，更有利于模型收敛，使模型性能得到进一步提升。结果表明，模型在不增加参数量的前提下，精度提高到了 97.57%，帧传输率达到
3、 42.4f/s，满足实时检测的要求。关键词：输电线路；异物检测；YOLOv4；数据增强；K-means 聚类；空间金字塔池化；Sigmoid 加权线性单元中图分类号：TP391文献标志码：A文章编号：1009671X(2023)04005907Foreign object detection of high voltage transmission line based onimproved YOLOv4 algorithmZHANGQiuyan1,ZHUTang2,XIAOShuzhou1,YANGZhong2,ZENGHuarong1,ZHANGChi2,LIGuotao21.Elect
4、ricPowerResearchInstitute,GuizhouPowerGridCo.,Ltd.,Guiyang550002,China2.CollegeofAutomationEngineering,NanjingUniversityofAeronauticsandAstronautics,Nanjing211106,ChinaAbstract:Aimingattheproblemsoflowdetectionaccuracyandhighfalsedetectionrateoftraditionaltransmissionlines,aforeignobjectdetectionalg
5、orithmbasedonimprovedYOLOv4isproposedinthispaper,whichmakesthemodelautonomouslypayattentiontoandlearnthefeaturesofforeignobjectsonhigh-voltagetransmissionlines.Itfirstcollects images of foreign objects on the transmission line,and adopts a variety of data enhancement methods toconstructaforeignobjec
6、tdetectiondataset;thenusesK-meansclusteringtogenerateananchorframeadaptedtothisdatasettoimprovetherobustnessofthemodel.Next,thealgorithmoptimizesthedesignofthespatialpyramidpooling(SPP)moduleofthenetworktoaspatialpyramidpooling-fast(SPPF)module,whichcompletesthefeaturefusionmoreefficientlyandspeedsu
7、pthenetworkoperation.Finally,thelabelsmoothingandcosineannealingdecayalgorithmsarecombined,andtheSigmoidweightedlinearunit(SiLU)activationfunctionisusedinthepathaggregationnetworkandpredictionlayertoreplacetheLeakyReLUactivationfunctioninstandardconvolution,whichismoreconducivetomodelconvergence,and
8、furtherimprovestheperformance.Theresultshowsthattheaccuracyofthemodelisincreasedto97.57%withoutincreasingtheamountofparameters,andtheframetransmissionratereaches42.4f/s,whichmeetstherequirementofreal-timedetection.Keywords:transmissionline;foreignobjectsdetection;YOLOv4;dataaugmentation;K-meansclust
9、ering;SPP;SiLU在电能传输过程中保障输电线路安全稳定高效运行具有重要意义1。近些年来，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，严重的甚收稿日期：20220414.网络出版日期：20230508.基金项目：贵州省科技计划项目（黔科合支撑 20202Y044）.作者简介：张秋雁，男，硕士.杨忠，男，教授，博士生导师.通信作者：杨忠，E-mail：YangZ.第50卷第4期应用科技Vol.50No.42023年7月AppliedScienceandTechnologyJul.2023至造成了跳闸事故，致使部分片区电力系统陷入瘫痪，因为输电线
10、路悬挂的异物会使电力线发生短路，放电距离缩短2。因此，采取措施来发现并清除这些异物具有重要意义。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鸟类在杆塔上搭建的巢穴。早期的清障任务由人工来完成，但有些异物位于比较偏远的地区，且多附着在高压线上，人工来清除这些输电线路异物存在极大的安全隐患，并且清除操作难度也很大。之后提出采用爬行机器人、无人机等方式清障。携带喷火装置的无人机3清理异物对操作人员的技术是一项挑战，突然急剧上升的温度会加速线路的劳损，影响输电效率。再后来提出用传统的人工特征提取方法识别出异物后采用物理抓取来清障：文献 4 通过检测输电导线外形轮廓判断异物存在与否；文献
11、5 通过梯度法获取电力线边缘，并选取霍夫变换累加器中局部极大值个数与最终检测到的线路数量作为异物特征向量来检测异物，检测效果受复杂背景、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6；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烦琐，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 2 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
12、代表是快速区域卷积神经网络（fasterregion-convolutionalneuralnetwork，FasterR-CNN）7。文献 8 采用图像合成技术扩充数据集，并采用 FasterR-CNN 实现输电线异物识别，但是该方法生成的数据集质量较差，模型训练效果不佳。沈茂东等6优化了候选框，设计了一种名为 TLFODNet 的网络结构，提高了模型性能，但最终的模型运算速度仍然很慢。而一阶段算法则通过神经网络训练后不产生候选框，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，这类算法的代表是一阶段多框检测（singleshotmultiboxdetector，SSD）9和 YOL
13、O1013系列算法。文献 14 改进了 YOLOv4 的特征金字塔和损失函数，改进的 YOLOv4 针对输电线路异物检测性能得到了提升。文献 15 将 Darknet-53 网络插入了 RepVGG 模块并添加了多尺度检测，提升了检测性能，但精度和速度仍然有限。YOLOv4 是目前的主流目标检测算法，具有较好的检测效果。它在初步特征提取网络采用 CSPDarkNet5316作为骨干网络，加强特征提取网络加入了空间金字塔池化(spatialpyramidpooling，SPP)17模 块 和 路 径 聚 合 网 络(pathaggregationnetwork，PAN)18模块，进一步提取有效特
14、征。由于本文构建的输电线路异物数据集大部分为小目标，且尺度上存在一定程度的扭曲，导致原先默认规范的尺度框无法完全准确标定异物目标，因此本文利用 K-means 聚类生成新的锚点框，提升模型鲁棒性；同时采用优化的快的空间金字塔池化（spatialpyramidpooling-fast，SPPF）模块替代原始的 SPP 模块，加快运行检测速度；最后引入在深层网络中更具优势的 SiLU 激活函数替换原始的全部激活函数，进一步提升了模型性能。1输电线异物数据集1.1数据集采集由于针对高压输电线路的异物检测没有公开数据集，因此本文自建了该类检测的数据集，主要通过网络采集图像、无人机拍摄、视频逐帧分解以及
15、 AdobePhotoshop（PS）技术等方式生成相关图像，图像背景基本都是高压输电线路场景。图 1 为构建数据集的流程。最终获得数据集共包含4579 张图片，分为 4 类，其中鸟巢 2541 张、气球704 张、风筝 691 张、垃圾 643 张。将数据集按照721 划分为训练集、验证集和测试集。训练集用于模型拟合样本；验证集用于验证模型拟合效果，从而调整超参数；测试集用于最终测试模型在该检测任务中的泛化性。随机选择 70%图像构成训练集随机选择 20%图像构成验证集随机选择 10%图像构成测试集网络搜索、无人机拍摄、视频逐帧分解1)图像扩充；2)图像标注；3)图像划分所有图像尺寸大小调整
16、为 416416图1构建数据集流程60应用科技第50卷1.2数据集标注本 文 数 据 集 采 用 Labelimg 标 注，得 到 的XML 文件记录了每张图片中异物种类、矩形框坐标，用于模型训练。1.3数据集在线增强由于模型对于数据量的需求极大，越多的数据投入生成的模型可获得的性能越好、泛化性越强。为了增大数据集规模，采用了多种数据增强方式，具体见表 1。考虑到部分图片背景涉及到电线杆塔，故不采用随机垂直翻转。表1在线数据增强方法方法选取图片方式或具体操作水平翻转随机选取50%图片色域变换随机调整图片色调、饱和度、明度随机缩放随机调整图片大小至0.252倍Mosaic操作所有图片2改进 YO
17、LOv4 异物检测算法2.1网络结构如图 2 所示，输入尺寸大小 416416 的图片，依次通过骨干网络、加强特征提取网络向检测头输出 1313、2626、5252 这 3 种不同尺度大小的特征层；参考 CSPNet 改进的 CSPDarkNet5319作为其骨干网络，使用 ResNet 的残差边思想修改了残差块 CSP-X，添加了一条大的残差边来保留浅层信息，其中 X 代表残差组件的数量。在骨干网络中使用 Mish20激活函数替代 LeakyReLU 激活函数，颈部部分设计了 SPP 空间金字塔池化模块和路径聚合网络来对不同尺度的信息进行提取和融合。最后通过探测头进行分类回归，输出检测结果。
18、CSPDarkNet5341641635252255262625513132553ConcatConcatConcatKernel=5Kernel=5Kernel=5MaxpoolConcatCBMCBMCBMCBMCBMCBMCBMSPPFCBSBNBNMishSiLUConvConvResunitResunitCBMX 个残差组件ConcatConcat5PANetYOLO Head55上采样上采样CBM CSP1CSP2CSP8CSP8CSP4CBSCBSCBSCBSCBSCBSCBSCBSCBSCBSCBS CONV5CBSCBSCBS CONVCONVCBSSPPF3CSP-=+=X
19、图2改进 YOLOv4 网络结构2.2训练技巧2.2.1Mosaic 数据增强YOLOv4 算法的数据增强方法除了采用了常规的随机水平翻转、缩放、色域变换等操作，还根据 Cutmix 的原理提出了一种 Mosaic 数据增强方式。其具体实施方法是从数据集中随机选取 4 张图片，将 4 张图片分别进行缩放，放置于 4 个不同方向对应的角落，空白区域用灰色填充，最后将其拼接在一起构成一张新图片，如图 3 所示。生成的新图片丰富了检测背景，同时由于采用了不同程度的缩放，加强了对小目标的检测。而我们的数据集中主要标注的为大目标，小目标样本匮乏，因此采取 Mosaic 数据增强十分必要，能使鲁棒性更好，
20、并且在批标准化的计算过程一次性计算 4 张 图 片，减 轻 了 图 像 处 理 单 元（graphicprocessingunit，GPU）的负担。图3图像缩放与图像拼接2.2.2标签平滑标签平滑采用惩罚机制。当分类过于准确时给予惩罚，避免模型过度自信，两端极值往中间靠一点，避免出现过拟合。训练数据的过程中，一方面考虑到准备的数据集并不算大，无法覆盖实际生活中的所有情况；另一方面数据集规模越大，越难以保证标注目标均正确，一旦标注错误，第4期张秋雁，等：基于改进 YOLOv4 算法的高压输电线路异物检测61会对模型的训练带来不利影响。因此，采用标签平滑技术训练出来的模型对于样本量不足和少量标注错
21、误都具有一定的“容忍度”，提高了模型的泛化性。策略公式为y=(1)y+cyyc式中：为标签平滑后的类别真实值标签；为标签平滑因子，用于控制标签平滑的程度；为类别真实值标签；为总类别数。采用标签平滑后，模型不仅要考虑训练样本中正确分类标签的类别损失，还会添加一个错误类别标签的损失，导致最终的类别损失增大、训练难度提升；因此改进模型要训练到原来模型的最低损失值，就需要学习训练得更好，加强模型的学习能力。为此设置了对比实验如表 2 所示，采用 YOLOv4 网络，仅调整标签平滑因子 的取值，其他训练参数不变。其中平均精度均值（meanaverageprecision，mAP）指标越高代表网络模型整体
22、的检测精度越高。由实验结果可知，标签平滑因子 取值为 0.005 时最合适。表2标签平滑因子取值对比实验mAP/%095.350.00596.340.01096.282.2.3余弦退火衰减在文献 21 中引入了余弦退火的学习率下降方式。在优化过程中，为了找到全局最优解，避免训练过程中梯度下降算法陷入局部最优，通过余弦退火衰减算法（图 4）在学习率下降到一定程度后，通过重启突然提高学习率跳出局部最优，重新去寻找全局最优解。给定一个较大的学习率后，学习率先缓慢下降然后加速下降，再缓慢下降，下降到一定程度后通过重启操作，学习率重新回到一个较大的值，再重复之前的学习率衰减方式，这种下降模式配合学习率能
23、产生较好学习效果。其实现方法为t=min+12(maxmin)(1+cos(TcurTi)tmaxminTcurTiTcur=Tit=minTcur=0t=max式中：为学习率，和分别为最大和最小学习率，为当前迭代次数，为第 i 轮的迭代次数。当时，表明已经迭代到最后一轮，此时 学 习 率 为 最 小 值；每 次 重 启 后 当时，学习率为最大值。00.20.40.60.81.01020学习率304050 迭代次数图4余弦退火衰减2.3K-means 聚类优化目标框原 模 型 采 用 的 3 种 尺 寸 的 锚 点 框 是 由COCO 数据集中 80 类目标聚类得到，参数具有普适性。但是本文构
24、建的输电线路异物数据集大部分均为小目标，且尺度上存在一定程度的扭曲等情况，导致原先默认的规范的尺度框无法完全准确标定异物目标，因此采用 K-means 聚类，对数据集不同尺寸大小目标进行聚类分析，通过生成的聚类来重新选择更合适的宽高尺寸。传统的 K-means 聚类通过计算两者之间的欧式距离来衡量2 个对象是否属于同一簇，但这么做存在的问题是当进行锚点计算时会促使大的边界框相应产生大的误差，因此本文通过采用计算聚类中心和异物目标的 IOU 值来衡量聚类结果：d(Bbox,Ccentroid)=1IOU(Bbox,Ccentroid)BboxCcentroid式中：为聚类框，为簇中心框，IOU
25、代表两者之间的交并比。最终通过聚类生成的锚点框如表 3 所示，并给出了不同锚点框的 mAP。表3不同大小锚点框锚点框选取小尺寸中尺寸大尺寸mAP/%COCO聚类锚点框（原始）(12,16),(19,36),(40,28)(36,75),(76,55),(72,146)(142,110),(192,243),(459,401)96.34异物数据集聚类锚点框(14,24),(24,33),(32,48)(37,86),(52,31),(55,99)(57,64),(80,85),(132,167)95.78最终锚点框(14,24),(24,33),(32,48)(37,86),(52,31),(5
26、5,99)(142,110),(192,243),(459,401)97.06由于本文数据集大部分标记框大小接近，尺寸比较集中，因此通过 K-means 聚类算法产生的锚点框也较为集中，从大、中、小尺寸对应的锚点框大小就可以看出来其相差并不大，而这也无法体现模型在多尺度输出的优势。进一步分析发现，数据集中标注框尺寸也有较多比得到的锚点62应用科技第50卷框尺寸要大，这样在训练时对模型的要求也更高，那么最终得到的输出也会因为这些误差而使损失值更大。因此考虑到本文目标多为小中尺寸，因此采用 K-means 聚类后生成的小中尺寸的锚点框，保留原始大尺寸的锚点框，构成最终的9 组锚点框。由表 3 数据
27、看到测精度得到明显提升，证明了该方法的可行性。2.4优化的 SPPF 模块原始的 SPP 是使用不同尺寸的池化核对卷积后的输出进行最大池化，从而产生不同尺度的更大的感受野，获得的上下层特征更显著，从而能提取出更丰富的图像特征。输入并行通过 4 条支路，分别对应于最大池化核 1、3、9 和 13，然后拼接在一起进一步融合，能在一定程度上解决目标多尺度问题。如图 5 所示，本文设计了 SPPF 模块来代替原始的 SPP 模块。SPPF 模块设置了 1 条主线通道，将输入串行通过多个 55 池化核。第 1 条支路直接连接到输出，相当于 1 个 11 大小的池化核；第 2 条支路经过了 1 个 55
28、的卷积核，再连接到输出；第 3 条支路通过 2 个 55 的池化核，再连接到输出，其中 2 个 55 池化核可达到 1 个 99 池化核的效果；最后一条支路通过 3 个 55 的池化核，再连接到输出，3 个 55 的池化核可发挥 1 个1313 池化核的效果。最终将 4 条支路的输出堆叠起来，实际的池化效果与原先的 SPP 模块相同，但实现更高效。每当需要进入下一个最大池化核时，前一个池化核已经提前完成了部分池化操作，因此可以节省时间。改进后的 SPPF 模块在发挥同等作用的前提下实现了更高的效率，可以将运算速度提高 2 倍，加快模型的收敛。2.5SiLU 激活函数原模型在路径聚合网络和预测层
29、部分采用的激活函数为 LeakyReLU，其公式如下：f(x)=x,x 00.1x,x 0 x 0原 模 型 中 当时，系 数 设 置 为 0.1，而ReLU 激活函数在取值为负时梯度为 0，LeakyReLU 为了保证输入信息小于 0 时不会完全丢失，设置了一个较小的梯度，但是该函数曲线不够平滑。而本文采用的 Sigmoid 加权线性单元（Sigmoidweightedlinearunit，SiLU)激活函数是 Swish22激活函数的特例，表达式为f(x)=xsigmoid(x)(1)式（1）对应的曲线如图 6 所示，可以看出曲线相当平滑，无上界有下界，并且是非单调的，对性能可以发挥有利作
30、用，效果相较 LeakyReLU 函数更好，特别是在深层网络中优势更加明显。10.07.5 5.0 2.5022468102.5 5.0 7.5 10.0图6SiLU 激活函数3模型训练与结果分析3.1实验环境本 文 实 验 平 台 的 配 置 如 下。操 作 系 统：Windows 10；中 央 处 理 器：Intel Core i7-8700K，3.6 GHz；内 存：32 GB；图 像 处 理 器：NVIDIAGeForceTitanXp，12GB；图 像 处 理 器 加 速 库：CUDA11.1，cudnn8.0；深度学习框架：Pytorch。3.2实验参数输入尺寸大小为 416416
31、，批处理大小为 8，初始学习率设置为 0.001，之后采用余弦退火衰减算法阶段性改变当前学习率，平滑标签大小设置为 0.005，迭代训练 100 个世代。3.3损失函数及其变化曲线本文在自建数据集的基础上分别训练了原始YOLOv4 模型以及叠加了不同改进后的 YOLOv4模型，图 7 给出不同训练条件下的损失曲线。从图 7 中可以看出，改进后的模型拥有更快的收敛速度和更好的鲁棒性，同时最终的损失值更低。最大池化拼接拼接最大池化卷积核=13卷积核=9卷积核=5=卷积核=5SPPFSPP卷积核=5卷积核=5图5SPP 模块和 SPPF 模块第4期张秋雁，等：基于改进 YOLOv4 算法的高压输电线
32、路异物检测633.4实验结果及分析3.4.1消融实验性能指标以 mAP、帧率和存储空间为代表，最终结果如表 4 所示。文中选择的基准模型为目前主流的目标检测模型 YOLOv4，采用 K-means聚类后模型获得了更合适的锚点框，mAP 提高了0.72%，锚点框的改动不改变模型参数，因此模型速度保持不变；之后采用 SPPF 模块用于提升SPP 部分池化效率，增强模型特征提取能力，mAP 提升了 0.4%，并且帧率也相应提高了 0.3；最后通过改变路径聚合网络部分和预测层部分的激活函数，采用更先进的 SiLU 激活函数，在模型速度不变的情况下精度再次提升了 0.11%。整个YOLOv4 模型改进的
33、过程中，可以发现模型在不增加参数量的情况下，精度得到了逐步地提升，且速度并没有减慢，满足实际工业场景中对于实时性的要求。表4改进 YOLOv4 的消融实验算法mAP/%帧率/(f/s)YOLOv496.3442.1YOLOv4+K-means97.0642.1YOLOv4+K-means+SPPF97.4642.4YOLOv4+K-means+SPPF+SiLU97.5742.43.4.2对比实验除了设置消融实验，本文还与该类算法同属一个系列的 YOLOv5 模型进行对比实验，其中YOLOv5 选取的是精度最高的 x 版本。精度对比如表5 所示，由表5 可知，原版YOLOv4 与YOLOv5在
34、精度上都不如本文提出的模型，且 YOLOv5 的帧率较低，不过 YOLOv5 内存占用相对较少。其中 YOLOv4 在风筝和垃圾 2 类异物的检测中平均精度（averageprecision，AP）相对较低，YOLOv5 在风筝这类样本的学习中 AP 较差，而本文模型的改进使得 4 类目标的检测精度都得到了一定程度的提升，且速度和内存占用不因精度提升而受到影响。表5不同算法对比实验算法骨干网络尺寸AP/%mAP/%帧率/(f/s)存储空间/MB气球风筝鸟巢垃圾YOLOv4CSPDarkNet5341697.0595.1398.8494.3696.3442.1244.0YOLOv5-x改进CSP
35、Net64088.1094.4098.6096.9094.5026.9175.1改进YOLOv4CSPDarkNet5341698.4696.7099.2195.9097.5742.4244.03.4.3检测效果对比为了比较 3 种算法实际检测效果，随机选取了 2 张输电线路缠绕异物的图片进行测试，检测效果如图 8 所示。由图 8 可以看出，第 1 个场景下原模型 YOLOv4 算法存在漏检，第 2 个场景下原 模 型 YOLOv4 算 法 检 测 的 置 信 度 仅 为 0.57，YOLOv5-x 算法模型检测出了异物且取得了不错的效果，但文中改进的 YOLOv4 算法模型的检测效果最佳，以
36、极高的置信度框选出了输电线路上的异物。一方面说明本模型提升了在复杂背景下的适应性，另一方面说明改进后的模型精度得到了显著提升。损失值0246810121416182040YOLOv46080100YOLOv4+K-means+SPPF+SiLUYOLOv4+K-means+SPPFYOLOv4+K-means世代图7模型不同训练条件下的损失曲线YOLOv4YOLOv5(a)场景 1(b)场景 2改进 YOLOv4YOLOv4 YOLOv5改进 YOLOv4图8检测效果对比64应用科技第50卷4结论本文针对输电线路上的异物检测，研究了基于改进 YOLOv4 算法的实时检测模型。1）为了提升模型的
37、精度，改进了针对自建数据集生成的锚点框，改进了空间金字塔池化层，优化了模型的激活函数。改进后的模型在不增加模型原有参数量的条件下，检测精度得到了提升，速度几乎不变，可以满足实时检测的要求。2）自建数据集用于模型的训练与验证，最终训练出的模型能较好地检测出输电线路上存在的各类异物，但由于异物种类和尺寸的特殊性以及图片像素问题，仍存在一定的漏检情况。之后可不断扩充数据集，增强模型泛化性，以适应更多变的情况。未来工作可以继续细分异物数据集检测的类别，以便于工作人员针对不同种类异物采用不同清障方法。参考文献：邓益民,汤智谦,李红兵,等.基于 LOD 的大规模输电线路场景实时渲染算法优化 J.计算机与现
38、代化,2017(1):115118.1KATRASNIK J,PERNUS F,LIKAR B.A survey ofmobile robots for distribution power line inspection J.2009,25(1):485493.2胡敬波,崔健.多旋翼无人机输电线路飘挂物清障技术概述 J.电子世界,2019(13):4849.3CAIW,LEJ,JINC,etal.Real-timeimage-identification-based anti-manmade misoperation system for substationsJ.IEEE transact
39、ions on power delivery,2012,27(4):17481754.4ISHINOR,TSUTSUMIFJT,WORLDD.CRIEPIsaerialinspectionoftransmissionconductorJ.Transmissionanddistributionworld,2004,56(12):52,5455.5沈茂东,裴健,付新阳,等.一种新的输电线路异物检测网络结构TLFODNetJ.计算机与现代化,2019(2):118122.6RENShaoqing,HEKaiming,GIRSHICKR,etal.FasterR-CNN:towards real-ti
40、me object detection with regionproposalnetworksJ.IEEEtransactionsonpatternanalysisandmachineintelligence,2017,39(6):11371149.7FAN Wen,LIAO Yuan.Wide area measurements basedfaultdetectionandlocationmethodfortransmissionlinesJ.Protection and control of modern power systems,2019,4(1):112.8LIUW,ANGUELOV
41、D,ERHAND,etal.Ssd:Singleshotmultibox detectorC/14th European Conference onComputer Vision ECCV 2016.Amsterdam:SpringerInternationalPublishing,2016:2137.9BOCHKOVSKIYA,WANGCY,MARKLIAOHY.YOLOv4:optimal speed and accuracy of objectdetectionEB/OL.(20210530)20220105.https:/doi.org/10.48550/arXiv.2004.1093
42、4.10REDMONJ,DIVVALAS,GIRSHICKR,etal.Youonlylook once:unified,real-time object detectionC/2016IEEE Conference on Computer Vision and PatternRecognition.LasVegas:IEEE,2016:779788.11REDMON J,FARHADI A.YOLO9000:better,faster,strongerC/2017IEEEConferenceonComputerVisionandPatternRecognition.Honolulu:IEEE
43、,2017:65176525.12REDMON J,FARHADI A.YOLOv3:An incrementalimprovementEB/OL.(20201025)20220106.https:/arxiv.org/abs/1804.02767.13唐翔翔,沈薇,朱明,等.基于改进 YOLOv4 的输电线路异物检测算法 J.安徽大学学报(自然科学版),2021,45(5):5863.14周豪.电力输电线路异物检测方法研究D.重庆:重庆理工大学,2021.15WANGCY,LIAOHYM,WUYH,etal.CSPNet:Anew backbone that can enhance lear
44、ning capability ofCNNC/ProceedingsoftheIEEE/CVFConferenceonComputer Vision and Pattern Recognition Workshops.LongBeach:IEEE,2020:390391.16HE Kaiming,ZHANG Xiangyu,REN Shaoqing,et al.SpatialpyramidpoolingindeepconvolutionalnetworksforvisualrecognitionJ.IEEETransactionsonPatternAnalysisandMachineIntel
45、ligence,2015,37(9):19041916.17LIU Shu,QI Lu,QIN Haifang,et al.Path aggregationnetworkforinstancesegmentationC/ProceedingsoftheIEEE Conference on Computer Vision and PatternRecognition.SaltLakeCity:IEEE,2018:87598768.18朱傥,杨忠,周国兴,等.一种轻量化网络的火焰烟雾检测算法 J.应用科技,2022,49(2):17.19MISRAD.Mish:Aselfregularizedno
46、nmonotonicneuralactivationfunctionEB/OL.(2019823)20220113.https:/doi.org/10.48550/arXiv.1908.08681.20LOSHCHILOVI,HUTTERF.Sgdr:StochasticgradientdescentwithwarmrestartsEB/OL.(2016813)20220115.https:/doi.org/10.48550/arXiv.1608.03983.21RAMACHANDRANP,ZOPHB,LEQV.SearchingforactivationfunctionsEB/OL.(201
47、71116)20220115.https:/doi.org/10.48550/arXiv.1710.05941.22本文引用格式：张秋雁,朱傥,肖书舟,等.基于改进 YOLOv4 算法的高压输电线路异物检测 J.应用科技,2023,50(4):5965.ZHANGQiuyan,ZHUTang,XIAOShuzhou,etal.ForeignobjectdetectionofhighvoltagetransmissionlinebasedonimprovedYOLOv4algorithmJ.Appliedscienceandtechnology,2023,50(4):5965.第4期张秋雁，等：基于改进 YOLOv4 算法的高压输电线路异物检测65
