514 工程科学学报，第42卷，第4期 表3所示.根据实际场景的需要，综合检测准确率 和效率，选择480×480像素作为最终的图像输入 尺寸 表3不同输入图像尺寸的比较 Table 3 Comparison of different image scales Image scales Precision/% Recall/% Efficiency/ms 240×240 64.71 59.32 30.75 320×320 68.55 64.08 39.65 416×416 80.24 81.46 47.39 480×480 95.19 92.40 51.63 图6实地部署检测效果 640x640 92.10 95.14 185.19 Fig.6 Detection result in field deployment 960x960 95.14 95.72 486.49 于距离较远的目标也具有较高的准确性 3.4与其他轻量级目标检测方法的比较 4 结论与展望 为了测试TATLNet的性能，将其与未经压缩 的TATLNet、.MobileNet和ShuffleNet进行了对比 针对输电场景中的大型机械检测问题，本文 实验，实验结果如表4所示.可以看出，经过压缩 以一种新的输电线路威胁检测网络TATLNet为主 以后的TATLNet在准确率损失可控的情况下实现 体提出了一种基于深度学习的输电线路威胁报警 了检测速度的大幅提升.跟其他轻量级目标检测 方法.通过一系列实验证明了TATLNet在对大型 算法相比，无论是检测准确率还是检测效率，压缩 入侵机械上的优越性，并测试了不同的检测策略 后的TATLNet都要更胜一筹 及超参数对检测准确率和效率的影响，实现了输 电场景下大型机械入侵检测的优化研究.主要结 表4与其他方法的比较 论为： Table 4 Comparison with other methods (1)以传统几何变换与GAN相结合的方式进 Methods Precision/%Recall/%Efficiency/ms 行数据增强，在此情境下可以获得最高的准确率 TATLNet 94.68 92.40 51.63 增益 MobileNet 88.35 82.47 67.48 (2)采用模型压缩策略可以在不大量损失准 ShuffleNet 83.65 84.91 58.78 确率的前提下实现检测速度的大幅提升 Uncompressed TATLNet 95.19 93.15 253.64 (3)以准确率、召回率和检测效率作为评价指 标，对网格划分策略以及输入图像尺寸进行比较， 3.5现场部署分析 在将图片划分为9×9时各项指标达到最优，图像 为了测试方法性能，在宁夏省银川市进行了 输入尺寸在480×480像素时准确率和效率达到最 现场部署测试.现场使用的摄像机为HIKVISION 佳平衡 DS-2CD3T25D-I5,安装在50个输电塔35~40m的 (4)通过跟其他检测方法的对比实验以及现 高度，采集到的图像尺寸为1920×1080像素，计算 场部署结果表明，该方法在准确率和效率上都要 平台为NVIDIA Tegra X2,生成的识别结果示例如 优于已有算法，具有较强的可用性、实时性和健 图6所示，在一个月中的报警数据如表5所示 壮性 从中可以看出，该方法可以有效地检测出摄 在实际应用中发现了新的业务优化需求，由 像头监控范围内入侵的吊车等大型机械，并且对 于该方法检测图像中的所有大型机械并发出提 表5现场部署检测统计 Table 5 Detection statistics in field deployment Alarms Actual number of intrusions Correct alarms Precision/% Recall/% Efficiency/ms 79 76 74 93.67 97.37 96.10表 3 所示. 根据实际场景的需要，综合检测准确率 和效率，选择 480×480 像素作为最终的图像输入 尺寸. 3.4    与其他轻量级目标检测方法的比较 为了测试 TATLNet 的性能，将其与未经压缩 的 TATLNet、MobileNet 和 ShuffleNet 进行了对比 实验，实验结果如表 4 所示. 可以看出，经过压缩 以后的 TATLNet 在准确率损失可控的情况下实现 了检测速度的大幅提升. 跟其他轻量级目标检测 算法相比，无论是检测准确率还是检测效率，压缩 后的 TATLNet 都要更胜一筹. 3.5    现场部署分析 为了测试方法性能，在宁夏省银川市进行了 现场部署测试. 现场使用的摄像机为 HIKVISION DS-2CD3T25D-I5，安装在 50 个输电塔 35～40 m 的 高度，采集到的图像尺寸为 1920×1080 像素，计算 平台为 NVIDIA Tegra X2，生成的识别结果示例如 图 6 所示，在一个月中的报警数据如表 5 所示. 从中可以看出，该方法可以有效地检测出摄 像头监控范围内入侵的吊车等大型机械，并且对 于距离较远的目标也具有较高的准确性. 4    结论与展望 针对输电场景中的大型机械检测问题，本文 以一种新的输电线路威胁检测网络 TATLNet 为主 体提出了一种基于深度学习的输电线路威胁报警 方法. 通过一系列实验证明了 TATLNet 在对大型 入侵机械上的优越性，并测试了不同的检测策略 及超参数对检测准确率和效率的影响，实现了输 电场景下大型机械入侵检测的优化研究. 主要结 论为： （1）以传统几何变换与 GAN 相结合的方式进 行数据增强，在此情境下可以获得最高的准确率 增益. （2）采用模型压缩策略可以在不大量损失准 确率的前提下实现检测速度的大幅提升. （3）以准确率、召回率和检测效率作为评价指 标，对网格划分策略以及输入图像尺寸进行比较， 在将图片划分为 9×9 时各项指标达到最优，图像 输入尺寸在 480×480 像素时准确率和效率达到最 佳平衡. （4）通过跟其他检测方法的对比实验以及现 场部署结果表明，该方法在准确率和效率上都要 优于已有算法，具有较强的可用性、实时性和健 壮性. 在实际应用中发现了新的业务优化需求，由 于该方法检测图像中的所有大型机械并发出提 表 3    不同输入图像尺寸的比较 Table 3    Comparison of different image scales Image scales Precision/% Recall/% Efficiency/ms 240×240 64.71 59.32 30.75 320×320 68.55 64.08 39.65 416×416 80.24 81.46 47.39 480×480 95.19 92.40 51.63 640×640 92.10 95.14 185.19 960×960 95.14 95.72 486.49 表 4    与其他方法的比较 Table 4    Comparison with other methods Methods Precision/% Recall/% Efficiency/ms TATLNet 94.68 92.40 51.63 MobileNet 88.35 82.47 67.48 ShuffleNet 83.65 84.91 58.78 Uncompressed TATLNet 95.19 93.15 253.64 表 5 现场部署检测统计 Table 5 Detection statistics in field deployment Alarms Actual number of intrusions Correct alarms Precision/% Recall/% Efficiency/ms 79 76 74 93.67 97.37 96.10 图 6    实地部署检测效果 Fig.6    Detection result in field deployment · 514 · 工程科学学报，第 42 卷，第 4 期