510 工程科学学报，第42卷，第4期 research results are sufficient.With increase in the number of grids,the accuracy and recall first increase and then decrease,whereas,the detection efficiency decreases rapidly with increase in the number of grids.Considering the detection accuracy and reasoning speed,9x 9 is the optimal division strategy.With the increase in the input image resolution,the detection accuracy increases steadily and detection efficiency decreases gradually.To balance the detection accuracy and inference efficiency,480 x 480 is selected as the final image input resolution.Experimental results and field deployment demonstrate that compared with other lightweight object detection algorithms,this method has better accuracy and efficiency in large-scale machinery invasion detection such as cranes in transmission fields,and meets the demands of practical applications KEY WORDS deep learning;threat detection;feature sharing;transmission scene;lightweight network 输电线路的安全对国家的发展至关重要，由 像进行分析.文献[]中，摄像头拍摄监控区域图 于吊车等大型机械运作时的高度跟输电线路的高 像，通过对大型运动目标进行实时匹配，来确定运 度比较接近甚至更高，当这些设备在输电线附近 动目标与输电线路的位置和距离.文献[8]中，应 进行作业时会对输电线路的安全造成威胁.因此， 用红外滤片式自动切换网络摄像机，对监控区域 设计一种能够对输电线路威胁进行自动报警的方 进行24h全天候监控，并将图像上传至服务器，在 法显得十分必要山 服务器中应用混合高斯背景建模实现对大型机械 国家电网在输电塔上配备了图像抓拍设备， 入侵的定向识别 但目前其供电方式为太阳能充电，能够提供的功 1.2深度学习 率较小并且难以支撑监控设备的长时间运行.因 自从Hinton等9在2012年提出深度学习的概念， 此，对输电线路进行全天候监控并利用常规深度 深度学习便逐渐取代了传统的检测算法而成为目 学习目标检测的方式来进行报警变得不再可行 标检测领域的主流方法.近年来深度学习的发展 针对以上问题，本文提出了一种基于TATLNet的 为输电线路威胁报警提供了新的方案，卷积神经 输电线路威胁报警方法，该方法通过红外传感器 网络对于目标的几何变换、光照等因素适应性较 来对过往的大型设备进行监控，当检测到大型机 强，有效克服了目标外观的多样性带来的识别阻 械时再唤醒系统加以分析以减少能耗.利用本文 力.它可以根据输入到网络的数据而自动生成相 提出的一种新的输电线路威胁检测网络TATLNet, 应的特征描述，具有较高的灵活性和普适性0-1) 并用通道剪枝的策略来对模型进行压缩)，提高 目前图像中的目标检测主要分为单步检测方 检测速度，使之可以在轻量级计算平台上运行.同 法和两步检测方法两种.其中，单步检测方法包 时，由于可以采集到的吊车、起重机等大型机械入 SSD(Single shot multibox detector),YOLO(You 侵图像较少，采用传统图像几何变换与GAN阿 only look once)和CornerNet(基于角点的目标检测 (Generative adversarial network.对抗生成网络)相 神经网络)等4-1(，两步检测方法包括如R-CNN 结合的方式来对数据集进行数据增强 (Region-CNN)、Fast R-CNN、Faster R-CNN和Mask 该方法的贡献主要有以下几点： R-CNN等7-20单步检测方法直接在图像上经过计 (1)解决了如何在无人值守的情况下对入侵 算生成检测结果；两步检测方法先在图像上提取 输电场地的吊车等大型机械进行报警的难题； 候选区域，再基于候选区域进行特征提取，然后在 (2)针对低能耗计算平台的限制以及入侵输 图像中进行预测.相对来说单步检测方法速度快， 电场地机械在图像中的特点，设计了一种新的端 准确率略低：而两步检测方法准确率高，速度略 到端输电线路威胁检测网络TATLNet; 慢.但是因为输电塔上的设备由太阳能电池供电， (3)提出了目标检测的一个新思路，即将大多 摄像头无法全天开启并且难以支撑大型计算平台 数计算用于提出更精确的候选区域，并针对具有 的运行，因此上述传统目标检测方法在此场景下 较高准确率的候选区域设计较小的分类网络 并不适用.而最近新提出的YOLO-Lite、MobileNet 和ShuffleNet等轻型网络结构-2)，尽管在速度和 1相关研究 体积上有了极大的提升，但因此产生的准确率损 1.1 输电线路监控 失使得其难以在此场景下满足检测要求 目前对输电线路威胁的监控大多通过采集监 综上所述，将深度学习用于输电场景的威胁 控图像，并利用图像匹配或者深度学习方法对图 报警是当前的一个研究趋势.目前常规的深度学research results are sufficient. With increase in the number of grids, the accuracy and recall first increase and then decrease, whereas, the detection efficiency decreases rapidly with increase in the number of grids. Considering the detection accuracy and reasoning speed, 9 × 9 is the optimal division strategy. With the increase in the input image resolution, the detection accuracy increases steadily and detection efficiency decreases gradually. To balance the detection accuracy and inference efficiency, 480 × 480 is selected as the final image input resolution. Experimental results and field deployment demonstrate that compared with other lightweight object detection algorithms, this method has better accuracy and efficiency in large-scale machinery invasion detection such as cranes in transmission fields, and meets the demands of practical applications. KEY WORDS    deep learning；threat detection；feature sharing；transmission scene；lightweight network 输电线路的安全对国家的发展至关重要，由 于吊车等大型机械运作时的高度跟输电线路的高 度比较接近甚至更高，当这些设备在输电线附近 进行作业时会对输电线路的安全造成威胁. 因此， 设计一种能够对输电线路威胁进行自动报警的方 法显得十分必要[1] . 国家电网在输电塔上配备了图像抓拍设备， 但目前其供电方式为太阳能充电，能够提供的功 率较小并且难以支撑监控设备的长时间运行. 因 此，对输电线路进行全天候监控并利用常规深度 学习目标检测的方式来进行报警变得不再可行. 针对以上问题，本文提出了一种基于 TATLNet 的 输电线路威胁报警方法，该方法通过红外传感器 来对过往的大型设备进行监控[2] ，当检测到大型机 械时再唤醒系统加以分析以减少能耗. 利用本文 提出的一种新的输电线路威胁检测网络 TATLNet， 并用通道剪枝的策略来对模型进行压缩[3−5] ，提高 检测速度，使之可以在轻量级计算平台上运行. 同 时，由于可以采集到的吊车、起重机等大型机械入 侵图像较少 ，采用传统图像几何变换 与 GAN[6] （Generative adversarial network，对抗生成网络）相 结合的方式来对数据集进行数据增强. 该方法的贡献主要有以下几点： （1）解决了如何在无人值守的情况下对入侵 输电场地的吊车等大型机械进行报警的难题； （2）针对低能耗计算平台的限制以及入侵输 电场地机械在图像中的特点，设计了一种新的端 到端输电线路威胁检测网络 TATLNet； （3）提出了目标检测的一个新思路，即将大多 数计算用于提出更精确的候选区域，并针对具有 较高准确率的候选区域设计较小的分类网络. 1    相关研究 1.1    输电线路监控 目前对输电线路威胁的监控大多通过采集监 控图像，并利用图像匹配或者深度学习方法对图 像进行分析. 文献 [7] 中，摄像头拍摄监控区域图 像，通过对大型运动目标进行实时匹配，来确定运 动目标与输电线路的位置和距离. 文献 [8] 中，应 用红外滤片式自动切换网络摄像机，对监控区域 进行 24 h 全天候监控，并将图像上传至服务器，在 服务器中应用混合高斯背景建模实现对大型机械 入侵的定向识别. 1.2    深度学习 自从 Hinton 等[9] 在 2012 年提出深度学习的概念， 深度学习便逐渐取代了传统的检测算法而成为目 标检测领域的主流方法. 近年来深度学习的发展 为输电线路威胁报警提供了新的方案，卷积神经 网络对于目标的几何变换、光照等因素适应性较 强，有效克服了目标外观的多样性带来的识别阻 力. 它可以根据输入到网络的数据而自动生成相 应的特征描述，具有较高的灵活性和普适性[10−13] . 目前图像中的目标检测主要分为单步检测方 法和两步检测方法两种. 其中，单步检测方法包 括 SSD（Single shot multibox detector） 、YOLO（You only look once）和 CornerNet（基于角点的目标检测 神经网络）等[14−16] ；两步检测方法包括如 R-CNN （Region-CNN）、Fast R-CNN、Faster R-CNN 和 Mask R-CNN 等[17−20] . 单步检测方法直接在图像上经过计 算生成检测结果；两步检测方法先在图像上提取 候选区域，再基于候选区域进行特征提取，然后在 图像中进行预测. 相对来说单步检测方法速度快， 准确率略低；而两步检测方法准确率高，速度略 慢. 但是因为输电塔上的设备由太阳能电池供电， 摄像头无法全天开启并且难以支撑大型计算平台 的运行，因此上述传统目标检测方法在此场景下 并不适用. 而最近新提出的 YOLO-Lite、MobileNet 和 ShuffleNet 等轻型网络结构[21−23] ，尽管在速度和 体积上有了极大的提升，但因此产生的准确率损 失使得其难以在此场景下满足检测要求. 综上所述，将深度学习用于输电场景的威胁 报警是当前的一个研究趋势. 目前常规的深度学 · 510 · 工程科学学报，第 42 卷，第 4 期