基于改进YOLOv3的输电线路部件实时检测.pdf

针对基于深度学习的目标检测技术应用于工业领域无法在移动端嵌人式设备上实现高效且准确的检测这一问题，提出一种基于YOLOv3改进的输电线路部件实时检测算法轻量级特征融合检测模型LFF-DM（Li g h t w e i g h tFeature Fusion Detection Model）。一方面通过改进式的K-means算法得到聚类结果;另一方面结合深度可分离卷积和倒残差块设计出轻量化的网络结构。通过在自建的包含绝缘子、悬垂线夹、防震锤、鸟巢与导地线的专业巡检数据集上进行实验，结果表明在NVIDIAJetsonAGXXavier设备上可以实现2 5FPS的检测速度及9 0.48%mAP的检测精度，适用于输电线路移动端实时精确巡检。关键词：深度学习；目标检测；输电线路；YOLOv3;轻量化；移动端D0I:10.19753/j.issn1001-1390.2023.07.021中图分类号：TM93Real-time detection of transmission line components based on improved YOLOv3Lu Zhibo,Xu Chengyu,Yang Gang,Jude Michael Akotonou,Zhang Xingzhong(1.School of Software,Taiyuan University of Technology,Jinzhong 030600,Shanxi,China.2.Internet Department,State Grid Shanxi Electric Power Company,Taiyuan 030021,China.3.Electric Power Research Institute of State Grid Shanxi Electric Power Company,Taiyuan 030001,China)Abstract:Aiming at the problem that the object detection technology based on deep learning cannot be applied in the in-dustrial field to realize efficient and accurate detection on mobile embedded devices,a lightweight feature fusion detectionmodel(LFF-DM)for real-time detection of transmission line components based on improved YOLOv3 is proposed in thispaper.On the one hand,the clustering results are obtained by the improved K-means algorithm;on the other hand,alightweight network structure is designed by combining depth separable convolution and inverted residuals.Experimentsare carried out on the self-built professional inspection data set including insulator,overhanging wire clip,anti-vibrationhammer,birds nest,and ground guidewire,and the results show that the detection speed of 25 FPS and the detection ac-curacy of 90.48%mAP can be achieved on NVIDIA Jetson AGX Xavier equipment,which is suitable for real-time accu-rate inspection of transmission line mobile terminal.Keywords:deep learning,object detection,transmission lines,YOLOv3,lightweight,mobile terminal0引言近年来我国电网规模不断扩大给线路巡检作业带来更高的压力。在此背景下,国家电网不断寻求更高效的巡检方式。2014 年以来，以R-CNNL1为代表的基于卷积神经网络的目标检测技术逐渐成为主流并不断发展，后续的Fast R-CNN2-3 等在检测精度上不断拔高，直到YO-LO系列 4-6 及SSD7 等兼顾检测精度与检测速度的端到端目标检测算法出现，使得其应用于工业领域真正基金项目：山西省重点研发计划项目（2 0 18 0 3D31041）；国网山西省电力公司科技项目（52 0 530 17 0 0 0 N，52 0 5B0 18 0 0 C4）一138 一文献标识码：A文章编号：10 0 1-139 0(2 0 2 3)0 7-0 138-0 7成为可能。在电力巡检领域，也出现了许多应用研究并取得不菲的研究成果,文献8 使用改进的SSD算法对输电线路上11类金具的检测准确率达到75.64%;文献 9 基于YOLOv3提出一种分解聚合检测算法，显著提高了对输电线路上绝缘子的检测效果；文献 10 使用FasterR-CNN分别对销钉脱落故障及正常销钉达到了9 6%与9 8%的检测精度；文献 11 结合卷积神经网络与小波分解对绝缘子故障的分类准确率达到9 8%。上述研究的实现主要是基于复杂的模型结构及对服务器巨大算力的依赖，无法移植到移动端边缘嵌入式设备上实现实时精确检测，落地应用中形成第6 0 卷第7 期2023年7 月15日的仍是前后端分离的巡检方式。近年来具有边缘计算能力的嵌入式平台不断发展，为输电线路巡检前后端合并提供了可能。文章面向输电线路无人机前端实时巡检的发展方向，提出一种基于改进YOLOv3的输电线路部件检测算法LFF-DM。实验结果表明该算法可移植于嵌人式设备NVIDIAJetsonAGXXavier，通过无人机搭载的方式实现输电线路高效巡检。1YOLO目标检测算法YOLO算法开创性地将目标检测作为回归问题来处理。如图1所示，YOLO算法将整幅图片划分为SS的网格,如果一个目标物体的中点落于某个网格内，那么这个网格就负责检测该目标物体。每个网格均预测B个bounding boxes,最后通过非极大值抑制进行过滤，得到最终的输出。电测与仪表Electrical Measurement&Instrumentation构导致其不宜移植到算力受限的移动端设备这一问题进行改进。2数据集文章面向绝缘子、悬垂线夹、防震锤、鸟巢和导地线这五类待检测目标开展研究，从国家电网公司的某巡检单位提供的10 0 0 0 张输电线路无人机巡检图片中整理出419 7 张图片作为实验数据集，各类待检测目标如图2 所示。绝缘子(a）绝缘子Vol.60 No.7Jul.15,2023悬垂线夹(b）悬垂线夹防震锤导地线(c）鸟巢图2 待检测目标示意图图1YOLO检测过程示意图Fig.2 Schematic diagram of target to be detectedFig.1 Schematic diagram of YOLO detection对419 7 数据集使用Labellmg工具标注各待检测YOLOv1中条件类别概率属于网格，一个网格的目标，共计得到419 7 个xml文件，包含绝缘子区域2个预测框共享条件类别概率,最终只能得到一个输6033个、悬垂线夹区域459 8 个、防震锤区域6 9 0 6 个、出，这在很大程度上影响了算法对小目标及密集目标鸟巢区域59 8 个与导地线区域112 0 个。将数据集按群的检测效果,且单一的7 7 网格划分导致目标定照训练集：验证集：测试集为7：2：1的比例进行划分，位不精确。后续的YOLOv2开始条件类别概率属于表1展示了各部分样本分布情况，可知各类别自身的预测框，并提出了一系列优化方式，如添加BN12层，bbox数量也基本按照7:2:1的比例均匀分布。使用更高分辨率的图片进行训练，引人anchorbox并使用维度聚类,直接预测坐标而不是预测 offset,使用浅层的细粒度特征与深层的特征进行融合，多尺度训练，使用新的网络结构Darknet-19等，同时提高了检测精度与速度，但对较小目标的检测效果仍然存在缺陷。YOLOv3在YOLOv2的基础上进一步改进，借鉴ResNet13的思想将网络扩展到更深的层次,使用新的基础网络Darknet-53来提取到更深层的高级特征。为防止网络过深，借鉴FPN14-15】及YOLOv2中融合细粒度特征方式，融合不同层次的特征后进行检测。为兼顾大中小不同尺寸物体的检测，采用三个尺度同时进行检测。YOLOv3是一种在检测精度与速度上双赢的目标检测算法，应用于工业领域具有极大的可行性。故文章在其基础上展开研究，针对YOLOv3庞大的网络结（d）防震锤与导地线表1各待检测目标样本分布情况Tab.1Sample distribution of each target to be detectedTrain(3 022)总(419 7)image2.301绝缘子bbox悬垂image线夹bboximage防震锤bboximage鸟巢bboximage导地线bbox4197数据集中共含有待检测目标区域19 2 55个，一 139 一Val(755)Test(420)560315439510711 1362753 3927921 50038349451 294419924449677720878621231765676 0331501 56141445982152.0986676.906555665859811911041221120第6 0 卷第7 期2023年7 月15日数据集中待检测目标大多占全图比例较低，占图片面积为（0,5%的目标区域高达17 2 59 个。小目标区域较多，同时不同类别部件尺寸不一导致待检测区域宽高比分布较为发散,检测存在一定难度。3文章中的LFF-DM算法LFF-DM算法在YOLOv3的基础上进行改进，根据改进后的K-means算法获得更具有代表性的聚类中心，并重新设计全局轻量化网络结构。算法结构如图3所示，提取基础网络多层次特征到检测模块中，并融合不同层级特征进行检测，最后将输出的多尺度416416320820832LFF-DM算法中K值选取同YOLOv3采用9,故此时只需考虑如何选择初始聚类中心以及在循环过程中如何获取更优的聚类结果。结合应用场景，借鉴K-means+【17 思想并结合类别信息来获取初始聚类中心，具体做法为：针对五类待检测目标类别，每一类别常规下具有清晰可分的大小尺寸，故对每一类别,取其中位数数作为聚类中心；此外所有的目标区域按大小排列,平均分为四段,分别取其中位数作为初始聚类中心；由此共获得具有代表性且距离相差较大的九个初始聚类中心。在K-means循环计算的过程中,YOLOv3使用IOU作为距离度量,如式(1)所示。d(box,centroid)=1-IOU(box,centroid)即IOU越大，表示彼此间距离越接近。针对本文数据集中存在大量堆叠的小目标物体，在计算距离时，本文通过采用新的距离评价指标G-IOU17,并对大小各异的聚类中心分别增加对应权重，从而获得更小更优的聚类结果,改善YOLOv3对小目标物体的检测能力,如公式（2）所示，当centroid宽高比例均大于0.4时，入为1.1,否则为0.9。d(box,centroid)=1-GIOU(box,centroid)(2)在自建数据集原始分辨率上，当k=9时得到的初始 anchor boxes 为：（2 4,2 0），（12 5,7 2），（16 9,56 2），(230,109），（36 8,16 1)，（39 6,10 54），（540,2 34）,（8 42,38 4），（16 8 2,9 35）。类簇分布图如图4所示。电测与仪表Electrical Measurement&Instrumentation特征通过非极大值抑制得到最终的检测结果，详细的网络各层配置参看表2 表5。检测模块一侧重大目标如绝缘子和鸟巢的检测,检测模块二侧重中等尺寸目标检测，检测模块三侧重小目标如悬垂线夹，防震锤检测。3.1 改进K-means 聚类算法YOLOv3使用了Faster R-CNN中的锚点（anchorboxes)思想，在检测层进行边界框回归是通过预测不同锚点偏移量来实现的。不同之处在于其锚点是通过K-meansl16 依据当前数据集聚类得到。Layer18_output检测模块104104245252321313320262696Layer14 outputLayer7.output图3LFF-DM算法结构Fig.3 Algorithm structure diagram of LFF-DMC70.2C600图4Bounding-box类簇分布Fig.4Bounding-box class cluster distribution3.2轻量化网络结构)(1)YOLOv3整体网络结构过于繁重，本文借鉴Mo-bilenetV118的深度可分离卷积与MobilenetV219的倒置残差块及线性瓶颈，交替组合重新设计了更为轻量化的网络结构，并在网络不同阶段采用不同的激活函数配置，网络全局采用33以及11的卷积大小。3.2.1深度可分离卷积设计轻量化网络结构的常规思路是将常规卷积转变为可分离卷积，包括Inception20211系列的空间可分离卷积和Mobilenet的深度可分离卷积。如图5所示，本文通过使用深度可分离卷积,将YOLOv3中常规卷积层分解为深度卷积（Depthwise Conv）与逐点卷积（Po i n t w i s e C o n v），大幅度降低网络参数，进而加快检测速度。Vol.60 No.7Jul.15,2023非极大值抑制Layer23_output检测模块Layer32_output检测模块三Clusters=910.80.60.4Mean loU-0.6940cluster-0.N=1632oclusler-lN-2853cluster-2.N-2050cluster=3.N=2841oclusler-4.N=1965cluster=5.N=2952clusler=6,N=1572ocluster-7.N=1100cluslgr-8,N=2289C80.20.4width0.60.81一140 一第6 0 卷第7 期2023年7 月15日3x3ConvBNReLU(a）标准卷积图5卷积方式对比图Fig.5 Contrast graph of convolution mode假设网络输人为DDM，常规same卷积核为DkDkMN,运算结果输出为DDN,则标准卷积参数量及运算量分别如式（3）与式（4）所示。Conp=Dk Dk M N(3)Conv。=D k D k M ND,D,(4)而深度可分离卷积,先用深度卷积DkDk1 M面向单通道进行特征提取再用逐点卷积11MN将特征线性组合,最终输出仍为DDN,但此时参数量及运算量分别如式(5)与式(6)所示。DsConw,=DkDk1M+11MNDsConu=DkDkMD,D,+MND,DF(6)通过将常规卷积进行特征提取与组合分解为两步进行，网络参数及运算量同时下降，具体比值如式（7)与式(8)所示。DsConu,11ConupNDk12DsConv111Con十Dk23.2.2倒置残差与线性瓶颈ResNet中残差块是通过关联低维的精确位置信息与高维的丰富特征信息，从而可以更好的学习目标特征,获得更优的检测结果，在YOLOv3的基础网络DarkNet-53中得到很好的运用。如图6 所示，倒置残差与标准残差的不同在于标准残差是先对特征信息进行降维，运算后再进行升维处理，而倒置残差先升维后降维。通过将倒置残差与深度可分离卷积结合，可以有效弥补深度可分离卷积因参数量下降导致的体征提取能力下降。通过在深度可分离卷积前增添一个11逐点卷积对特征维度进行升维操作，当深度卷积提取特征完毕后，通过逐点卷积再进行降维操作。电测与仪表Electrical Measurement&Instrumentation3x3DepthwiseConvBNReLU1x1PointwiseConv工BNReLU(b）深度可分离卷积Vol.60 No.7Jul.15,2023InputInput上上1x111倍降维倍升维33331111倍升维倍降维OutputOutput(a)标准残差(b)倒置残差图6 标准残差与倒置残差Fig.6 Standard residuals and inverted residuals此外，非线性激活函数在低纬空间使用时容易造成信息丢失，会破坏非线性，而在高维空间使用时信息丢失较少，可以有效增加非线性,故在倒置残差中应去除降维后使用的非线性激活函数。3.2.3文中网络结构充分利用深度可分离卷积，倒置残差以及线性瓶颈特性，重新构造了YOLOv3整体网络结构。如图7 所示，在基础网络部分交替使用有直连通道的倒置残差块及无直连通道的倒置残差块，保留BN层，用h-swish22激活函数替代ReLU23激活函数。Swish24 激活函数性能优于ReLU激活函数,但其中的指数运算严重拉低了在(5)嵌人式设备上运行速度,h-swish即兼顾了swish激活函数性能优势,又参照ReLU激活函数简化了计算,用于嵌入式设备上即提升了性能又不拉低速度。1swish()=x sigmoid(x)=x1+e*ReLU6(x+3)h-swish(x)=xX(7)Input(8)1x1 Pointwise ConvBN,h-swish倍升维3x3DepthwiseConvBN,h-swish1x1PointwiseConvBN倍降维Output(a)IR_NA图7 有无直连通道的两种倒置残差结构Fig.7 Two inverted residual structures with orwithout directly connected channels文中算法的基础网络结构如表2 所示,其中CBL表示标准卷积层Conv+BN池化层+ReLu激活函数。一141 一(9)(10)6Input1x1 PointwiseConvBN,h-swish倍升维3x3.Depthwise.ConvBN,h-swish1x1PointwiseConvBN倍降维上Output(b)IR第6 0 卷第7 期2023年7 月15日基础网络提取到丰富的特征信息后,将L_7,L_14,L_18这三层的输出分别送人到对应的检测网络中进行处理。检测网络主要通过11、33的标准深度可分离卷积及11的标准卷积构成，此时已进人高维层次计算，故全部使用非线性激活函数 ReLu619。三组检测模块结构分别如表3表5所示，其中DBR表示Depthwise Conv+BN池化层+ReLu6,PBR表示Point-wise Conv+BN+ReLu6,Conv表示标准卷积层。Tab.2SStructure of basic network输人网络层通道步长次数系数416 416 3CBL,3 3208 208 32IR_NA104 104 16IR_NA104 104 24IR104 104 24IR_NA525232IR525232IR_NA26 26 64IR26 26 64IR_NA26 26 96IR26 26 96IR_NA13 13 160IR13 13 160IR_NA表3检测模块一Tab.3Detection module one输入网络层DBR+PBR,1 1L_18_outDBR+PBR,3 313 13 1024Conv,1 1表4检测模块二Tab.4Detection module two输人网络层L_23_out:IR_NA,1 113 13 51213 13 256L_26_out,L_14_out26 26 35226 26 512142一电测与仪 表Electrical Measurement&Instrumentation表5检测模块三Tab.5Detection module three输人网络层L_32_out:IR_NA,1 126 26 25626 26 128L_35_out,L_7_out表2 基础网络结构5252160DBR+PBR,3 35252256Conv,1 1重复扩张层名322162241241322321642641961961160216013201通道重复次数512L_19,L_21,L_2331024B(5+C)通道重复次数2561Upsample*21Concat1DBR+PBR,1 1256DBR+PBR,3 3512Conv,1 1B(5+C)Vol.60 No.7Jul.15,2023通道重复次数1281Upsample*21Concat1DBR+PBR,1 1128256B (5+C)因为自建数据集中类别数 C=5,使用的改进K-1L11313111321L_6-71336L_9-111326L_13-1413L_1521L_16-1713层名L_20,L_22,L_241Out_1层名L_25L_26L_27L_28,L_30,L_323L_29,L_31,L_331Out_2层名L_34L_35L_36L_37,L_39,L_413L_38,L_40,L_421Out_3means算法中K=9,所以B=3,当网络输入为416 4163时,则三个检测模块最终输出分别为：1313L_230,26 26 30,52 52 30。L34实验与分析L_44.1实验环境L_5实验环境为微星深度学习工作站,Ubuntu16.0464位操作系统，NVIDIAGeForceRTX2080Ti显卡，IntelL_8i9-9900KCPU,在TensorFlow框架下实现模型的搭建及训练工作。移动端嵌人式平台为NVIDIAJetsonAGXL_12Xavier,内存为16 G。因为所建立的数据集较小,故先使用COCO数据集对各网络进行预训练，然后使用自建数据集进行训练。数据集训练时送代次数为2 0 0 代，前10 0 个epoch初始学习率为0.0 0 1,后10 0 个epoch的初始学习率为L_180.0001。批处理大小为32，使用Adam25优化器。网络权重初始化时采用Xavier26初始化方法，以0 为中心的截断正态分布中抽取样本，从而保持每一层的梯度大小都差不多相同，可有效避免参数梯度为0。此外,考虑到自建数据集具有复杂多样的背景环境，待检测部件自身多样性以及彼此之间堆叠遮挡等特点会增大模型训练难度。为提升所训练模型的检测精度,在训练过程中采用翻转、旋转及增加高斯噪声三种数据增强方式，通过更丰富的训练样本来提高模型训练效果。4.2实验结果及分析实验是在第2 节所描述的自建数据集上进行评估,比较文中算法与YOLOv3及替换基础网络后的YOLOv3_MobileNet 和YOLOv3_MobileNetv2。当输人图像尺寸为416 416 时实验结果如表6 所示，其中FPS为在NVIDIA Jetson AGX Xavier上测速结果。通过对比表中数据可得,LFF-DM在检测速度与检测精度上均有了显著提高，达到8 3.10%mAP的检测精度，尤其对密集的小目标群体悬垂线夹的精测精度提高到第6 0 卷第7 期2023年7 月15日84.86%，且检测速度达到36 FPS，足以胜任输电线路实时巡检任务。为进一步探究 LFF-DM在不同尺寸输人的性能表现，还进行了如表7 所示的对比实验。从表7 中数据绝缘子 AP0.5YOLOv30.805 0YOLOv3_MobileNet0.801 3YOLOv3_MobileNetv20.804 5LFF-DM(416)0.816 8Tab.7Experimental results of different input sizes of LFF-DM绝缘子AP0.5悬垂线夹AP0.5LFF-DM(416)0.816 8LFF-DM(512)0.834 7LFF-DM(640)0.865 8图8 展示了LFF-DM（416)训练过程中各类别目标准确率 0.5及mAP0.5随训练代数的变化情况。0.80.60.40.2004080120 160 200(a)绝缘子10.80.60.40.2004080120 160 200(c)防震锤10.80.60.40.2004080120160200(e)导地线图8LFF-DM(416)训练过程准确率曲线Fig.8 Training process accuracy curve of LFF-DM(416)图9 为LFF-DM(416)检测效果图，从图中可看出文中算法对图片中远近目标以及密集小目标均获得较好的检测效果。电测与仪 表Electrical Measurement&Instrumentation可知，随着网络输人尺寸的增大,算法的精测精度得到有效提升，同时检测速度的下降较低，故在实际使用场景中，可根据嵌人式设备的算力不同选择最为合适的输入尺寸。表6 不同模型实验结果Tab.6 Experimental results of different models悬垂线夹AP0.50.741 80.732 60.770 30.848 6表7 LFF-DM不同输入尺寸实验结果防震锤AP0.5鸟巢AP0.5导地线AP0.50.848 60.848 60.882.40.879 60.926 60.914 210.80.60.40.2004080120 160 200(b)）悬垂线夹0.80.60.40.2004080120 160 200(d)鸟巢0.80.60.40.20040800120160200(f)maPVol.60 No.7Jul.15,2023防震锤AP0.5鸟巢 AP0.50.811 70.708 20.803 10.706 10.809 70.715 90.848 60.755 60.755 60.80390.877 4Fig.9 Detection effect drawing5结束语文中针对输电线路无人机巡检的应用场景，提出一种适用于巡检现场移动端设备的实时检测算法LFF-DM。该算法以YOLOv3算法为基本框架,通过类别相关信息及标记框中位数获取更具有代表性的初始聚类中心,结合G-IOU与设定权重制定新的距离度量方式来获得更好的聚类结果，在一定程度上保证了检测精度。同时，为了进一步提高网络运算速度，通过组合使用深度可分离卷积与倒置残差搭建更高效的特征提取网络结构，在网络不同阶段采用不同的激活函数，并在检测阶段进行特征融合保证检测精度。文中算法可移一143 一导地线AP0.50.794.90.802.40.802.70.885 30.885 30.912 10.940 2图9 检测效果图mAP0.50.772.30.769 10.780 60.831 0mAP 0.50.831 00.862 50.904 8FPS18242736FPS363125第6 0 卷第7 期2023年7 月15日植于嵌入式设备JetsonAGXXavier上对绝缘子，悬垂线夹，防震锤，鸟巢及导地线五类目标实现实时且精确的检测,将设备搭载于无人机上可以实现真正的巡检现场前端实时巡检。未来可进一步增加可检测目标类别，提高算法在输电线路巡检中的可用性，另外更深人地研究网络结构，提高模型检测精度。参考文献1 Girshick R,Donahue J,Darrell T,et al.Rich feature hierarchies foraccurate object detection and semantic segmentation C/Proceedingsof the IEEE conference on computer vision and pattern recognition.2014:580-587.2 Girshick R.Fast r-cnn C/Proceedings of the IEEE international con-ference on computer vision.Santiago:ICCV,2015:1440-1448.3刘聪聪，应捷，杨海马，等基于区域卷积神经网络的空中飞行物识别算法 J.传感器与微系统，2 0 2 1，40(1)：110-113,117.Liu Congcong,Ying Jie,Yang Haima,et al.Flying object recognitionalgorithm based on region CNN JJ.Transducer and Microsystem Tech-nologies,2021,40(1):110-113,117.4J Redmon J,Divvala S,Girshick R,et al.You only look once:Unified,real-time object detection C/Proceedings of the IEEE conference oncomputer vision and pattern recognition.Las Vegas:IEEE,2016:779-788.5 Redmon J,Farhadi A.YOLO9000:Better,Faster,StrongerC/Proceedings of the IEEE conference on computer vision and pattern rec-ognition.Honolulu:IEEE,2017:7263-7271.6 Redmon J,Farhadi A.YOLOv3:An Incremental ImprovementEB/OL.2018-04-08.http:/arxiv.org/abs/1804.02767.7 Liu W,Anguelov D,Erhan D,et al.Ssd:Single shot multibox detectorC/European conference on computer vision.Amsterdam:ECCV,2016:21-37.8 戚银城，江爱雪，赵振兵，等基于改进SSD模型的输电线路巡检图像金具检测方法 J.电测与仪表，2 0 19，56（2 2）：7-12，43.9高强，廉启旺航拍图像中绝缘子目标检测的研究 J电测与仪表,2 0 19,56(5)：119-12 3.Gao Qiang,Lian Qiwang.Research on target detection of insulator inaerial imageJ.Electrical Measurement&Instrumentation,2019,56(5):119-123.【10 宁柏锋基于深度学习的无人机巡检图像销钉故障检测J计算机测量与控制，2 0 19，2 7(11）：2 5-2 9Ning Baifeng.Pin Fault Detection in UAV Inspection Image Based onDeep Learning J.Computer Measurement&Control,2019,27(11):25-29.11高强，孟格格基于卷积神经网络的绝缘子故障识别算法研究J.电测与仪表，2 0 17，54(2 1)：30-36.12 Ioffe S,Szegedy C.Batch normalization:Accelerating deep networktraining by reducing internal covariate shift J.arXiv preprint arXiv:1502.03167,2015.13 JHe K,Zhang X,Ren S,et al.Deep residual learning for image recog-nition C/Proceedings of the IEEE conference on computer vision andpattern recognition.2016:770-778.14JLin T Y,Dollar P,Girshick R,et al.Feature pyramid networks for ob-ject detection C/Proceedings of the IEEE conference on computer vi-sion and pattern recognition.2017:2117-2125.电测与仪 表Electrical Measurement&Instrumentation15杨俊闯,赵超.K-Means聚类算法研究综述 J计算机工程与应用,2 0 19,55(2 3)：7-14,6 3.Yang Junchuang,Zhao Chao.Survey on K-Means Clustering AlgorithmJ.Computer Engineering and Applications,2019,55(23):7-14,63.16Arthur D,Vassilvitskii S.K-Means+:The Advantages of CarefulSeeding C/Proceedings of the Eighteenth Annual ACM-SIAM Sym-posium on Discrete Algorithms,SODA 2007,New Orleans,Louisiana,USA,January7-9,2007.ACM,2007.17Rezatofighi H,Tsoi N,Gwak J Y,et al.Generalized intersection overunion:A metric and a loss for bounding box regression C/Proceed-ings of the IEEE Conference on Computer Vision and Pattern Recogni-tion.2019:658-666.18 JHoward A G,Zhu M,Chen B,et al.Mobilenets:Efficient convolution-al neural networks for mobile vision applications J.arXiv preprintarXiv:1704.04861,2017.19Sandler M,Howard A,Zhu M,et al.Mobilenetv2:Inverted residualsand linear bottlenecks CJ/Proceedings of the IEEE Confere