输电线路场景下的施工机械多目标跟踪算法

doi:10.11772/j.issn.1001-9081.2024070985

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (7): 2351-2360.DOI: 10.11772/j.issn.1001-9081.2024070985

• 多媒体计算与计算机仿真 • 上一篇下一篇

输电线路场景下的施工机械多目标跟踪算法

于平平¹, 闫玉婷¹, 唐心亮¹(), 苏鹤², 王建超¹

^1.河北科技大学信息科学与工程学院，石家庄 050018
^2.河北工业大学电气工程学院，天津 300130

收稿日期:2024-07-15 修回日期:2024-10-11 接受日期:2024-10-11 发布日期:2025-07-10 出版日期:2025-07-10
通讯作者: 唐心亮
作者简介:于平平（1984—），女，河北石家庄人，副教授，博士，主要研究方向：计算机视觉、人工智能
闫玉婷（1998—），女，河北邯郸人，硕士研究生，主要研究方向：目标检测、目标跟踪
唐心亮（1977—），男，河北邯郸人，教授，博士，主要研究方向：计算机控制、人工智能 tangxinliang@hebust.edu.cn
苏鹤（1993—），男，河北衡水人，博士研究生，主要研究方向：电力系统分析与控制、电工装备可靠性理论及应用
王建超（1990—），男，河北石家庄人，讲师，博士，主要研究方向：深度学习、人工智能、智能信息处理。
基金资助:
河北省教育厅青年基金资助项目(QN2023185)

Multi-object tracking algorithm for construction machinery in transmission line scenarios

Pingping YU¹, Yuting YAN¹, Xinliang TANG¹(), He SU², Jianchao WANG¹

^1.School of Information Science and Engineering，Hebei University of Science and Technology，Shijiazhuang Hebei 050018，China
^2.School of Electrical Engineering，Hebei University of Technology，Tianjin 300130，China

Received:2024-07-15 Revised:2024-10-11 Accepted:2024-10-11 Online:2025-07-10 Published:2025-07-10
Contact: Xinliang TANG
About author:YU Pingping， born in 1984， Ph. D.， associate professor. Her research interests include computer vision， artificial intelligence.
YAN Yuting， born in 1998， M. S. candidate. Her research interests include object detection， object tracking.
TANG Xinliang， born in 1977， Ph. D.， professor. His research interests include computer control， artificial intelligence.
SU He， born in 1993， Ph. D. candidate. His research interests include analysis and control of power system， reliability theory and application of electrical equipment.
WANG Jianchao， born in 1990， Ph. D.， lecturer. His research interests include deep learning， artificial intelligence， intelligent information processing.
Supported by:
Youth Fund of Hebei Education Department(QN2023185)

摘要/Abstract

摘要：

在输电线路巡检任务中，采用深度学习技术实现施工机械运动的有效跟踪对智能电网建设至关重要。针对目标间遮挡干扰以及误检漏检造成的多目标跟踪性能显著下降的问题，提出一种改进YOLOv5s与优化ByteTrack相结合的多目标跟踪算法。在目标检测部分：首先，采用轻量级的Ghost卷积和SimAM构建SGC3 （SimAM and Ghost convolution with C3）模块，以提高特征利用率，并减少算法冗余计算；其次，在主干网络的深层，提出卷积引导的三重注意力模块R-Triplet（RFAConv with Triplet attention），从而利用多分支结构增强算法跨维度信息交互，并抑制不相关背景信息来提高目标的关联能力；最后，在特征融合部分添加多分支感受野模块（MRB），以利用空洞卷积扩大目标感受野，并增强多尺度目标全局特征信息的复用。在目标跟踪部分：在ByteTrack算法的基础上，根据施工机械的运动特点，提出一种自适应计算噪声尺度的NSA（Noise Scale Adaptively）卡尔曼滤波算法，以降低低质量检测框对滤波算法性能的影响；同时，在数据关联部分引入高斯平滑插值算法（GSI），从而进一步完善多目标跟踪的效果。实验结果表明，所提CRM-YOLOv5s算法的平均精度均值（mAP）达到了97.4%，与基线算法YOLOv5s相比提升了3.8个百分点，参数量和浮点运算量分别减少了0.28×10⁶和1.8 GFLOPs，可见该算法在多种应用场景下的泛化能力更强。此外，相较于原YOLOv5s+ByteTrack跟踪算法，所提CRM-YOLOv5s算法与改进后的ByteTrack算法相结合后的多目标跟踪准确度（MOTA）提升了4.5个百分点，目标身份切换次数（IDs）减少了15，且获得了较高的推理速度，可见该算法适用于输电线路场景下施工机械的多目标跟踪任务。

关键词: 输电线路场景, 目标检测, 多目标跟踪, YOLOv5s, ByteTrack

Abstract:

In transmission line inspection tasks， utilizing deep learning technology to track the movement of construction machinery effectively is crucial for smart grid construction. To address the issue of significant performance degradation in multi-object tracking caused by occlusion among targets and false or missed detections， a multi-object tracking algorithm combining improved YOLOv5s and optimized ByteTrack was proposed. In the object detection section： firstly， lightweight Ghost convolution and SimAM were used to construct the SGC3 （SimAM and Ghost convolution with C3） module， thereby improving feature utilization and reducing redundant computations in the algorithm. Secondly， in deeper layers of the backbone network， a convolution-guided triplet attention module R-Triplet （RFAConv with Triplet attention） was proposed， thereby using a multi-branch structure to enhance cross-dimensional information interaction of the algorithm and suppress irrelevant background information to improve object association capability. Finally， in the feature fusion stage， a Multi-branch Receptive Block （MRB） was added， thereby utilizing dilated convolution to expand the receptive field of the object and enhancing reuse of multi-scale global feature information of the object. In the object tracking section： based on ByteTrack algorithm， according to motion characteristics of construction machinery， an NSA （Noise Scale Adaptively） Kalman filter algorithm with adaptive noise scale computation was proposed to decrease the influence of low-quality detection boxes on filtering performance. At the same time， Gaussian Smoothing Interpolation （GSI） algorithm was introduced into the data association process to further optimize multi-object tracking performance. Experimental results indicate that compared to the baseline algorithm YOLOv5s， the proposed CRM-YOLOv5s algorithm achieves mean Average Precision （mAP） of 97.4%， which is improved by 3.8 percentage points with the of parameters and floating-point operations reduced by 0.28×10⁶ and 1.8 GFLOPs， respectively， demonstrating stronger generalization capability in various application scenarios. Additionally， compared to the original YOLOv5s+ByteTrack tracking algorithm， after combining with improved ByteTrack， the proposed CRM-YOLOv5s algorithm has the Multiple Object Tracking Accuracy （MOTA） increased by 4.5 percentage points， the number of Identity switches （IDs） decreased by 15， and higher inference speed， demonstrating that the algorithm is suitable for multi-object tracking task of construction machinery in transmission line scenarios.

Key words: transmission line scenario, object detection, multi-object tracking, YOLOv5s, ByteTrack

中图分类号:

TP391.4

于平平, 闫玉婷, 唐心亮, 苏鹤, 王建超. 输电线路场景下的施工机械多目标跟踪算法[J]. 计算机应用, 2025, 45(7): 2351-2360.

Pingping YU, Yuting YAN, Xinliang TANG, He SU, Jianchao WANG. Multi-object tracking algorithm for construction machinery in transmission line scenarios[J]. Journal of Computer Applications, 2025, 45(7): 2351-2360.

图/表 27

图1 CRM-YOLOv5s网络结构

Fig. 1 CRM-YOLOv5s network structure

图2 Ghost卷积

Fig. 2 Ghost convolution

图3 SGC3模块结构

Fig. 3 Structure of SGC3 module

图4 R-Triplet模块结构

Fig. 4 Structure of R-Triplet module

图5 热力图的可视化结果

Fig. 5 Visualization results of heatmaps

图6 MRB模块结构

Fig. 6 Structure of MRB module

图7 基于CRM-YOLOv5s的多目标跟踪算法框架

Fig. 7 Framework of multi-object tracking algorithm based on CRM-YOLOv5s

图8 GSI插值算法

Fig. 8 GSI interpolation algorithm

图9 目标检测数据集的标签分布

Fig. 9 Label distribution of object detection dataset

表1 实验参数设置

Tab. 1 Experimental parameter setting

参数	数值
epochs	300
batch size	16
image size	640
optimizer	SGD
momentum	0.937
weight-decay	0.000 5

表2 空洞率参数的消融实验结果

Tab. 2 Ablation experiment results of dilation rate parameters

空洞率参数组合	mAP/%↑	浮点运算量/GFLOPs↓
r1=1， r2=3， r3=3， r4=5	95.7	16.4
r1=3， r2=3， r3=3， r4=5	95.5	16.5
r1=3， r2=5， r3=5， r4=7	95.3	16.5

表3 总体消融实验结果

Tab. 3 Overall ablation experiment results

实验	SGC3	R-Triplet	MRB	mAP/%↑	模型大小/MB↓	浮点运算量/GFLOPs↓	参数量/10⁶↓	帧率/（frame·s^-1）↑
实验1	―	―	―	93.6	13.7	16.0	7.03	51.2
实验2	√	―	―	94.8	11.6	12.6	5.89	65.3
实验3	―	√	―	94.2	13.8	16.0	7.10	50.8
实验4	―	―	√	94.4	13.8	16.2	7.11	49.1
实验5	√	√	―	96.3	12.0	12.6	5.89	63.0
实验6	√	√	√	97.4	10.1	14.2	6.75	60.5

图10 消融实验中的P-R曲线

Fig. 10 P-R curves in ablation experiments

表4 R-Triplet模块的对比实验结果

Tab. 4 Comparison experiment results of R-Triplet module

算法	mAP/%↑	相较于YOLOv5s变化/百分点
YOLOv5s	93.6	―
YOLOv5s+ECA	94.0	0.4
YOLOv5s+Biformer	93.7	0.1
YOLOv5s+R-Triplet	94.2	0.6

图11 热力图的可视化对比

Fig. 11 Heatmap visualization comparison

表5 MRB模块的对比实验结果

Tab. 5 Comparison experiment results of MRB module

算法	mAP/%↑	相较于YOLOv5s变化/百分点
YOLOv5s	93.6	―
YOLOv5s+ASPP^［17］	94.9	1.3
YOLOv5s+Scale-Aware RFE Model^［18］	95.5	1.9
YOLOv5s+MRB	95.7	2.1

表6 主流检测算法的对比实验结果

Tab. 6 Comparison experiment results of mainstream detection algorithms

算法	mAP/%↑	参数量/10⁶↓	浮点运算量/GFLOPs↓	模型大小/MB↓
YOLOv3	92.8	61.54	155.3	117.8
YOLOv3-tiny	79.1	8.68	13.0	16.6
YOLOv5s	93.6	7.03	16.0	13.7
YOLOv7	94.4	37.21	105.2	71.3
YOLOX-s	96.5	8.92	26.5	18.1
YOLOv8s	96.2	11.13	28.4	22.5
CRM-YOLOv5s	97.4	6.75	14.2	10.1

表7 YOLOv5s改进前后的检测性能对比 ( %)

Tab. 7 Comparison of detection performance before and after improving YOLOv5s

算法	mAP↑	AP↑
算法	mAP↑	卡车	挖掘机	吊车	装载机
YOLOv5s	93.6	95.7	97.9	98.6	82.2
CRM-YOLOv5s	97.4	97.2	95.4	97.5	95.5

图12 YOLOv5s改进前后的Loss曲线

Fig. 12 Comparison of Loss curves YOLOv5s before and after improvement

图13 检测效果对比

Fig. 13 Comparison of detection performance

表8 改进点的消融实验结果

Tab. 8 Ablation experiment results of improvement points

算法	NSA	GSI	MOTA/%	IDF1/%	IDs
算法1	―	―	84.1	86.4	32
算法2	√	―	85.7	86.6	30
算法3	―	√	85.9	87.1	27
算法4	√	√	86.9	87.6	22

表9 检测跟踪算法的消融实验结果

Tab. 9 Ablation experiment results of detection and tracking algorithms

算法	MOTA/%	IDF1/%	IDs
YOLOv5s+ByteTrack	84.1	86.4	32
CRM-YOLOv5s+ByteTrack	86.3	88.2	27
YOLOv5s+NG-ByteTrack	86.9	87.6	22
CRM-YOLOv5s+NG-ByteTrack	88.6	90.1	17

表10 跟踪算法对比实验结果

Tab. 10 Comparison experiment results of tracking algorithms

算法	MOTA/%	IDF1/%	IDs
DeepSORT^［19］	72.4	84.7	42
StrongSORT^［20］	73.1	82.9	40
BoTSORT^［21］	75.5	79.8	52
FairMOT^［22］	81.3	85.2	76
MOTDT^［23］	70.8	81.5	38
ByteTrack^［24］	83.2	85.6	34
本文算法	88.6	90.1	17

图14 多目标跟踪效果的对比

Fig. 14 Comparison of multi-object tracking performance

图15 算法部署示意图

Fig. 15 Schematic diagram of algorithm deployment

图16 可视化结果对比

Fig. 16 Comparison of visualization results

表11 推理实验结果对比

Tab. 11 Comparison of reasoning experimental results

算法	mAP@0.5/%	mAP@0.5：0.95/%	帧率/（frame·s^-1）
YOLOv5s	92.0	60.2	28.4
CRM-YOLOv5s	96.9	63.4	35.9

参考文献 24

[1]	WONG S Y， CHOE C W C， GOH H H， et al. Power transmission line fault detection and diagnosis based on artificial intelligence approach and its development in UAV： a review ［J］. Arabian Journal for Science and Engineering， 2021， 46（10）： 9305-9331.
[2]	闫钧华，张琨，施天俊，等.融合多层级特征的遥感图像地面弱小目标检测［J］.仪器仪表学报，2022， 43（3）： 221-229.
	YAN J H， ZHANG K， SHI T J， et al. Multi-level feature fusion based dim small ground target detection in remote sensing images ［J］. Journal of Scientific Instrument， 2022， 43（3）： 221-229.
[3]	郝帅，赵新生，马旭，等.基于TR-YOLOv5的输电线路多类缺陷目标检测方法［J］.图学学报，2023， 44（4）： 667-676.
	HAO S， ZHAO X S， MA X， et al. Multi- class defect target detection method for transmission lines based on TR-YOLOv5s ［J］. Journal of Graphics， 2023， 44（4）： 667-676.
[4]	葛雯，姜添元.改进YOLO与Deepsort检测跟踪算法的研究［J］.计算机仿真，2022， 39（5）： 186-190.
	GE W， JIANG T Y. Research on improved YOLO and Deepsort detection and tracking algorithm ［J］. Computer Simulation， 2022， 39（5）： 186-190.
[5]	黄战华，陈智林，张晗笑，等.基于音视频信息融合的目标检测与跟踪算法［J］.应用光学，2021， 42（5）： 867-876.
	HUANG Z H， CHEN Z L， ZHANG H X， et al. Object detection and tracking algorithm based on audio-visual information fusion ［J］. Journal of Applied Optics， 2021， 42（5）： 867-876.
[6]	薛俊韬，马若寒，胡超芳，等.基于MobileNet的多目标跟踪深度学习算法［J］.控制与决策，2021， 36（8）： 1991-1996.
	XUE J T， MA R H， HU C F， et al. Deep learning algorithm based on MobileNet for multi-target tracking ［J］. Control and Decision， 2021， 36（8）： 1991-1996.
[7]	涂淑琴，汤寅杰，李承桀，等.基于改进ByteTrack算法的群养生猪行为识别与跟踪技术［J］.农业机械学报，2022， 53（12）： 264-272.
	TU S Q， TANG Y J， LI C J， et al. Behavior recognition and tracking technology of group-raised pigs based on improved ByteTrack algorithm ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（12）： 264-272.
[8]	张彩煜，李明磊，魏大洲，等.基于改进FairMOT算法的热红外影像目标跟踪［J］.计算机仿真，2023， 40（12）： 304-308.
	ZHANG C Y， LI M L， WEI D Z， et al. Object tracking in thermal infrared images based on improved FairMOT algorithm ［J］. Computer Simulation， 2023， 40（12）： 304-308.
[9]	HAN K， WANG Y， TIAN Q， et al. GhostNet： more features from cheap operations ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 1577-1586.
[10]	YANG L， ZHANG R Y， LI L， et al. SimAM： a simple， parameter-free attention module for convolutional neural networks ［C］// Proceedings of the 38th International Conference on Machine Learning. New York： JMLR.org， 2021： 11863-11874.
[11]	SELVARAJU R， COGSWELL M， DAS A， et al. Grad-CAM： visual explanations from deep networks via gradient-based localization ［J］. International Journal of Computer Vision， 2020， 128（2）： 336-359.
[12]	LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 936-944.
[13]	LIU S， QI L， QIN H， et al. Path aggregation network for instance segmentation ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 8759-8768.
[14]	谌海云，黄忠义，王海川，等.基于改进Tracktor的行人多目标跟踪算法［J］.计算机工程与应用，2024， 60（8）： 242-249.
	SHEN H Y， HUANG Z Y， WANG H C， et al. Improved Tracktor-based pedestrian multi-objective tracking algorithm ［J］. Computer Engineering and Applications， 2024， 60（8）： 242-249.
[15]	WANG Q， WU B， ZHU P， et al. ECA-Net： efficient channel attention for deep convolutional neural networks ［C］// Proceedings of the 2020 IEEE/CVF Computer Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 11531-11539.
[16]	ZHU L， WANG X， KE Z， et al. BiFormer： Vision Transformer with bi-level routing attention ［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 10323-10333.
[17]	CHEN L C， PAPANDREOU G， KOKKINOS I， et al. DeepLab： semantic image segmentation with deep convolutional nets， atrous convolution， and fully connected CRFs ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2018， 40（4）： 834-848.
[18]	YU Z， HUANG H， CHEN W， et al. YOLO-FaceV2： a scale and occlusion aware face detector ［J］. Pattern Recognition， 2024， 155： No.110714.
[19]	WOJKE N， BEWLEY A， PAULUS D. Simple online and realtime tracking with a deep association metric ［C］// Proceedings of the 2017 IEEE International Conference on Image Processing. Piscataway： IEEE， 2017： 3645-3649.
[20]	DU Y， ZHAO Z， SONG Y， et al. StrongSORT： make DeepSORT great again ［J］. IEEE Transactions on Multimedia， 2023， 25： 8725-8737.
[21]	AHARON N， ORFAIG R， BOBROVSKY B Z. BoT-SORT： robust associations multi-pedestrian tracking ［EB/OL］. ［2023-09-01］. .
[22]	ZHANG Y， WANG C， WANG X， et al. FairMOT： on the fairness of detection and re-identification in multiple object tracking ［J］. International Journal of Computer Vision， 2021， 129（11）： 3069-3087.
[23]	CHEN L， AI H， ZHUANG Z， et al. Real-time multiple people tracking with deeply learned candidate selection and person re-identification ［C］// Proceedings of the 2018 IEEE International Conference on Multimedia and Expo. Piscataway： IEEE， 2018： 1-6.
[24]	ZHANG Y， SUN P， JANG Y， et al. ByteTrack： multi-object tracking by associating every detection box ［C］// Proceedings of the 2022 European Conference on Computer Vision， LNCS 13682. Cham： Springer， 2022： 1-21.

输电线路场景下的施工机械多目标跟踪算法

Multi-object tracking algorithm for construction machinery in transmission line scenarios

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 27

参考文献 24

相关文章 15

编辑推荐

Metrics

[1]	范博淦, 王淑青, 陈开元. 基于改进YOLOv8的航拍无人机小目标检测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2342-2350.
[2]	张英俊, 闫薇薇, 谢斌红, 张睿, 陆望东. 梯度区分与特征范数驱动的开放世界目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2203-2210.
[3]	蒋沛宇, 王永光, 任亚亭, 李硕晨, 谭火彬. 基于测量不确定度表示指南的红外目标检测不确定度测量方案[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2162-2168.
[4]	张子墨, 赵雪专. 多尺度稀疏图引导的视觉图神经网络[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2188-2194.
[5]	陈亮, 王璇, 雷坤. 复杂场景下跨层多尺度特征融合的安全帽佩戴检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2333-2341.
[6]	赵轻轻, 胡滨. 不变性全局稀疏轮廓点表征的运动行人检测神经网络[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1271-1284.
[7]	侯阳, 张琼, 赵紫煊, 朱正宇, 张晓博. 基于YOLOv5s的复杂场景下高效烟火检测算法YOLOv5s-MRD[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1317-1324.
[8]	张李伟, 梁泉, 胡禹涛, 朱乔乐. 基于分组卷积的通道重洗注意力机制[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1069-1076.
[9]	张传浩, 屠晓涵, 谷学汇, 轩波. 基于多模态信息相互引导补充的雷达-相机三维目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 946-952.
[10]	余松森, 林智凡, 薛国鹏, 徐建宇. 基于改进YOLOv8的轻量级大幅面瓷砖缺陷检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 647-654.
[11]	何秋润, 胡节, 彭博, 李天源. 基于上下文信息的多尺度特征融合织物疵点检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 640-646.
[12]	洪梓榕, 包广清. 基于集成学习的雷达自动目标识别综述[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 371-382.
[13]	杨晟, 李岩. 面向目标检测的对比知识蒸馏方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 354-361.
[14]	桂佳扬, 王顺吉, 周正康, 唐加山. 基于改进YOLOv8n的隧道内异物检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 655-661.
[15]	文诗佳, 金世俊. 结合目标检测和特征点关联的动态视觉SLAM算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 610-615.