改進YOLOv3的輸電線路絕緣子檢測方法

　　摘 要：絕緣子是高壓輸電線路的重要組成部分，對維護輸電線路的穩(wěn)定和保證輸電網(wǎng)的正常運行具有重要意義。絕緣子一旦出現(xiàn)故障，將會造成嚴重的輸電故障和經(jīng)濟損失。為此，文章提出了一種改進 YOLOv3 的高壓輸變電線路絕緣子檢測方法，該方法首先使用特征提取能力更強的 VoVNet 作為主干網(wǎng)絡(luò)，其次提出了一種新型的特征增強模塊，可以有效提升淺層特征圖的語義信息和感受野。通過對比實驗表明，文章提出的方法 mAP 達到 98.01%，相較于原始 YOLOv3 算法提升了 6.07%，在保證檢測速度的同時有效提升了模型對絕緣子的檢測精度。

　　關(guān)鍵詞：輸電線路;絕緣子;深度學(xué)習(xí);目標(biāo)檢測

　　陳科羽;時磊;劉博迪;嚴爾梅;歐進永 科技創(chuàng)新與應(yīng)用 2021-12-02

　　隨著中國對電力能源的需求不斷增加以及電力系統(tǒng)的規(guī)模不斷擴大，高壓輸電線路和輸電系統(tǒng)變得越來越重要，及時了解電力系統(tǒng)的運行狀態(tài)對電力系統(tǒng)的安全穩(wěn)定運行至關(guān)重要[1]。絕緣子是電力系統(tǒng)中輸變電設(shè)備的重要組成部分，由于長期暴露在野外，經(jīng)常被惡劣的環(huán)境侵蝕，使絕緣子出現(xiàn)污染、裂紋以及破損等故障的情況大幅增加，會嚴重影響輸電線路的正常使用，縮短線路的使用壽命。絕緣子發(fā)生故障時，輸電線路與桿塔接觸會造成停電，甚至可能發(fā)生大規(guī)模停電事故。目前，電網(wǎng)采用人工巡檢方式，不僅費時費力，而且難以及時、全面地掌握線路、絕緣子等電氣設(shè)備的狀態(tài)。隨著人工智能技術(shù)的發(fā)展，基于深度學(xué)習(xí)算法實現(xiàn)了端到端的圖像識別，使得絕緣子識別在電力系統(tǒng)中的應(yīng)用成為可能。

　　絕緣子的識別主要有兩種途徑：(1)傳統(tǒng)方法：主要根據(jù)絕緣子的形狀和紋理，結(jié)合神經(jīng)網(wǎng)絡(luò)來識別絕緣子。這些特征包括 HOG 特征、SUFS 特征[2-3]和小波系數(shù)[4] 等。這種方法精度低、魯棒性差，對目標(biāo)視頻和圖片的拍攝角度要求高。(2)深度學(xué)習(xí)算法：端到端的圖像識別避免了對人工特征的需要。該方法識別精度高，泛化能力強。翁智等[5]在原有 YOLOv3[6]的基礎(chǔ)上引入了 Res2Net 殘差模塊，以實現(xiàn)對高壓輸電線路部件的檢測。李雪峰等[7]提出了一種新型的特征金字塔網(wǎng)絡(luò) PinFPN，有效解決了在輸電線路故障巡檢中小尺寸目標(biāo)檢測困難的問題;趙銳等[8]將 CenterNet 與 DLA-SE 特征提取網(wǎng)絡(luò)相結(jié)合，實現(xiàn)了對故障絕緣子的實時檢測。蔣姍等[9]基于 Faster R-CNN 提出了一種針對航拍絕緣子圖像的目標(biāo)檢測算法，有效提升了檢測精度，但其缺點是檢測速度有所下降。本文通過改進的 YOLOv3 算法對絕緣子訓(xùn)練數(shù)據(jù)庫進行訓(xùn)練，實現(xiàn)自然背景下的絕緣子識別和定位。首先使用 VoVNet[10]作為算法的主干網(wǎng)絡(luò)，相比于原先的 DarkNet53，VoVNet 特殊的特征連接方式在保證網(wǎng)絡(luò)特征提取能力的同時，降低了模型計算量和參數(shù)量，提升網(wǎng)絡(luò)對特征的敏感度。同時本文提出一種新型的特征增強模塊，與特征金字塔相結(jié)合以解決淺層特征圖語義信息較弱的問題。

　　1 YOLOv3 算法

　　與其他深度學(xué)習(xí)算法如 Faster R-CNN[11]相比， YOLOv3 算法將檢測模型轉(zhuǎn)換為回歸問題，通過端到端的架構(gòu)使用整個圖像的特征來預(yù)測每個邊界框，實現(xiàn)了高精度、高效率的檢測方式。在訓(xùn)練過程中，網(wǎng)絡(luò)將原始圖像尺度標(biāo)準(zhǔn)化為 416×416 像素，并將圖像劃分為 N×N 個單元，三個不同大小的特征圖用以預(yù)測不同尺度的目標(biāo)，每個特征圖中的每一個單元內(nèi)預(yù)測三個邊界框，每個邊界框輸出兩套獨立的預(yù)測值，分別為邊界框的中心點偏值和邊框置信度，邊框置信度的計算公式如下所示： P(r object)*IOU(b，object)=σ(to )，其中 P(r object)表示單元格內(nèi)是否包含目標(biāo)物體，若目標(biāo)中心點在單元格內(nèi)，則為 1，否則為 0;IOU(b，object)表示模型輸出的預(yù)測框與真實框的交并比，計算在原始圖像中預(yù)測框與真實標(biāo)注框的面積重合度。若單元格內(nèi)包含目標(biāo)，則還需通過該目標(biāo)類別的概率與置信度的乘積得到類別置信度，選出類別置信度最高的預(yù)測框并使用非極大抑制 (Non-Maximum Suppression，NMS)進行篩選，再通過解碼將中心點偏值轉(zhuǎn)換為邊界框的中點坐標(biāo)，得到最終的預(yù)測框位置與類別。其計算公式如下所示： bx=σ(tx )+cx， by=σ(ty )+cy， bw=pwe tw ， bh=phe th ，其中 bx、by、bw、bh 分別為預(yù)測框的中心點坐標(biāo)以及寬高;t 為偏差值;cx、cy 為單元格左上點坐標(biāo);pw、ph 為邊界框的寬高;σ 為激活函數(shù)。 YOLOv3 以殘差結(jié)構(gòu)作為基礎(chǔ)組成單元，并結(jié)合特征金字塔網(wǎng)絡(luò) FPN[12](Feature Pyramid Networks)來進一步提高精度，但將 YOLOv3 應(yīng)用在絕緣子檢測上仍存在一些缺點。首先，當(dāng) YOLOv3 的輸入為 416×416 像素時，用于檢測的特征圖的最小尺寸為 13×13 像素，檢測大物體時會出現(xiàn)漏檢現(xiàn)象，特征圖的最大尺寸為 52×52 像素，在檢測小物體時會有漏檢和誤檢;其次， YOLOv3 雖然使用了殘差結(jié)構(gòu)，但是每個階段的特征圖之間的關(guān)系并不緊密，較深和較淺的特征不具有相互操作性，降低了檢測精度，較深的特征層不能很好地利用淺層特征層的信息，隨著級數(shù)的增加和網(wǎng)絡(luò)的加深，更容易造成梯度消失現(xiàn)象;最后，YOLOv3 中對特征圖的處理多以 3×3 的卷積為主，這種設(shè)置雖然可以有效降低網(wǎng)絡(luò)參數(shù)，但 3×3 的卷積層感受野不夠豐富，在應(yīng)對復(fù)雜背景下的目標(biāo)檢測時效果較差。

　　2 算法改進

　　本文針對原始 YOLOv3 算法進行改進，首先采用 VoVNet 作為主干網(wǎng)絡(luò)，其擁有更高分辨率的輸入，特征圖的最小尺寸為 16×16 像素，最大尺寸為 64×64 像素，可以有效減少模型漏檢和誤檢的現(xiàn)象，并且 VoVNet 的密集連接方式將每層特征圖與最后一層特征相連，從而加深特征圖之間的關(guān)系，并提高較深層中較淺特征的利用率，防止梯度消失，進一步提高檢測精度;其次本文提出一種特征增強模塊用以解決原始 YOLOv3 算法中淺層特征語義信息不足，感受野較小的問題。

　　2.1 VoVnet

　　本文采用 VoVNet-39 網(wǎng)絡(luò)，其結(jié)構(gòu)如圖 1 所示，網(wǎng)絡(luò)輸入大小為 512×512 像素，由一個包含 3 個卷積層的 Stem Block 和 4 個階段的一次性聚合模塊(OSA)組成， OSA 模塊由 5 個 3×3 卷積和 1 個 1×1 的卷積層組成，所有 3×3 的卷積層具有相同的輸入和輸出通道數(shù)。 VoVNet-39 在第 2、第 3 階段分別布置 1 個 OSA 模塊，在第 4、第 5 階段分別布置 2 個 OSA 模塊。每階段 OSA 模塊之間使用 3×3 的最大池化層進行連接以及下采樣。 OSA 模塊獨特的特征連接方式如圖 2 所示，每個卷積層均有兩個輸出與其他特征圖連接，一個輸出連接到后續(xù)特征圖，以產(chǎn)生具有更大感受野的特征圖信息，另一個輸出聚合到最終的特征圖中，并通過 1×1 的卷積層壓縮通道數(shù)，這種聚合方法可以一次聚合中間特征，在保持連接強度的同時，極大地提高了媒體訪問控制和圖形處理器的計算效率。

　　2.2 特征增強針對原始 YOLOv3 算法感受野不足、淺層特征語義信息少的缺點，本文基于 RFB[13](Receptive Field Block) 感受野原理提出一種新型的特征增強模塊，對網(wǎng)絡(luò)淺層特征進行增強，提升網(wǎng)絡(luò)對絕緣子圖像的適應(yīng)能力。本文所使用的網(wǎng)絡(luò)結(jié)構(gòu)如圖 3 所示，提取 VoVNet-39 中第 3、第 4 和第 5 階段的特征圖進行預(yù)測，其尺寸分別為 64×64 像素、32×32 像素和 16×16 像素，同時對第 3 和第 4 階段的特征圖進行增強處理。特征增強模塊的結(jié)構(gòu)如圖 4 所示，采取多個支路對特征圖進行處理，在每個支路布置尺度不同的卷積層，并引入了空洞卷積以增加感受野范圍。第一個支路為 1×1、3×3 的卷積級聯(lián);第二個支路為 1×1、3×3 以及大小為 3×3，膨脹率為 3 的空洞卷積級聯(lián);第三條支路結(jié)構(gòu)與第二條相同，區(qū)別為其空洞卷積層的膨脹率為 5，對前三條支路的輸出層進行堆疊(Concat)，并通過 1×1 的卷積調(diào)整通道數(shù);第四條支路為 1×1 的卷積層，與堆疊后的特征圖進行元素相加(Add)以達到增加感受野的目的。其計算如下： Qi=Hi[P(X)j ]，i=1，2，3， Wi=R(i Q)i ， Zj=δi[H1，H2，H3]+P(X)j ，式中，Xj 表示輸入的特征圖;P 表示由 1x1 的卷積、BN 層和 relu 層組成的非線性操作組合;Hi 表示進行 i 次由 3×3、BN 層和 relu 層組成的非線性操作組合;Qi 表示 i 次卷積操作后的特征圖;Ri 表示空洞卷積;i = 1，2，3 時，空洞卷積的膨脹率分別為 1，3，5;δi[.]表示 Concatenation 特征融合操作;Zj 表示融合后的新特征圖。

　　3 實驗結(jié)果與分析

　　3.1 實驗平臺與模型訓(xùn)練

　　本實驗基于 Tensorflow1.13 框架實現(xiàn)，使用的編程語言為 Python，訓(xùn)練與測試均在 Ubuntu16.04 操作系統(tǒng)、NVIDIA Tesla T4(16G 顯存)上進行。batch_size 設(shè)置為 32，初始學(xué)習(xí)率設(shè)置為 0.0001，采用余弦退火衰減法，學(xué)習(xí)率最高值為 0.001，預(yù)熱期為 16 批次。

　　3.2 數(shù)據(jù)集構(gòu)建本文所使用的數(shù)據(jù)集源于無人機巡檢輸電線路所拍攝的絕緣子故障圖片，使用 labelimg 程序進行標(biāo)注，數(shù)據(jù)集格式仿照 PLSCAL VOC 構(gòu)建，包含自然場景下的故障絕緣子共 1500 張圖片，數(shù)據(jù)集的分辨率為 800×1000 像素。對數(shù)據(jù)集中的圖片進行旋轉(zhuǎn)變換、色差變換以及添加噪聲等數(shù)據(jù)擴增操作，并按照 7∶3 的比例劃分為訓(xùn)練集和測試集。

　　3.3 結(jié)果及分析將使用 VoVNet 和特征增強模塊后的網(wǎng)絡(luò)與原始 YOLOv3 算法進行對比實驗，本文主要通過準(zhǔn)確率(AP)、精確度(Precision)、召回率(Recall)以及檢測速率(FPS)來對模型性能進行評價。對比結(jié)果如表 1 所示，本文改進算法的檢測準(zhǔn)確率(AP)為 98.01%，相較于原始 YOLOv3 算法提高了 6.07%，說明 VoVNet 與本文提出的特征增強模塊可以有效提升對故障絕緣子的檢測效果。改進后的算法精確度(Precision)提升較不明顯，但是召回率(Recall)提升顯著。由于 VoVNet 相較于原始算法的 DarkNet 在結(jié)構(gòu)上更復(fù)雜，因此在檢測速度上改進后的算法略低于原始算法。圖 5 為本文改進算法對絕緣子的檢測效果圖，可以看出在多種復(fù)雜背景(如塔架、房屋以及植被等)下本文算法可以有效檢測出絕緣子目標(biāo)，并且當(dāng)距離較遠時，目標(biāo)在圖像中占比極小，本文算法仍可以檢出待檢目標(biāo)，證明本文提出的算法可以有效完成對絕緣子的檢測任務(wù)。

　　4 結(jié)論本文針對高壓輸變電線路人工巡檢困難的問題，提出了一種基于 YOLOv3 改進的輸電線路絕緣子目標(biāo)檢測方法。該方法以 VoVNet 為特征提取網(wǎng)絡(luò)，通過密集的連接方式提升網(wǎng)絡(luò)的特征提取能力，結(jié)合多分支結(jié)構(gòu)與空洞卷積設(shè)計了能增強模型感受野與語義信息的特征增強模塊。通過實驗表明，本文算法在自然背景下的絕緣子圖像檢測中 mAP 達到了 98.01%，速度為 29FPS，實現(xiàn)了高效率且高精度的絕緣子目標(biāo)檢測方式。