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定和保證輸電網的正常運行具有重要意義。絕緣子一旦出現故障，將會造成嚴重的輸電故障和經濟損失。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 作為主干網絡，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。

　　關鍵詞：輸電線路;絕緣子;深度學習;目標檢測

　　陳科羽;時磊;劉博迪;嚴爾梅;歐進永 科技創新與應用 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的規模不斷擴大，高壓輸電線路和輸電系統變得越來越重要，及時了解電力系統的運行狀態對電力系統的安全穩定運行至關重要[1]。絕緣子是電力系統中輸變電設備的重要組成部分，由于長期暴露在野外，經常被惡劣的環境侵蝕，使絕緣子出現污染、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。絕緣子發生故障時，輸電線路與桿塔接觸會造成停電，甚至可能發生大規模停電事故。目前，電網采用人工巡檢方式，不僅費時費力，而且難以及時、全面地掌握線路、絕緣子等電氣設備的狀態。隨著人工智能技術的發展，基于深度學習算法實現了端到端的圖像識別，使得絕緣子識別在電力系統中的應用成為可能。

　　絕緣子的識別主要有兩種途徑：(1)傳統方法：主要根據絕緣子的形狀和紋理，結合神經網絡來識別絕緣子。這些特征包括 HOG 特征、SUFS 特征[2-3]和小波系數[4] 等。這種方法精度低、魯棒性差，對目標視頻和圖片的拍攝角度要求高。(2)深度學習算法：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]的基礎上引入了 Res2Net 殘差模塊，以實現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絡 PinFPN，有效解決了在輸電線路故障巡檢中小尺寸目標檢測困難的問題;趙銳等[8]將 CenterNet 與 DLA-SE 特征提取網絡相結合，實現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 算法對絕緣子訓練數據庫進行訓練，實現自然背景下的絕緣子識別和定位。首先使用 VoVNet[10]作為算法的主干網絡，相比于原先的 DarkNet53，VoVNet 特殊的特征連接方式在保證網絡特征提取能力的同時，降低了模型計算量和參數量，提升網絡對特征的敏感度。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

　　與其他深度學習算法如 Faster R-CNN[11]相比， YOLOv3 算法將檢測模型轉換為回歸問題，通過端到端的架構使用整個圖像的特征來預測每個邊界框，實現了高精度、高效率的檢測方式。在訓練過程中，網絡將原始圖像尺度標準化為 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測不同尺度的目標，每個特征圖中的每一個單元內預測三個邊界框，每個邊界框輸出兩套獨立的預測值，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)表示單元格內是否包含目標物體，若目標中心點在單元格內，則為 1，否則為 0;IOU(b，object)表示模型輸出的預測框與真實框的交并比，計算在原始圖像中預測框與真實標注框的面積重合度。若單元格內包含目標，則還需通過該目標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換為邊界框的中點坐標，得到最終的預測框位置與類別。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 分別為預測框的中心點坐標以及寬高;t 為偏差值;cx、cy 為單元格左上點坐標;pw、ph 為邊界框的寬高;σ 為激活函數。 YOLOv3 以殘差結構作為基礎組成單元，并結合特征金字塔網絡 FPN[12](Feature Pyramid Networks)來進一步提高精度，但將 YOLOv3 應用在絕緣子檢測上仍存在一些缺點。首先，當 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漏檢現象，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 雖然使用了殘差結構，但是每個階段的特征圖之間的關系并不緊密，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，隨著級數的增加和網絡的加深，更容易造成梯度消失現象;最后，YOLOv3 中對特征圖的處理多以 3×3 的卷積為主，這種設置雖然可以有效降低網絡參數，但 3×3 的卷積層感受野不夠豐富，在應對復雜背景下的目標檢測時效果較差。

　　2 算法改進

　　本文針對原始 YOLOv3 算法進行改進，首先采用 VoVNet 作為主干網絡，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 網絡，其結構如圖 1 所示，網絡輸入大小為 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。 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特征圖，以產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，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，對網絡淺層特征進行增強，提升網絡對絕緣子圖像的適應能力。本文所使用的網絡結構如圖 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。特征增強模塊的結構如圖 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;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;第三條支路結構與第二條相同，區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 的卷積調整通道數;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 實驗結果與分析

　　3.1 實驗平臺與模型訓練

　　本實驗基于 Tensorflow1.13 框架實現，使用的編程語言為 Python，訓練與測試均在 Ubuntu16.04 操作系統、NVIDIA Tesla T4(16G 顯存)上進行。batch_size 設置為 32，初始學習率設置為 0.0001，采用余弦退火衰減法，學習率最高值為 0.001，預熱期為 16 批次。

　　3.2 數據集構建本文所使用的數據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 程序進行標注，數據集格式仿照 PLSCAL VOC 構建，包含自然場景下的故障絕緣子共 1500 張圖片，數據集的分辨率為 800×1000 像素。對數據集中的圖片進行旋轉變換、色差變換以及添加噪聲等數據擴增操作，并按照 7∶3 的比例劃分為訓練集和測試集。

　　3.3 結果及分析將使用 VoVNet 和特征增強模塊后的網絡與原始 YOLOv3 算法進行對比實驗，本文主要通過準確率(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。對比結果如表 1 所示，本文改進算法的檢測準確率(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 在結構上更復雜，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，并且當距離較遠時，目標在圖像中占比極小，本文算法仍可以檢出待檢目標，證明本文提出的算法可以有效完成對絕緣子的檢測任務。

　　4 結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檢測方法。該方法以 VoVNet 為特征提取網絡，通過密集的連接方式提升網絡的特征提取能力，結合多分支結構與空洞卷積設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，實現了高效率且高精度的絕緣子目標檢測方式。