0   引言

絕緣子廣泛應(yīng)用于高壓輸電線(xiàn)路中，在電氣絕緣和導(dǎo)線(xiàn)連接中起著重要作用。在長(zhǎng)期自然環(huán)境以及其他惡劣條件作用下，絕緣子可能出現(xiàn)自爆、掉串等故障，對(duì)電力系統(tǒng)構(gòu)成嚴(yán)重威脅，因此，定期巡檢輸電線(xiàn)路絕緣子，及時(shí)發(fā)現(xiàn)并處理故障絕緣子對(duì)電力系統(tǒng)的穩(wěn)定性與可靠性具有重要意義^[1]。目前常用的方法是用直升機(jī)或無(wú)人機(jī)捕捉絕緣子的航空?qǐng)D像，在直升機(jī)或無(wú)人機(jī)巡檢中，由于無(wú)人機(jī)鏡頭是多角度的，并且包含復(fù)雜的背景，提取和定位絕緣子的過(guò)程至關(guān)重要。

因此研究航拍圖像中絕緣子自動(dòng)檢測(cè)就顯得十分重要。最初的圖像識(shí)別算法主要通過(guò)搜集圖像，再對(duì)圖像進(jìn)行處理以實(shí)現(xiàn)絕緣子檢測(cè)。黃宵寧等人提出了一種用于直升機(jī)巡檢圖像中絕緣子的提取算法，該算法能夠在航拍圖像復(fù)雜背景中完整地提取出絕緣子圖像^[2]；趙振兵等人采用NSCT 提取絕緣子圖像的邊緣圖像，該方法取得了更好的提取效果^[3]；Oberweger 等人提出可以使用基于局部梯度的描述子提取單個(gè)絕緣子帽，然后用橢圓描述子檢測(cè)絕緣子帽^[4]；金立軍等人在紅外和可見(jiàn)光絕緣子圖像基礎(chǔ)上，對(duì)圖像進(jìn)行特征融合，該方法有效提高檢測(cè)準(zhǔn)確率^[5]；張燁等人首先對(duì)絕緣子進(jìn)行定位檢測(cè)，然后對(duì)圖像進(jìn)行預(yù)處理，能夠判斷絕緣子是否覆冰以及計(jì)算出覆冰厚度^[6]。以上是一些傳統(tǒng)的圖像處理方法，利用輸電線(xiàn)路圖像的閾值分割和基于絕緣子爆炸特征的分割故障識(shí)別。雖然機(jī)器學(xué)習(xí)在一定程度上提高了可靠性，但在識(shí)別時(shí)間和準(zhǔn)確率上仍有提升空間。近年來(lái)，基于深度模型對(duì)目標(biāo)進(jìn)行檢測(cè)的算法^[7]表現(xiàn)突出，是目前應(yīng)用較為廣泛的目標(biāo)檢測(cè)方法。王萬(wàn)國(guó)等人使用FasterRCNN 網(wǎng)絡(luò)對(duì)于間隔棒、絕緣子等部件的識(shí)別準(zhǔn)確率達(dá)到92.7%^[8]；李軍峰等人結(jié)合深度學(xué)習(xí)和隨機(jī)森林的對(duì)絕緣子、變壓器、斷路器、電桿和鐵塔這5 類(lèi)共8 500幅電力圖像進(jìn)行識(shí)別，識(shí)別準(zhǔn)確率達(dá)到了89.6%^[9]；凌澤南等人將絕緣子破損定位問(wèn)題作為一個(gè)低信噪比的圖像定位框架，包括基于快速R-CNN 的目標(biāo)檢測(cè)和基于U-net 的像素分類(lèi)。前者負(fù)責(zé)玻璃絕緣子串的定位，提高信噪比；后者能夠?qū)Σ煌叽绲牟眉魣D像中的像素進(jìn)行精確分類(lèi)^[10]。王永利等人利用Fast R-CNN 目標(biāo)檢測(cè)網(wǎng)絡(luò)對(duì)輸電線(xiàn)路上的絕緣子進(jìn)行快速分類(lèi)和定位，通過(guò)構(gòu)造全卷積神經(jīng)網(wǎng)絡(luò)對(duì)絕緣子進(jìn)行語(yǔ)義分割；最后將完成的絕緣子圖像輸入到分類(lèi)網(wǎng)絡(luò)中，判斷絕緣子是否爆裂，該方法對(duì)絕緣子故障爆炸識(shí)別準(zhǔn)確率達(dá)到99% 以上，在一定程度上提高復(fù)雜背景下絕緣子爆炸識(shí)別的準(zhǔn)確性，有效地提高了輸電系統(tǒng)的安全運(yùn)行^[11]。Ohta 等人利用無(wú)人機(jī)對(duì)輸電塔、絕緣子進(jìn)行圖像采集，然后通過(guò)YOLO 模型和連續(xù)圖像處理技術(shù)進(jìn)行絕緣子和輸電塔的識(shí)別。在具有背景景觀的絕緣子圖像中，該方法圖像識(shí)別的錯(cuò)誤率為9.8%^[12]。Antwi-Bekoe 等人利用卷積神經(jīng)網(wǎng)絡(luò)CNN 對(duì)架空電力傳輸系統(tǒng)采集的圖像中的絕緣子元件和故障絕緣子盤(pán)進(jìn)行檢測(cè)和分類(lèi)，通過(guò)從不同距離、角度和背景拍攝的圖像中檢測(cè)出目標(biāo)絕緣體和離群值，分別達(dá)到了93.75% 和82.0% 的精度，為架空輸電線(xiàn)路自動(dòng)化檢測(cè)的實(shí)施提供了切實(shí)可行的解決方案^[13]。馬鵬等人利用改進(jìn)后的SSD 網(wǎng)絡(luò)根據(jù)電力小部件的特點(diǎn)加載不同模型參數(shù)微調(diào)卷積神經(jīng)網(wǎng)絡(luò)，采用Soft-PNMS 算法進(jìn)行優(yōu)化，該算法對(duì)絕緣子等小部件的精準(zhǔn)度達(dá)到了91.1%，對(duì)電力小部件的檢測(cè)有重要意義^[14]。相較以前，上述方法準(zhǔn)確度和識(shí)別率都大大提升，但是其研究主要集中在絕緣子識(shí)別和故障檢測(cè)，對(duì)于復(fù)雜背景下絕緣子的檢測(cè)過(guò)少。本文針對(duì)航拍圖像中絕緣子檢測(cè)這一特定情況，通過(guò)多尺度訓(xùn)練提升系統(tǒng)魯棒性，改進(jìn)RPN（Region Proposal Network）候選框比例使檢測(cè)結(jié)果更貼合目標(biāo)，改進(jìn)Faster RCNN^[15] 模型并引入深度殘差網(wǎng)絡(luò)，提高復(fù)雜背景下絕緣子的檢測(cè)精度。

1   絕緣子檢測(cè)識(shí)別方法

在海量巡檢圖像中絕緣子形態(tài)不一且現(xiàn)有目標(biāo)檢測(cè)算法絕緣子檢測(cè)精確度較低。為提高目標(biāo)檢測(cè)準(zhǔn)確性，降低漏檢率，提升檢測(cè)速度，本文選用Faster RCNN 模型進(jìn)行巡檢圖像的絕緣子檢測(cè)，在此基礎(chǔ)上結(jié)合多尺度訓(xùn)練、改善候選區(qū)域比例和深度殘差網(wǎng)絡(luò)，解決目標(biāo)尺寸不一、遮擋等因素影響，進(jìn)一步提高絕緣子檢測(cè)的精確度。本文的絕緣子檢測(cè)流程如圖1 所示。

1.1 樣本擴(kuò)充

本文中絕緣子數(shù)據(jù)集來(lái)自無(wú)人機(jī)巡檢航拍圖像，涵蓋不同地點(diǎn)不同時(shí)期包含絕緣子的巡檢圖片。考慮到部分巡檢圖像中存在很多小目標(biāo)，而普通的切割方法會(huì)使這些小目標(biāo)的信息大量流失，因此采用自適應(yīng)裁剪算法，可以通過(guò)計(jì)算目標(biāo)占畫(huà)幅大小比例來(lái)進(jìn)行裁剪操作，可以對(duì)樣本進(jìn)行更有效的裁剪。并且采用水平翻轉(zhuǎn)以及亮度扭曲來(lái)進(jìn)行樣本擴(kuò)充。樣本擴(kuò)充流程細(xì)節(jié)如圖2 所示，樣本擴(kuò)充示例如圖3 所示。

（a）原始圖像

（b）水平翻轉(zhuǎn)

（c）自適應(yīng)裁剪

（d）亮度不足

（e）亮度過(guò)大

圖3 樣本擴(kuò)充示例

1.2 Faster RCNN檢測(cè)算法

Faster RCNN 算法基本工作原理如圖3 所示。過(guò)程如下：

1）對(duì)輸入的圖像進(jìn)行預(yù)處理，包括圖像翻轉(zhuǎn)、像素變換等；

2）采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入圖像進(jìn)行特征提?。?/p>

3）通過(guò)區(qū)域建議網(wǎng)絡(luò)（RPN）生成候選圖；

4）把候選框與提取的特征圖對(duì)應(yīng)，提取候選圖對(duì)應(yīng)的特征圖；

5）通過(guò)ROI 池化層將大小不同的候選框?qū)?yīng)的特征圖處理成相同大小；

6）將候選圖的特征圖輸入到全連接層，分別對(duì)候選框進(jìn)行分類(lèi)的位置回歸。

1.3 RPN網(wǎng)絡(luò)的改進(jìn)

RPN 網(wǎng)絡(luò)是在特征圖上找到所有的目標(biāo)候選區(qū)域，卷積層生成的特征映射圖作為RPN 的輸入。在RPN網(wǎng)絡(luò)中，設(shè)置了9 種anchors，對(duì)應(yīng)3 種尺度（1282、2562、5122 ）以及3 種長(zhǎng)寬比（1：1、1：2、2：1），但是對(duì)常規(guī)物體檢測(cè)設(shè)置的。由于絕緣子的外形均為細(xì)長(zhǎng)型，寬高比例非常不均衡，原始的anchor 不適合對(duì)于細(xì)長(zhǎng)絕緣子的檢測(cè)，而且絕緣子在整幅圖像中的占比較小，因此為了得到更好的識(shí)別效果，需要微調(diào)候選框比例。為了降低漏檢率，增加一組尺度642，候選框數(shù)目從9 增加到了12。將PRN 網(wǎng)絡(luò)候選框比例擴(kuò)展，尋找最佳比例。

1.4 深度殘差網(wǎng)絡(luò)

深度殘差網(wǎng)絡(luò)（deep residual network，ResNet）^[16]設(shè)計(jì)了一種殘差模塊，并以殘差模塊來(lái)構(gòu)建網(wǎng)絡(luò)，殘差模塊如圖5 所示。其中X 為該殘差模塊的輸入，F(xiàn)(X)為由該殘差模塊擬合得到的函數(shù)。

深度殘差網(wǎng)絡(luò)ResNet101 由殘差模塊層層疊加構(gòu)成，包含100 個(gè)卷積層、100 個(gè)激活層、4 個(gè)池化層和1 個(gè)全連接層。而原始Faster-RCNN 算法也利用包含4 個(gè)池化層的VGG16 網(wǎng)絡(luò)來(lái)提取圖像特征，因此本文利用ResNet101 來(lái)代替VGG16 網(wǎng)絡(luò)，圖像尺寸變化也與VGG16 網(wǎng)絡(luò)保持一致。實(shí)驗(yàn)結(jié)果表明，相比利用VGG16 網(wǎng)絡(luò)提取圖像特征，使用ResNet101 網(wǎng)絡(luò)可以取得更好的檢測(cè)效果。

1.5 多尺度訓(xùn)練

原始Faster RCNN 模型要求訓(xùn)練的圖片尺寸相同，而在實(shí)際巡檢過(guò)程中，采集圖像中絕緣子大小不一，差別較大，因此容易出現(xiàn)漏檢的情況，包括圖像中絕緣子較小的圖像。為了降低絕緣子的漏檢率，通過(guò)多尺度訓(xùn)練，設(shè)置三種輸入尺度（480、600、750），在保持絕緣子圖像占比不變的情況下，每張圖片隨機(jī)以一種尺度輸入進(jìn)行訓(xùn)練，使訓(xùn)練出的模型能夠?qū)W習(xí)各種尺寸大小的絕緣子特征。實(shí)驗(yàn)證明，采用多尺度訓(xùn)練能夠檢測(cè)到較小的絕緣子圖像，提高絕緣子的檢測(cè)率。

2   實(shí)驗(yàn)結(jié)果及分析

2.1 評(píng)價(jià)指標(biāo)

本文運(yùn)算環(huán)境配置為：Inter Core i7-9700F@4.50 GHz、8GB 運(yùn)行內(nèi)存、RTX2070 Super ultra oc GPU 的電腦。本文選取巡檢絕緣子圖片共3 400 張，其中3 100 張為網(wǎng)絡(luò)的訓(xùn)練集，300 張為測(cè)試集。采用精確度（precision）和召回率（recall）來(lái)衡量模型檢測(cè)的結(jié)果，公式如（1）、（2）所示。

其中，TP 為正常識(shí)別出絕緣子的樣本數(shù)；FP 為錯(cuò)誤識(shí)別絕緣子的樣本數(shù)；FN 為未識(shí)別出絕緣子的樣本數(shù)。

2.2 網(wǎng)絡(luò)訓(xùn)練

在訓(xùn)練時(shí)批次大小設(shè)置為128，權(quán)值衰減設(shè)為0.000 5，初始學(xué)習(xí)率為0.001。通過(guò)損失值（Loss）來(lái)判斷網(wǎng)絡(luò)訓(xùn)練效果，如圖6 所示，迭代次數(shù)越多，網(wǎng)絡(luò)的損失值越接近于0，說(shuō)明訓(xùn)練效果也越來(lái)越好。平均準(zhǔn)確率與迭代次數(shù)關(guān)系如圖7 所示，迭代次數(shù)越多，絕緣子識(shí)別的平均準(zhǔn)確率也越高，當(dāng)?shù)?3 000 時(shí)達(dá)到了最大的88%，因此本文把迭代13 000 次時(shí)的權(quán)重作為目標(biāo)檢測(cè)模型。

2.3 候選區(qū)域比例對(duì)檢測(cè)結(jié)果的影響

改變RPN 網(wǎng)絡(luò)中候選區(qū)域比例的種類(lèi)數(shù)量，對(duì)文中建立的數(shù)據(jù)集進(jìn)行檢測(cè)，得到的檢測(cè)結(jié)果以及平均精度（AP）如表1 所示，當(dāng)檢測(cè)候選框比例為1:4、1:3、1:2，1:1、2:1、3:1、4:1 時(shí)，檢測(cè)的平均精度最佳，比原始模型提升了8.02%。

2.4 改進(jìn)后的Faster RCNN實(shí)驗(yàn)結(jié)果

2.4.1不同目標(biāo)檢測(cè)算法結(jié)果對(duì)比

用不同目標(biāo)檢測(cè)算法與改進(jìn)后的Faster RCNN 進(jìn)行對(duì)比，結(jié)果如圖8 所示。由圖8 可知，改進(jìn)后的Faster RCNN 模型相較其他網(wǎng)絡(luò)模型能完整地識(shí)別出被桿塔遮擋的絕緣子部分，以及圖中微小的絕緣子目標(biāo)，且圖中的識(shí)別框更貼合目標(biāo)絕緣子。

（a）Yolo v3

（b）Faster RCNN

（c）改進(jìn)后Faster RCNN

圖8 不同目標(biāo)檢測(cè)算法檢測(cè)結(jié)果圖

用不同網(wǎng)絡(luò)模型對(duì)300 張測(cè)試集進(jìn)行檢測(cè)，能準(zhǔn)確識(shí)別出所有絕緣子，包括殘缺以及被遮擋的絕緣子，視為識(shí)別正確，實(shí)驗(yàn)結(jié)果如表2 所示。改進(jìn)后的FasterRCNN 相比Faster RCNN 以及YOLO v3 召回率分別提升了10%、7.34%，精確度分別提升了4.88%、3.82%。但平均檢測(cè)時(shí)間較長(zhǎng)，但仍然滿(mǎn)足巡檢要求。

2.4.2不同目標(biāo)檢測(cè)算法結(jié)果對(duì)比

不同策略訓(xùn)練網(wǎng)絡(luò)的檢測(cè)結(jié)果如表3 所示。由表3可知，策略2 相比策略1，微調(diào)候選框比例使精度提高了1.37%。策略3 比策略1 增加了一組尺度（642），anchor 數(shù)量增加到12，精確度也有明顯提升。策略3和策略4 對(duì)比可知，增加多尺度訓(xùn)練，將檢測(cè)精確度提高了1.09%。策略5 和策略6 對(duì)比可知，深度殘差網(wǎng)絡(luò)ResNet101 可以取得更好的檢測(cè)效果。綜上所述，4 種策略都使網(wǎng)絡(luò)模型的精度更高。

3   結(jié)束語(yǔ)

為提高航拍圖像中絕緣子的檢測(cè)能力，本文基于Faster RCNN 網(wǎng)絡(luò)模型進(jìn)行改進(jìn)使絕緣子檢測(cè)結(jié)果更為精確。針對(duì)絕緣子尺寸不一的特點(diǎn)，微調(diào)RPN 候選區(qū)域比例，增加anchor 數(shù)量，選擇ResNet101 網(wǎng)絡(luò)，提高絕緣子檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性。訓(xùn)練時(shí)增加多尺度訓(xùn)練來(lái)提高檢測(cè)模型的魯棒性。針對(duì)航拍圖像中遮擋絕緣子，增加深度殘差網(wǎng)絡(luò)來(lái)提高檢測(cè)精確度。檢測(cè)結(jié)果表明，改進(jìn)后的Faster RCNN 網(wǎng)絡(luò)的檢測(cè)精確度與FasterRCNN 相比提升了4.88%。但該方法平均檢測(cè)時(shí)間有所增加，而且巡檢絕緣子狀況不一，后續(xù)將繼續(xù)增加樣本，并且添加紅外絕緣子圖像，缺陷絕緣子圖像等，進(jìn)一步優(yōu)化網(wǎng)絡(luò)，減少測(cè)試時(shí)間，提升檢測(cè)準(zhǔn)確度。

參考文獻(xiàn)：

[1] GOLIGHTLY I,JONES D. Corner detection and matching for visual tracking during power line inspection[J].Image and vision computing,2003,21(9):827-840.

[2] 黃宵寧,張真良.直升機(jī)巡檢航拍圖像中絕緣子圖像的提取算法[J].電網(wǎng)技術(shù),2010,34(1):194-197.

[3] 趙振兵,金思新,劉亞春.基于NSCT的航拍絕緣子圖像邊緣提取方法[J].儀器儀表學(xué)報(bào),2012,33(9):2045-2052.

[4] OBERWEGER M,WENDEL A,BISCHOF H. Visual recognition and fault detection for power line insulators[C].19th computer vision winter workshop,2014.

[5] 金立軍,田治仁,高凱,等.基于紅外與可見(jiàn)光圖像信息融合的絕緣子污穢等級(jí)識(shí)別[J].中國(guó)電機(jī)工程學(xué)報(bào),2016,36(13):3682-3691,3389.

[6] 張燁,馮玲,穆靖宇,等.輸電線(xiàn)路絕緣子覆冰厚度圖像識(shí)別算法[J].電力系統(tǒng)自動(dòng)化,2016,40(21):195-202.

[7] HOSANG J,BENENSON R,DOLLáR P,et al,What makes for effective detection proposals[J],IEEE transactions on pattern analysis & machine intelligence,2016,38(4):814.

[8] 王萬(wàn)國(guó),田兵,劉越,等.基于RCNN的無(wú)人機(jī)巡檢圖像電力小部件識(shí)別研究[J].地球信息科學(xué)學(xué)報(bào),2017,19(2):256-263.

[9]李軍鋒,王欽若,李敏.結(jié)合深度學(xué)習(xí)和隨機(jī)森林的電力設(shè)備圖像識(shí)別[J].高電壓技術(shù),2017,43(11):3705-3711.

[10] LING Z,ZHANG D,QIU R C,et al,An accurate and realtime method of self-blast glass insulator location based on faster R-CNN and U-net with aerial images [J],CSEE journal of power and energy systems,2019,5(4):474-482.

[11] WANG Y,WANG J,GAO F,et al,Detection and recognition for fault insulator based on deep learning[C],20181 1 t h i n t e r n a t i o n a l c o n g r e s s o n i m a g e a n d s i g n a l processing,BioMedical Engineering and Informatics(CISPBMEI), 2018.

[12] OHTA H,SATO Y,MORI T,et al,Image acquisition of power line transmission towers using UAV and deep learning technique for insulators localization and recognition[C].2019 23rd international conference on system theory,control and computing(ICSTCC),2019.

[13] ANTWI-BEKOE E,ZHAN Q,XIE X,et al,Insulator recognition and fault detection using deep learning approach[C]. Journal of Physics:Conference Series,Volume 1454,2019 international conference on advanced information systems and engineering,Cairo,Egypt.

[14] 馬鵬,樊艷芳.基于深度遷移學(xué)習(xí)的小樣本智能變電站電力設(shè)備部件檢測(cè)[J].電網(wǎng)技術(shù),2020,44(3):1148-1159.

[15] REN S,HE K,GIRSHICK R,et al,Faster R-CNN:Towards r e a l - t i m e o b j e c t d e t e c t i o n w i t h r e g i o n p r o p o s a l networks[J],IEEE transactions on pattern analysis & machine intelligence,2017,39(6):1137-1149.

[16] HE K,ZHANG X,REN S,et al,Deep residual learning for image recognition[C].2016 IEEE Conference on Computer Vision and Pattern Recognition(CVPR),Las Vegas,USA:IEEE,2016:770-77.

（本文來(lái)源于《電子產(chǎn)品世界》雜志2021年10月期）