陳景文， 周　鑫， 張　蓉， 張　東

(陜西科技大學(xué) 電氣與信息工程學(xué)院， 陜西 西安　710021)

0　引言

絕緣子作為電力線路中的重要部件，長期暴露在外受自然界外力的侵蝕，極易發(fā)生破損、掉片和老化等故障；一旦故障，將會引起整條輸電線路供電中斷，甚至導(dǎo)致大面積停電，給人民生產(chǎn)生活造成巨大的經(jīng)濟(jì)損失.為了保證整條輸電線路的安全可靠運(yùn)行，必須及時有效的對輸電線路絕緣子進(jìn)行巡檢并發(fā)現(xiàn)排除故障[1-3].隨著智能電網(wǎng)技術(shù)的發(fā)展，無人機(jī)巡檢技術(shù)在輸電線路巡檢中的應(yīng)用較為成熟，相比于傳統(tǒng)人工巡檢，無人機(jī)巡檢可以深入到人工難以接近的高電壓工作區(qū)域進(jìn)行自動巡檢，很大程度上減小了工作量，縮短了巡線周期、降低了誤檢率.與此同時航拍絕緣子的圖像識別成為判斷輸電線路運(yùn)行狀態(tài)的重要依據(jù)[4-6].

對于絕緣子檢測方法已有相關(guān)研究,目前常用的檢測方法主要有基于骨架提取的絕緣子檢測法[7]；基于絕緣子串特征提取的絕緣子檢測方法[8]；基于閾值分割的絕緣子檢測法等[9]；這些方法需要人為進(jìn)行特征提取，工作量大，識別率低，容易因主觀性信息丟失導(dǎo)致絕緣子誤檢或漏檢.難以準(zhǔn)確識別出無人機(jī)所獲得的數(shù)量龐大、背景復(fù)雜的絕緣子圖像.對此學(xué)者們提出了基于深度學(xué)習(xí)的圖像分割方法[10-12]，例如基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的絕緣子檢測方法；相比傳統(tǒng)檢測方法能夠自動分層進(jìn)行特征提取，綜合考慮整體和局部信息，減小了工作量的同時，提高了絕緣子檢測準(zhǔn)確率.但由于CNN在對絕緣子圖像進(jìn)行像素分類時，每個像素點(diǎn)都需要取一個圖像分類塊，對于復(fù)雜背景的絕緣子圖像，相鄰兩個像素點(diǎn)的圖像的分類塊相似度很高，存在非常多的冗余，容易導(dǎo)致網(wǎng)絡(luò)訓(xùn)練慢[13]；因此又提出了目前較為先進(jìn)的基于全卷積網(wǎng)絡(luò)(FCN)的圖像分割方法，能在不含有全連接層的情況下能進(jìn)行密集預(yù)測，可以生成任意大小的圖像分割圖譜，提高了處理速度.但由于FCN網(wǎng)絡(luò)中池化層感受視野擴(kuò)大，聚合語境導(dǎo)致目標(biāo)位置等細(xì)節(jié)信息的丟失，對于復(fù)雜背景的絕緣子圖像，難以準(zhǔn)確定位，導(dǎo)致檢測準(zhǔn)確率的降低[14].

針對這一問題文章提出基于U-net網(wǎng)絡(luò)的航拍絕緣子檢測方法，利用疊加方法將淺層特征與高維特征相融合，其中較淺的高分辨率特征圖用來解決像素定位的問題，較深的高維特征圖用來解決像素分類的問題，避免了目標(biāo)位置等細(xì)節(jié)信息的丟失，提高復(fù)雜背景下絕緣子圖像的定位精度，可以獲得更為精確的絕緣子檢測效果.

1　U-net網(wǎng)絡(luò)

U-net網(wǎng)絡(luò)是全卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)和優(yōu)化，與FCN不同的是U-net模型在全連接層后添加了上采樣的過程，由于FCN在經(jīng)過一系列卷積池化后，所得到的高維特征圖丟失了目標(biāo)位置等淺層細(xì)節(jié)信息，導(dǎo)致定位精度降低；因此，U-net網(wǎng)絡(luò)提出通過疊加的方法將淺層特征與深層高維特征融合后再進(jìn)行上采樣，得到最終的像素分類結(jié)果；其中淺層的高分辨率絕緣子圖像特征圖一般為目標(biāo)位置、邊緣等細(xì)節(jié)信息，用來解決像素目標(biāo)定位的問題，深層的高維特征送入softmax分類層，用來進(jìn)行最終的像素分類，避免了位置信息的丟失[15].同時在處理具有更大感受野的目標(biāo)時，U-net可以根據(jù)數(shù)據(jù)集自由加深網(wǎng)絡(luò)結(jié)構(gòu)精細(xì)化分割結(jié)果，提高檢測精度.

2　U-net網(wǎng)絡(luò)結(jié)構(gòu)

U-net網(wǎng)絡(luò)結(jié)構(gòu)形似“U”型，由一個收縮路徑組成，將圖像折疊成一組高級特征，隨后是使用特征信息構(gòu)建像素分割掩碼的擴(kuò)展路徑. U-net獨(dú)特的地方就是它的“復(fù)制和合并”這些連接能夠?qū)⑿畔脑缙谔卣鲌D傳遞到構(gòu)建分割掩碼網(wǎng)絡(luò)的后續(xù)部分，允許網(wǎng)絡(luò)同時并入高級特征和像素方面的細(xì)節(jié).詳細(xì)的U-net網(wǎng)絡(luò)架構(gòu)如圖1所示.

由圖1可知，U-net網(wǎng)絡(luò)結(jié)構(gòu)包含一個左側(cè)的收縮路徑(a)和一個右側(cè)的擴(kuò)張路徑(b).左側(cè)的收縮路徑用于捕捉內(nèi)容，右側(cè)的擴(kuò)張路徑用于精準(zhǔn)定位，兩個網(wǎng)絡(luò)路徑為對稱關(guān)系，形成一個 U 型結(jié)構(gòu).其中，收縮路徑包含兩次3*3的卷積，每一個均跟著一個修正線性單元( RELU) 和一個步幅為 2 的最大池化層.

在每一步下采樣中加倍了特征通道的數(shù)量.在擴(kuò)張路徑中的每一步都包含著一個特征譜的上采樣， 一個將通道數(shù)量減半的2*2卷積，以及一個來自相應(yīng)收縮路徑的圖譜的連接， 和兩次3*3的卷積， 且每一次均跟隨著一個修正線性單元RELU.為避免卷積中的邊界像素的缺失，需要進(jìn)行裁剪.最后一層用一個 1* 1 的卷積將每一個 64組的特征向量映射到需要的類的數(shù)量.

(a)收縮路徑　　　　　　　(b)擴(kuò)張路徑圖1　U-net網(wǎng)絡(luò)結(jié)構(gòu)

U-net所需訓(xùn)練樣本較少， 速度快， 比滑動卷積網(wǎng)絡(luò)效果更好.使用絕緣子圖像和對應(yīng)的分割圖譜來訓(xùn)練網(wǎng)絡(luò)，網(wǎng)絡(luò)使用能量函數(shù)計算每個像素點(diǎn)的softmax值，softmax的定義如下：

(1)

式(1)中：ak(x)表示像素位置x處的特征通道k的激活值，k表示的是類別的數(shù)量，其他輸出圖像中像素x處的值，當(dāng)pk(x)≈1時，ak(x)取得極大值，像素x的分類結(jié)果最好.pk(x)是近似的最大函數(shù).

利用二進(jìn)制交叉熵作為目標(biāo)來訓(xùn)練網(wǎng)絡(luò)模型，并使用高斯分布初始化卷積核，采用隨機(jī)梯度下降法來訓(xùn)練損失函數(shù)，使其收斂到極小值.具體公式如下：

(2)

E=∑j∈Ωθjlog(pk(x))

(3)

式(2)～(3)中：α為學(xué)習(xí)率設(shè)為0.002，θj為每一類的權(quán)值,通過調(diào)節(jié)θj可以調(diào)節(jié)整體分類的趨向性；Ω為所有像素的和.

3　實(shí)驗結(jié)果與分析

文章實(shí)驗圖像來源于無人機(jī)750 kV線路巡檢絕緣子圖像，實(shí)驗環(huán)境為IW4206-2Q深度學(xué)習(xí)工作站，Ubuntu 16.04 64位操作系統(tǒng)，62.8 GB內(nèi)存，NVIDIA GeForce GTX1080*2顯卡，CPU E5-1602V4， 最終在keras深度學(xué)習(xí)框架下實(shí)現(xiàn)U-net網(wǎng)絡(luò)模型的搭建.

為了說明基于U-net網(wǎng)絡(luò)的絕緣子檢測方法的有效性，本文將其與FCN絕緣子分割結(jié)果進(jìn)行比較分析；并分別對簡單背景和復(fù)雜背景的絕緣子圖像分割結(jié)果進(jìn)行比較分析，詳細(xì)結(jié)果如下.

3.1　簡單背景下的絕緣子圖像檢測結(jié)果

簡單背景的絕緣子圖像檢測結(jié)果如圖2所示.其中,圖2(a)和圖2(d)分別為原圖和標(biāo)簽，圖2(b)和圖2(c)分別為FCN和U-net的檢測結(jié)果.對于簡單背景的絕緣子FCN檢測方法也能達(dá)到一定檢測效果，但由于池化層擴(kuò)大感受野、聚合語境導(dǎo)致了位置信息的丟失，部分相近的背景被誤檢為絕緣子，如圖2(b)所示的檢測結(jié)果；相比于FCN檢測方法，基于U-net網(wǎng)絡(luò)的絕緣子檢測方法可以有效的排除相近背景的干擾，如圖2(c)檢測結(jié)果所示，有效分割出絕緣子，檢測結(jié)果良好.

3.2　復(fù)雜背景下的絕緣子圖像分割結(jié)果

復(fù)雜背景的絕緣子檢測結(jié)果如圖3所示.其中,圖3(a)和圖3(d)分別為原圖和標(biāo)簽，圖3(b)和圖3(c)分別為FCN和U-net的檢測結(jié)果.對于復(fù)雜背景的絕緣子圖像，F(xiàn)CN檢測方法由于池化層感受視野的擴(kuò)大，導(dǎo)致定位信息的丟失，容易將絕緣子周圍部件部分誤檢為絕緣子，難以排除復(fù)雜相近的背景影響，干擾較大；并且對于遮擋物容易被誤識別為絕緣子，誤檢率較高，如圖3(b)中檢測結(jié)果所示.相比于FCN檢測方法，基于U-net網(wǎng)絡(luò)的絕緣子檢測方法，利用疊加方法將淺層特征與深層高維特征相融合，其中淺層的高分辨率特征圖用來進(jìn)行像素定位，較深層用來解決像素分類的問題，避免了位置信息的丟失；能夠排除復(fù)雜背景和遮擋物的干擾，有效分割出絕緣子圖像，如圖3(c)中檢測結(jié)果所示，檢測效果良好.

圖2　簡單背景絕緣子檢測結(jié)果

圖3　復(fù)雜背景的絕緣子檢測

4　驗證

為了進(jìn)一步說明基于U-net網(wǎng)絡(luò)的絕緣子檢測方法的有效性，本文分別選取205張背景簡單和背景復(fù)雜的絕緣子圖像進(jìn)行測試，分別對檢測結(jié)果中存在的漏檢和誤檢現(xiàn)象進(jìn)行統(tǒng)計分析.對于簡單背景的絕緣子圖像FCN檢測法存在漏檢現(xiàn)象12張，誤檢現(xiàn)象5張；基于U-net網(wǎng)絡(luò)的絕緣子檢測法存在漏檢現(xiàn)象10張，誤檢現(xiàn)象4張.對于復(fù)雜背景的絕緣子FCN檢測法存在漏檢現(xiàn)象20張，誤檢現(xiàn)象 9張；基于U-net網(wǎng)絡(luò)的絕緣子檢測法存在漏檢現(xiàn)象16 張，誤檢現(xiàn)象7張.詳細(xì)漏檢率、誤檢率和準(zhǔn)確率如表1所示.

表1　絕緣子測試圖像檢測效果對比

從表1可以發(fā)現(xiàn),基于深度學(xué)習(xí)U-net網(wǎng)絡(luò)的航拍絕緣子檢測方法，相比于FCN檢測法，簡單背景的絕緣子圖像漏檢率降低1.1%，誤檢率降低0.5%，檢測準(zhǔn)確率達(dá)到93.1%；復(fù)雜背景的絕緣子圖像漏檢率降低2.1%，誤檢率降低1%；檢測準(zhǔn)確率達(dá)到88.9%.經(jīng)比較分析發(fā)現(xiàn)，兩種背景下的絕緣子圖像漏檢率和誤檢率均有所降低；但相比于簡單背景，復(fù)雜背景下的絕緣子圖像漏檢率和誤檢率降低幅度增大，為簡單背景下降低幅度的兩倍，檢測效果明顯.

5　結(jié)論

文章針對復(fù)雜背景下航拍絕緣子圖像檢測中存在的目標(biāo)位置等細(xì)節(jié)信息丟失的問題，提出一種基于深度學(xué)習(xí)U-net網(wǎng)絡(luò)的航拍絕緣子檢測方法，自動分層進(jìn)行絕緣子特征提取，通過疊加的方法將淺層特征與深層高維特征相融合，其中淺層的高分辨率特征圖用來進(jìn)行像素定位，深層的高維特征圖進(jìn)行像素分類，避免了目標(biāo)位置等細(xì)節(jié)信息的丟失，提高了定位精度；對于復(fù)雜背景的絕緣子圖像，能夠排除背景以及遮擋物影響，較大幅度的降低漏檢率和誤檢率，準(zhǔn)確率達(dá)到88.9%；能夠有效檢測出復(fù)雜背景下的絕緣子圖像，檢測效果明顯.