亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于Faster-RCNN的輸電線部件識別和缺陷檢測研究

        2021-01-30 05:30:34冉奇
        電子技術(shù)與軟件工程 2020年22期
        關(guān)鍵詞:檢測模型

        冉奇

        (西北工業(yè)大學(xué) 陜西省西安市 710072)

        1 引言

        近年來,無人機(Unmanned Aerial Vehicle, UAV)在輸電線路巡檢上的應(yīng)用越來越多。相較傳統(tǒng)人工巡檢,無人機巡檢有著巡檢效率高,安全性高,勞動成本低的特點。但通過無人機采集的大量圖像數(shù)據(jù),無法通過人工方法來實現(xiàn)真正的效率提高。因此研究一種可以智能化、大批量檢測輸電線部件和缺陷的技術(shù)具有重要的實際應(yīng)用價值。

        針對輸電線上的部件識別和缺陷檢測問題國內(nèi)外研究學(xué)者已經(jīng)取得了一定的進展。常用的方法可以分為數(shù)字圖像處理技術(shù)、機器學(xué)習(xí)和深度學(xué)習(xí)三類。對于數(shù)字圖像處理技術(shù),李芳等[1]采用隨機Hough 變換進行直線檢測。徐晶等[2]通過搜索符合鳥巢樣本的HSV 顏色特征量的連通區(qū)域,作為候選的鳥巢區(qū)域,分析候選區(qū)域的形狀特性參數(shù)來檢測出鐵塔上的鳥巢。

        隨后機器學(xué)習(xí)方法也得到快速發(fā)展。伍洋[3]采用AdaBoost 級聯(lián)分類器提取圖像中的幾何特征與形狀特征。雖然機器學(xué)習(xí)的方法能夠建立良好的模型,但是參數(shù)的設(shè)置以及特征點的旋轉(zhuǎn)十分依賴設(shè)計者的經(jīng)驗,并且在準確率和識別實踐上仍有較大的提升空間。

        目前,由于深度學(xué)習(xí)相關(guān)技術(shù)的突破,越來越多的研究員考慮采用深度學(xué)習(xí)的方法完成輸電線上的部件識別和缺陷檢測任務(wù)。主流的深度學(xué)習(xí)的目標(biāo)檢測算法有Fast R-CNN (Fast Region Convolutional Neural Network)[4]和 Faster R-CNN (Faster Region Convolutional Neural Network)[5]等,其特點是檢測精度高??紤]到任務(wù)要求和模型復(fù)雜程度,所以采用Faster -RCNN 模型比較符合實際需求。但是已有實驗證明此模型對小目標(biāo)的檢測效果不好[6],如果直接套用原始的Faster- RCNN 模型可能會造成不少目標(biāo)漏檢。

        針對上述方法中的各種問題,本文針對輸電線部件和缺陷檢測的目標(biāo)任務(wù),在Faster-RCNN 的基礎(chǔ)上提出改進模型。通過對采集的圖像進行擴增建立了輸電線巡檢圖像樣本庫,針對圖像中絕緣子具有尺寸多樣的特點,通過改進錨框得到改進模型,達到更好的絕緣子識別效果。

        2 基于Faster-RCNN的輸電線圖像檢測原理

        2.1 簡述

        對于一張輸電線圖像,首先通過卷積層進行特征提取,得到該輸電線圖像的特征圖。RPN(Region Proposal Network)區(qū)域生成網(wǎng)絡(luò)通過softmax 函數(shù)判斷特征圖上的錨框(anchors)屬于前景(foreground)還是背景(background),輸出區(qū)域建議(regionproposals)。RoI (Region of Interest)池化層,綜合卷積網(wǎng)絡(luò)產(chǎn)生的輸電線圖像特征圖和RPN網(wǎng)絡(luò)產(chǎn)生的區(qū)域建議提取生成特征向量,然后利用softmax 判斷候選區(qū)域中的類別,同時利用邊框回歸函數(shù)確定準確位置。檢測模型如圖1所示。

        表1:錨框參數(shù)變化

        表2:實驗結(jié)果

        圖1:基于Faster-RCNN的輸電線圖像檢測模型

        2.2 基于CNN的輸電線路圖像特征提取

        從上述流程檢測的原理可以看見,特征提取是檢測中的重要一步,本文選擇Vgg16 為特征提取網(wǎng)絡(luò)。加深神經(jīng)網(wǎng)絡(luò)的層數(shù)可以提取更好的特征,但同時也對計算性能要求更高,所以也不宜選擇卷積層數(shù)更多的ResNet101 網(wǎng)絡(luò)結(jié)構(gòu)。另一方面在郭夢浩等[7]和湯踴等[8]的研究中也實驗證實了Vgg16 網(wǎng)絡(luò)是較好的選擇。

        圖2:RPN 結(jié)構(gòu)

        圖3:數(shù)據(jù)集樣本

        圖4:數(shù)據(jù)擴充

        2.3 RPN網(wǎng)絡(luò)

        RPN 網(wǎng)絡(luò)的作用是選擇性搜索,是Faster-RCNN 的核心。RPN網(wǎng)絡(luò)使用的滑動窗口機制可以實現(xiàn)多個候選區(qū)的同時預(yù)測。每個滑動窗口在滑動后,隨后會產(chǎn)生一個特征向量。RPN 網(wǎng)絡(luò)的具體任務(wù)有兩個,一個是利用Softmax 判斷候選框獲得的是背景還是前景,另一個任務(wù)是計算回歸預(yù)測候選框的偏移量以獲得精確的定位,降低定位的誤差。RPN 網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。每個待測區(qū)域會產(chǎn)生K個預(yù)測候選區(qū)域,因為待測目標(biāo)尺寸和長寬比不一,需要根據(jù)實際情況調(diào)整錨框的種類和數(shù)目。

        圖5:圖像中識別目標(biāo)較多情況

        圖6:圖像中錯誤識別情況

        圖7:圖像中邊緣識別情況

        2.4 錨框改進

        由于待檢測的目標(biāo)容易受到輸電線塔和自然環(huán)境下的樹葉等的遮擋,以及數(shù)據(jù)集中拍攝距離和角度的較大差異,所以原始Faster-RCNN 中的錨框不能很好地定位待檢測的目標(biāo)。例如,絕緣子在輸電線塔上形狀變化多樣,對于長條形狀的絕緣子,現(xiàn)有的錨框不能完全框選,所以需要根據(jù)待檢測目標(biāo)的特征對錨框進行調(diào)整。原始Faster-RCNN 包含9 種錨框,其長寬比為0.5、1、2,尺寸為8、16、32。原始圖像在經(jīng)過池化后,所有特征圖各點對應(yīng)得到的感受視野尺寸為16x16,而由于圖像拍攝角度和距離多異,在檢測過程中不可避免會出現(xiàn)定位偏差,進而造成誤檢。因此需要結(jié)合待檢測物體的形狀特點,對原始RPN 網(wǎng)絡(luò)中錨框的尺寸進行調(diào)整(如表1所示),實驗證明,調(diào)整后的錨框可以提高檢測精度。

        3 數(shù)據(jù)采集與處理

        3.1 數(shù)據(jù)采集

        本文數(shù)據(jù)集主要以網(wǎng)絡(luò)搜集而得,在內(nèi)容上涵蓋多個數(shù)據(jù)源,拍攝地點多樣化,數(shù)據(jù)分辨率不一,增強了研究的適用性。本文針對輸電線路部件和缺陷兩類研究對象,選用絕緣子,電線塔(桿)上的鳥巢,電線上懸掛的風(fēng)箏三類為訓(xùn)練目標(biāo)。樣本如圖所示。整理收集帶有鳥巢的輸電線照片100 張,風(fēng)箏等異物懸掛照片98 張,輸電線上絕緣子照片84 張。樣本如圖3所示。

        3.2 數(shù)據(jù)集預(yù)處理

        因為通過網(wǎng)絡(luò)爬蟲的方式獲取的數(shù)據(jù)集較少無法獲得較為滿意的訓(xùn)練結(jié)果,所以通過旋轉(zhuǎn)和鏡像等方式擴增數(shù)據(jù)。擴增后每張原始圖片生成20 張圖片,共獲得5920 張圖片。圖片旋轉(zhuǎn)角度如下所示。具體細分為訓(xùn)練集3315 張,驗證集1421 張,測試集1184 張。并對每一張圖片打上標(biāo)簽信息。標(biāo)簽信息為roost(鳥巢)、kite(風(fēng)箏)、insulator(絕緣子)。數(shù)據(jù)擴增如圖4所示。

        4 實驗結(jié)果與分析

        本節(jié)通過在自建數(shù)據(jù)集上訓(xùn)練Faster-RCNN、YOLOv3、以及本文改進后的Faster-RCNN 模型,從AP、mAP 和圖像識別速度等評價指標(biāo)進行對比,以驗證改進后模型的有效性。

        4.1 實驗軟件與硬件

        本實驗采用Google TensorFlow 深度學(xué)習(xí)框架,并采用GPU 加速訓(xùn)練。硬件環(huán)境為i7,16G 內(nèi)存,NVIDIA 1080TI 顯卡。軟件環(huán)境Tensorflow-gpu 1.8.0,CUDA 9.0,CUDANN7.0。

        4.2 模型訓(xùn)練

        采用Faster-RCNN 網(wǎng)絡(luò)模型,VGG16 特征提取網(wǎng)絡(luò)。用第2.2節(jié)中準備的數(shù)據(jù)集進行網(wǎng)絡(luò)訓(xùn)練,網(wǎng)絡(luò)迭代次數(shù)為40000 次,批處理大小為256,學(xué)習(xí)率為0.001,權(quán)重衰減率為0.0005。同時將改進后的模型與YOLOv3 對比,YOLOv3 最大迭代次數(shù)為40000,其它參數(shù)不變。采用精確度均值(Average Precision,AP)來衡量檢測效果。用平均精確度(mAP)來評價模型整體好壞。實驗結(jié)果如表2所示。

        4.3 訓(xùn)練結(jié)果分析

        從表2 可以看出,改進后的Faster-RCNN 模型各類的識別情況都比原始模型效果好。其中絕緣子的AP 由75.10%提升到84.97%,說明增加錨框的種類和數(shù)量確實提高了對多長寬比絕緣子的識別效果,但是該提升對鳥巢和風(fēng)箏識別提升并不明顯,考慮原因是因為這兩類物體的長寬比較為固定,原始錨框可以較好定位和識別目標(biāo)。另一方面改進后的Faster-RCNN 網(wǎng)絡(luò)識別時間增加了100ms 左右,與YOLOv3 的檢測速度有較大差距。

        YOLOv3 對鳥巢和風(fēng)箏識別效果較好,但絕緣子識別效果較差??紤]原因為采用遷移學(xué)習(xí)前的風(fēng)箏種類,所以風(fēng)箏識別效果較好。

        4.4 圖像結(jié)果分析

        從測試集中選擇了三張圖片,來具體比較改進后模型的效果。識別結(jié)果如圖5,6,7所示,其中左側(cè)為原始模型測試結(jié)果,右側(cè)為改進模型測試結(jié)果。其中右圖紅框部分為改進效果。

        從圖5 中可以看出,當(dāng)圖像中識別目標(biāo)相近且數(shù)目較多時,原始模型存在漏檢的情況,但改進模型可以完全檢測。原始模型左圖中沒有識別出的絕緣子,在改進模型中得到了識別。

        從圖6 中可以看出,對于圖像尺寸較小且相近的情況,原始模型存在錯誤識別的情況,如左圖中將風(fēng)箏的一角識別成為絕緣子,但改進模型可以正確無誤識別。

        從圖7 中可以看出,當(dāng)待識別的目標(biāo)位于圖像邊緣且尺寸較小時,原始模型無法檢測,左圖中沒有識別出圖像右下角的絕緣子,但改進后成功識別。

        綜上所述,改進的Faster-RCNN 模型在絕緣子的識別上效果顯著,雖然在風(fēng)箏和鳥巢的識別上AP 值提升不大,但是圖像結(jié)果顯示也提高了識別的效果,減少了誤識別。

        5 結(jié)束語

        本文對于輸電線部件和缺陷檢測這一問題,以采用了Faster-RCNN 為基礎(chǔ),提出了一種改進的Faster-RCNN 深度學(xué)習(xí)模型,并通過自建數(shù)據(jù)集來訓(xùn)練模型驗證結(jié)論。針對搜集數(shù)據(jù)過少的問題,采用對稱和旋轉(zhuǎn)的方法擴充數(shù)據(jù)集。

        本文實驗證明通過增加錨框的數(shù)量和種類,可以提高模型的識別準確率(mAP)。針對測試集,原始模型的mAP 從85.25%提高到88.87%,其中對輸電線部件絕緣子的識別準確率從75.10%顯著提高到84.97%。表明Faster-RCNN 網(wǎng)絡(luò)可以在輸電線的部件識別和缺陷檢測中得到很好的應(yīng)用,為后期的自動化巡檢奠定了基礎(chǔ)。

        猜你喜歡
        檢測模型
        一半模型
        “不等式”檢測題
        “一元一次不等式”檢測題
        “一元一次不等式組”檢測題
        “幾何圖形”檢測題
        “角”檢測題
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
        3D打印中的模型分割與打包
        小波變換在PCB缺陷檢測中的應(yīng)用
        中文字幕亚洲乱码熟女1区| 中文字幕亚洲无线码高清| 久久精品国产亚洲av成人擦边 | 精品午夜一区二区三区| 日韩免费精品在线观看| 国产乱子轮xxx农村| 亚洲国产综合精品 在线 一区| 国产乱人伦真实精品视频| 亚洲五月天中文字幕第一页| 亚洲精品乱码久久久久久| 男男性恋免费视频网站| 成人片99久久精品国产桃花岛| 国产高清不卡在线视频| 亚洲深深色噜噜狠狠网站| 欧美国产一区二区三区激情无套| 欧美日韩亚洲一区二区精品 | 亚洲国色天香卡2卡3卡4| 特黄aa级毛片免费视频播放| 亚洲一区二区三区乱码在线| 中文字幕本久久精品一区| 高潮又爽又无遮挡又免费| 亚洲AV无码资源在线观看| 国产网友自拍视频在线观看| 成人午夜高潮a∨猛片| 又白又嫩毛又多15p| 2020国产精品久久久久| 国产午夜精品视频在线观看| 欧美人与禽z0zo牲伦交| 欧美人与动人物牲交免费观看| 日韩精品视频免费福利在线观看| 成人国产激情自拍视频 | 亚洲av第一成肉网| 国产颜射视频在线播放| 国产一品二品精品在线| 99国产精品无码| 国产精品视频一区日韩丝袜| 91精品国产综合久久国产| av无码一区二区三区| 成年男女免费视频网站| av天堂手机在线免费| 国产女人精品视频国产灰线|