朱明州 趙曙光 王建強(qiáng)

關(guān)鍵詞：深度學(xué)習(xí);絕緣子檢測(cè);多尺度特征融合;Faster R-CNN

電力系統(tǒng)的穩(wěn)定運(yùn)行是我國(guó)能源戰(zhàn)略的重要組成部分，其中的絕緣子主要有陶瓷、玻璃等制作而成，容易受到惡劣自然環(huán)境的影響而損壞。保證電力系統(tǒng)的可靠傳輸首先要確保絕緣子能穩(wěn)定工作。近年來(lái)，隨著無(wú)人機(jī)航拍技術(shù)的不斷發(fā)展，使用無(wú)人機(jī)對(duì)輸電線(xiàn)路及其絕緣子的監(jiān)控越來(lái)越普及，再結(jié)合計(jì)算機(jī)等輔助設(shè)備對(duì)圖像中的輸電線(xiàn)路、絕緣子進(jìn)行定位和故障的判定。

目標(biāo)檢測(cè)是深度學(xué)習(xí)的一個(gè)領(lǐng)域，對(duì)于輸電系統(tǒng)中絕緣子的檢測(cè)需要有較高的準(zhǔn)確性。近年來(lái)隨著計(jì)算機(jī)CPU和GPU性能的提高，深度學(xué)習(xí)也重新快速發(fā)展起來(lái)。傳統(tǒng)的基于圖像的檢測(cè)算法由于檢測(cè)效率低精確度較差，漸漸地被基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法取代。目前常用的目標(biāo)檢測(cè)算法分為兩大類(lèi)：一類(lèi)是以SSD（single Shot MuhiboxDetector）和YOLO（You Only Look Once）為主的one-stage系列，另一列是以Faster R-CNN（Faster Region-based ConvolutionNeural Networks）為主的two-stage系列。one-stage系列速度快精確度較低，two-stage系列精確度高速度較慢。結(jié)合絕緣子檢測(cè)對(duì)于精確度的要求，使用Faster R-CNN作為只要檢測(cè)框架。由于絕緣子周?chē)尘皬?fù)雜，往往檢測(cè)精確度效果不佳。本文主要針對(duì)已有技術(shù)的不足做了一下工作：

首先搭建常用的目標(biāo)檢測(cè)網(wǎng)絡(luò)Faster R-CNN（Faster Re-gion-based Convolution Neural Networks），分析其在絕緣子數(shù)據(jù)集檢測(cè)中存在的不足，然后改進(jìn)主干特征提取框架，使用ResNet50替換原有的VGGl6網(wǎng)絡(luò)。然后使用多尺度特征融合，增加檢測(cè)層。作為RPN（Region Proposal Network）網(wǎng)絡(luò)的輸入，能有效地識(shí)別大小目標(biāo)和多目標(biāo)檢測(cè)。

1 Faster R-CNN算法介紹

Faster R-CNN是2016年Ross B.Girshick在原有的FastR-CNN的基礎(chǔ)上提出的優(yōu)化模型。使用VGGl6作為網(wǎng)絡(luò)的特征提取框架backbone，推理速度（包括生成候選區(qū)域）在GPU上達(dá)到5fps。在ILSVRC及其COCO競(jìng)賽中獲得多個(gè)項(xiàng)目的第一名。結(jié)構(gòu)如圖1所示，F(xiàn)aster R-CNN算法流程可分為三個(gè)步驟：（1）將圖像resize成固定尺寸并輸入特征提取網(wǎng)絡(luò)得到相應(yīng)的特征圖。（2）將特征提取網(wǎng)絡(luò)最后一層輸入到RPN（Region Proposal Network）網(wǎng)絡(luò)生成Region Proposal，再將其投影到feature map上獲得相應(yīng)的特征矩陣。（3）得到的特征矩陣經(jīng)過(guò)篩選，過(guò)濾掉超出圖像邊界以及重疊度較高的候選框（Region Proposal）后再通過(guò)ROI pooling層縮放到7×7大小的特征圖，接著將特征圖展平通過(guò)一系列全連接層得到預(yù)測(cè)類(lèi)別概率和邊界框回歸。

2算法改進(jìn)

原始的Faster R-CNN模型使用VGGl6作為特征提取框架以及VGGl6最后的卷積輸出層作為RPN網(wǎng)絡(luò)的輸入特征層。此算法主要針對(duì)COCO數(shù)據(jù)集用來(lái)檢測(cè)日常物體，對(duì)于遷移到絕緣子數(shù)據(jù)集時(shí)有以下兩個(gè)缺陷：（1）使用單層的特征層輸出容易造成檢測(cè)目標(biāo)大小的單一，絕緣子及其故障點(diǎn)在圖像中呈現(xiàn)的大小不一容易造成漏檢和誤判，對(duì)多尺度特征融合進(jìn)行改進(jìn)。（2）本文需要檢測(cè)的絕緣子故障點(diǎn)相對(duì)于整張圖片或者絕緣子目標(biāo)來(lái)說(shuō)是小目標(biāo)，為了能更快更準(zhǔn)確地識(shí)別絕緣子及其故障點(diǎn)，需要對(duì)主干特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)。

ResNetS0特征提取網(wǎng)絡(luò)及多尺度特征融合。ResNetS0中包含了49個(gè)卷積層和1個(gè)全連階層，其中創(chuàng)新性地引入殘差網(wǎng)絡(luò)使得網(wǎng)絡(luò)在深度增加的同時(shí)避免了梯度消失和梯度爆炸的情況。通過(guò)五個(gè)不同尺寸大小的layer輸出不同尺度大小的特征圖，結(jié)合FPN和多尺度特征融合對(duì)Faster R-CNN模型檢測(cè)結(jié)構(gòu)進(jìn)行改進(jìn)，將輸入RPN的特征層數(shù)從1個(gè)擴(kuò)展到5個(gè)，以改善對(duì)不同尺度目標(biāo)的檢測(cè)。改進(jìn)后結(jié)構(gòu)如圖2所示。

3實(shí)驗(yàn)結(jié)果及分析

3.1目標(biāo)檢測(cè)模型訓(xùn)練

目標(biāo)檢測(cè)設(shè)置參數(shù)分別為：迭代次數(shù)epochs=50，初始學(xué)習(xí)率learning rate初始大小為0.005，每經(jīng)過(guò)10個(gè)epochs下降66%，批數(shù)量為8。改進(jìn)的Faster R-CNN訓(xùn)練過(guò)程中損失值（Train Loss）變化曲線(xiàn)如圖3所示。經(jīng)過(guò)15000次step后，loss收斂至0.03附近。

3.2實(shí)際檢測(cè)結(jié)果展示

采用ResNetS0主干特征提取網(wǎng)絡(luò)和多尺度特征融合的Faster R-CNN目標(biāo)檢測(cè)模型在測(cè)試集上進(jìn)行測(cè)試，其中航拍輸電線(xiàn)路圖片檢測(cè)絕緣子效果如圖4所示?？梢钥闯鰧?duì)于大小不同的絕緣子多目標(biāo)及其掉串故障小目標(biāo)檢測(cè)都能達(dá)到很好的效果。

4結(jié)論

本文提出了一種絕緣子目標(biāo)檢測(cè)研究方法基于FasterR-CNN模型。首先針對(duì)VGGl6主干網(wǎng)絡(luò)對(duì)于絕緣子大小目標(biāo)混合檢測(cè)的缺陷，使用ResNetS0替換原先的VGGl6主干網(wǎng)絡(luò)，更深的網(wǎng)絡(luò)擁有更大的視野便于檢測(cè)不同尺度的目標(biāo)。其次，針對(duì)RPN單一的特征輸入層的弊端，使用多尺度特征融合作為RPN特征輸入。將單一尺度輸出擴(kuò)展為五尺度輸入。最后的實(shí)際檢測(cè)效果展示表明改進(jìn)的Faster R-CNN的檢測(cè)效果在多目標(biāo)和不同尺度目標(biāo)上有很好的效果。

絕緣子目標(biāo)檢測(cè)的準(zhǔn)確電力系統(tǒng)發(fā)展的重要基礎(chǔ)。未來(lái)可以根據(jù)改進(jìn)Faster R-CNN的絕緣子目標(biāo)檢測(cè)算法和得到的優(yōu)化模型做進(jìn)一步工作，例如，無(wú)人機(jī)航拍絕緣子實(shí)時(shí)故障檢測(cè)系統(tǒng)開(kāi)發(fā)等。