趙 銳，趙國(guó)偉，張 娟，王 強(qiáng)，趙杰倫，董紅月，張興忠

1.國(guó)網(wǎng)大同供電公司，山西 大同037008

2.太原理工大學(xué) 軟件學(xué)院，山西 晉中030600

現(xiàn)代社會(huì)對(duì)電力的日益依賴為電網(wǎng)的檢查與維護(hù)提出了巨大挑戰(zhàn)。日常巡檢是應(yīng)對(duì)該挑戰(zhàn)并保障電網(wǎng)安全穩(wěn)定運(yùn)行的必要手段[1]。隨著近年來(lái)無(wú)人機(jī)技術(shù)的發(fā)展，“以無(wú)人機(jī)巡檢為主，人工巡檢為輔”已成為我國(guó)高壓輸電線路巡檢的方向[2]?；跓o(wú)人機(jī)航拍巡檢圖像進(jìn)行輸電線路巡檢故障檢測(cè)也成為當(dāng)今的熱門(mén)研究方向[3]。

無(wú)人機(jī)電力巡檢是指借助無(wú)人機(jī)采集實(shí)時(shí)巡檢圖像，結(jié)合計(jì)算機(jī)視覺(jué)與模式識(shí)別、圖像處理等相關(guān)算法對(duì)所采集圖像進(jìn)行故障的自動(dòng)檢測(cè)與分析。常見(jiàn)輸電線路巡檢關(guān)鍵故障，如絕緣子自爆、防震錘脫落、鳥(niǎo)巢等，嚴(yán)重危害電網(wǎng)系統(tǒng)的安全運(yùn)行[4]。隨著深度學(xué)習(xí)目標(biāo) 檢 測(cè)技術(shù)的發(fā) 展 ，RCNN[5]、Faster RCNN[6]、SSD[7]、YOLO[8]等具有代表性的目標(biāo)檢測(cè)模型在標(biāo)準(zhǔn)數(shù)據(jù)集上已取得了優(yōu)異的成績(jī)，結(jié)合深度學(xué)習(xí)技術(shù)解決輸電線路巡檢故障檢測(cè)問(wèn)題也成為該領(lǐng)域的主流趨勢(shì)[9]。在此趨勢(shì)下，Han等[10]以ResNet-50[11]為骨干網(wǎng)絡(luò)建立多尺度絕緣子檢測(cè)模型進(jìn)行絕緣子定位，再使用基于ROI的絕緣子故障定位方法進(jìn)行絕緣子故障檢測(cè)。該方法取得了較高的檢測(cè)精度，但不能滿足實(shí)時(shí)檢測(cè)的需求。Wang等[12]先使用Faster RCNN對(duì)絕緣子進(jìn)行快速定位，再對(duì)定位區(qū)域進(jìn)行語(yǔ)義分割后再分類，判斷絕緣子是否爆裂，故障檢測(cè)過(guò)程十分繁瑣。陳文賀等[13]基于SSD算法進(jìn)行絕緣子精確識(shí)別的改進(jìn)，在提取絕緣子所在的矩形區(qū)域后，提出一種基于K-means[14]和雙特征約束法進(jìn)一步提升精確，并使用最大距離法對(duì)提取絕緣子的自爆缺口進(jìn)行快速有效定位。賴秋頻等[15]訓(xùn)練YOLOv2[16]網(wǎng)絡(luò)，學(xué)習(xí)復(fù)雜背景下各種絕緣子的特征并準(zhǔn)確識(shí)別，結(jié)合邊緣檢測(cè)、直線檢測(cè)、圖像旋轉(zhuǎn)和垂直投影方法，對(duì)識(shí)別出各種狀態(tài)的絕緣子進(jìn)行缺陷診斷。除此之外，蔣欣蘭等[17]先使用基于LSD直線段檢測(cè)算法獲取鳥(niǎo)巢可能出現(xiàn)的感興趣區(qū)域，再使用YOLOv3[18]網(wǎng)絡(luò)對(duì)ROI區(qū)域的鳥(niǎo)巢進(jìn)行檢測(cè)。

總結(jié)以上方法，基于通用深度學(xué)習(xí)模型雖然在電力巡檢故障檢測(cè)這一領(lǐng)域做了大量研究且對(duì)比傳統(tǒng)方法有效提升了檢測(cè)性能，但大都基于某一種故障進(jìn)行分析。在模型訓(xùn)練與推理時(shí)，錨窗計(jì)算占用了大量計(jì)算資源，后處理階段需非極大值抑制操作。并且，以上方法的故障檢測(cè)工作大都被分為兩步進(jìn)行，即先檢測(cè)到待檢測(cè)目標(biāo)位置再對(duì)檢測(cè)到的對(duì)象進(jìn)行故障分析，致使無(wú)法做到端到端的學(xué)習(xí)，難以實(shí)現(xiàn)實(shí)時(shí)故障檢測(cè)。

在此現(xiàn)狀下，亟須一種針對(duì)多類高壓輸電線路巡檢故障的單步檢測(cè)方法，對(duì)航拍巡檢圖像進(jìn)行實(shí)時(shí)檢測(cè)。因此，本文提出了一種改進(jìn)CenterNet[19]的高壓輸電線路巡檢故障實(shí)時(shí)檢測(cè)方法，直接針對(duì)絕緣子故障區(qū)域、防震錘脫落區(qū)域與鳥(niǎo)巢三類故障進(jìn)行識(shí)別，具有模型架構(gòu)簡(jiǎn)單，可端到端的訓(xùn)練優(yōu)勢(shì)。該方法基于CenterNet架構(gòu)，結(jié)合深層特征融合網(wǎng)絡(luò)DLAnet[20]、擠壓-激勵(lì)SE模塊[21]與可形變卷積[22]設(shè)計(jì)了DLA-SE特征提取網(wǎng)絡(luò)，最后通過(guò)DLA-SE特征提取網(wǎng)絡(luò)獲取對(duì)象的中心點(diǎn)熱力圖，回歸對(duì)象的寬高、偏移信息，得到對(duì)象邊界框。實(shí)驗(yàn)結(jié)果表明，本文的方法對(duì)小目標(biāo)檢測(cè)效果顯著，并在精度和推理速度性能上相比于基線方法都取得大幅度提升。

1 CenterNet目標(biāo)檢測(cè)模型

目前，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)框架主要分為兩大類：兩階段檢測(cè)器與單階段檢測(cè)器。兩階段檢測(cè)器首先使用建議生成器生成稀疏建議，并從每個(gè)建議區(qū)域中提取特征，再使用區(qū)域分類器預(yù)測(cè)建議區(qū)域的類別，如RCNN、Faster RCNN、Cascade RCNN[23]等。單階段檢測(cè)器無(wú)須級(jí)聯(lián)區(qū)域分類步驟，直接對(duì)特征圖上每個(gè)位置的目標(biāo)進(jìn)行分類預(yù)測(cè)，如YOLO、SSD、CenterNet等。兩階段檢測(cè)器在公共數(shù)據(jù)集上獲得了更好的檢測(cè)性能，單階段檢測(cè)器具有更高的時(shí)間效率，對(duì)實(shí)時(shí)對(duì)象檢測(cè)具有更大的適用性，更加適合工業(yè)應(yīng)用。

CenterNet[19]是一種單階段檢測(cè)器，架構(gòu)簡(jiǎn)單且檢測(cè)性能優(yōu)異。與傳統(tǒng)目標(biāo)檢測(cè)模型相比，它使用目標(biāo)的中心點(diǎn)來(lái)代替錨窗，解決了錨窗所帶來(lái)的正負(fù)樣本不平衡與計(jì)算量的缺陷。它將對(duì)象的邊界框中心建模為一個(gè)點(diǎn)對(duì)象，通過(guò)提取關(guān)鍵點(diǎn)特征圖上局部峰值點(diǎn)得到中心點(diǎn)，并回歸到對(duì)象大小等屬性。在訓(xùn)練過(guò)程中，采用標(biāo)準(zhǔn)的密集監(jiān)督進(jìn)行學(xué)習(xí)，且每個(gè)目標(biāo)僅產(chǎn)生一個(gè)中心點(diǎn)，無(wú)須非極大值抑制操作即可得到目標(biāo)位置。相比于SSD、YOLOv3等實(shí)時(shí)檢測(cè)模型，CenterNet使用更大分辨率的輸出特征圖（原圖縮放4倍）進(jìn)行檢測(cè)，更適于小尺度對(duì)象的檢測(cè)，貼切本課題所解決的問(wèn)題。CenterNet模型架構(gòu)可分為從邊界框到點(diǎn)與從點(diǎn)到邊界框兩部分，架構(gòu)如圖1所示。輸入圖像通過(guò)DLA-SE特征提取網(wǎng)絡(luò)得到輸出特征圖，分別訓(xùn)練目標(biāo)中心點(diǎn)Y、中心點(diǎn)偏移O、目標(biāo)尺寸S三個(gè)分支，實(shí)現(xiàn)從邊界框到點(diǎn)的過(guò)程。之后將訓(xùn)練得到的Y、O、S三個(gè)分支結(jié)果解碼為對(duì)象邊界框，實(shí)現(xiàn)從點(diǎn)到邊界框的轉(zhuǎn)化。

圖1 本文網(wǎng)絡(luò)架構(gòu)示例圖Fig.1 Network architecture in this article

1.1 從邊界框到點(diǎn)

從邊界框到點(diǎn)的過(guò)程如圖1所示，將帶有標(biāo)簽的圖像輸入特征提取網(wǎng)絡(luò)，得到輸出特征圖。在CenterNet[19]中提供了Resnet-18、Resnet-101、DLA-34與hourglass-104四種特征提取網(wǎng)絡(luò)。之后關(guān)鍵點(diǎn)預(yù)測(cè)Y分支、中心點(diǎn)偏離量O分支與對(duì)象尺寸S分支共享同一個(gè)特征提取網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練，最后整個(gè)網(wǎng)絡(luò)預(yù)測(cè)出每個(gè)對(duì)象中心點(diǎn)位置的84個(gè)值，即關(guān)鍵點(diǎn)預(yù)測(cè)Y分支結(jié)果80個(gè)關(guān)鍵點(diǎn)、中心點(diǎn)偏離量O分支結(jié)果x和y、對(duì)象尺寸分支結(jié)果w和h。

在關(guān)鍵點(diǎn)預(yù)測(cè)Y分支中，將圖像I∈RW×H×3輸入CenterNet的特征提取網(wǎng)絡(luò)，生成關(guān)鍵點(diǎn)熱圖Y∈，即高斯分布圖。其中，分布圖中的峰值處對(duì)應(yīng)于對(duì)象中心，4為輸出尺寸縮放比例，80為輸出特征圖的通道數(shù)。當(dāng)Yx,y,z=1時(shí)，表示檢測(cè)到的關(guān)鍵點(diǎn)。在訓(xùn)練關(guān)鍵點(diǎn)預(yù)測(cè)網(wǎng)絡(luò)時(shí)，對(duì)于每個(gè)類c的真實(shí)框關(guān)鍵點(diǎn)p∈R2，首先計(jì)算一個(gè)低分辨率的等價(jià)值再使用高斯核將每個(gè)真實(shí)框的關(guān)鍵點(diǎn)映射到熱圖。最后使用focal loss[24]進(jìn)行像素級(jí)的邏輯回歸。

在中心點(diǎn)偏移量O分支中，每個(gè)中心點(diǎn)的局部偏移為，使用L1損失進(jìn)行所有對(duì)象中心點(diǎn)偏移值的訓(xùn)練，所有同類對(duì)象共享一個(gè)預(yù)測(cè)偏移值，以恢復(fù)由輸出步長(zhǎng)引起的離散化誤差。

在尺寸S分支中，在目標(biāo)中心位置回歸對(duì)象的寬高。令為目標(biāo)k的邊界框，則中心位置為。該方法使用關(guān)鍵點(diǎn)估計(jì)器來(lái)生成的中心點(diǎn)，且回歸每個(gè)對(duì)象k的大小為為了減少計(jì)算負(fù)擔(dān)，每一種類的目標(biāo)使用單一的尺寸預(yù)測(cè)結(jié)果

1.2 從點(diǎn)到邊界框

圖2 邊界框生成步驟Fig.2 Step of generating bounding box

2 DLA-SE特征提取網(wǎng)絡(luò)

本文受DLA-34[19]和mobilenet-v3[25]工作的啟示，結(jié)合DLANet[20]，通過(guò)在指定卷積層添加SE模塊[21]實(shí)現(xiàn)通道級(jí)別的注意力機(jī)制；在指定階段連接與上采樣時(shí)使用可形變卷積，實(shí)現(xiàn)了特征有效提取，從而完成特征提取網(wǎng)絡(luò)DLA-SE的構(gòu)建。

SE模塊是SEnet[21]中所提出的一種自動(dòng)學(xué)習(xí)不同通道特征重要程度關(guān)系的結(jié)構(gòu)，使網(wǎng)絡(luò)更加關(guān)注信息量最大的通道特征，抑制不重要的通道特征，結(jié)構(gòu)圖如圖3所示。圖中X→U代表卷積神經(jīng)網(wǎng)絡(luò)中的通用操作，例如卷積或一組卷積，特征圖通過(guò)該操作維度由W'×H'×C'轉(zhuǎn)為W×H×C。此后，特征采用Squeeze-Excitation機(jī)制學(xué)習(xí)。在Squeeze操作中，F(xiàn)sq()?將輸入特征圖U進(jìn)行全局平均池化采樣壓縮為1×1×C維度。Excitation操作使用通道級(jí)的全局特征得到不同通道的權(quán)重，并與原來(lái)的特征圖求積得到最終特征圖X。文中將SE模塊嵌入至DLA-SE特征提取網(wǎng)絡(luò)中，在特征融合前對(duì)特征進(jìn)行通道級(jí)的優(yōu)化，提升網(wǎng)絡(luò)對(duì)高壓輸電線路巡檢故障有效特征的提取能力。添加SE模塊的卷積網(wǎng)絡(luò)圖如圖4所示，在一組由3×3卷積、BN（Batch Normalization）層與hard-swish激活函數(shù)構(gòu)成的卷積操作后，加入SE模塊。SE模塊由自適應(yīng)平均池化層與兩組卷積操作構(gòu)成。

圖3 SE模塊結(jié)構(gòu)圖Fig.3 Architecture of SE module

圖4 添加SE模塊的卷積網(wǎng)絡(luò)圖Fig.4 Diagram of convolutional network with SE module

可形變卷積[22]可增加空間采樣位置，適應(yīng)縮放變換和旋轉(zhuǎn)變換，僅增加少量模型復(fù)雜度和計(jì)算量，即可提高識(shí)別精度。在檢測(cè)時(shí)，可形變卷積感受野會(huì)隨物體大小進(jìn)行適應(yīng)性變化，使得對(duì)大物體的感受野可以有效地覆蓋該物體。對(duì)小物體的識(shí)別感受野可以集中在物體周?chē)粫?huì)過(guò)多地采集背景信息。在DLA-SE特征提取網(wǎng)絡(luò)的構(gòu)建過(guò)程中，在每個(gè)采樣層使用3×3可形變卷積進(jìn)行上采樣，在插值投影與階段3至階段6之間使用3×3可變形卷積以得到更有效的特征表示。

DLA網(wǎng)絡(luò)從網(wǎng)絡(luò)架構(gòu)層面出發(fā)，目的是更好地融合不同層次的特征信息，功能與FPN[26]（Feature Pyramid Networks）結(jié)構(gòu)相似。它將層分組為塊，將同分辨率的塊分組為階段。如Resnet-34[11]網(wǎng)絡(luò)中，卷積層組成BasicBlock，相同分辨率的BasicBlock被分為同一階段。本文DLA-SE網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，圖像輸入網(wǎng)絡(luò)經(jīng)過(guò)階段1~6得到各階段的輸出結(jié)果，之后階段結(jié)果通過(guò)插值投影和逆卷積上采樣增加深度和分辨率，得到信息豐富的特征圖結(jié)果。網(wǎng)絡(luò)結(jié)構(gòu)圖中的數(shù)字代表該階段特征圖對(duì)于原圖像的下采樣倍數(shù)，表示該階段特征圖的大小。具體網(wǎng)絡(luò)階段信息見(jiàn)表1，階段1與階段2使用獨(dú)立的BasicBlock；階段3與階段6使用深度為1的樹(shù)狀BasicBlock結(jié)構(gòu)，記為T(mén)-BasicBlock1；階段4與階段5使用深度為2的樹(shù)狀BasicBlock結(jié)構(gòu)，記為T(mén)-BasicBlock2，樹(shù)狀BasicBlock結(jié)構(gòu)圖如圖6所示，根據(jù)圖中箭頭流向，在根結(jié)點(diǎn)處直接將BasicBlock生成的特征圖相加。階段1、階段2與下一階段的連接方式采用圖4所示的添加SE模塊的卷積進(jìn)行連接；其余階段之間采用可形變卷積進(jìn)行連接，詳細(xì)結(jié)構(gòu)見(jiàn)圖7中可形變卷積所示。

表1 DLA-SE特征提取網(wǎng)絡(luò)階段信息Table 1 Stage information of DLA-SE feature extraction network

圖5 DLA-SE特征提取網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Architecture of DLA-SE feature extraction network

圖6 樹(shù)狀BasicBlock結(jié)構(gòu)圖Fig.6 Architecture of T-BasicBlock

圖7 聚合結(jié)點(diǎn)生成過(guò)程Fig.7 Step of generating aggregation node

當(dāng)圖像（512×512×3）輸入至DLA-SE特征提取網(wǎng)絡(luò)，得到階段1至階段6的結(jié)果后，再經(jīng)過(guò)聚合結(jié)點(diǎn)上采樣與插值投影，將階段4至階段6的特征圖映射至階段3特征圖大小進(jìn)行融合，聚合結(jié)點(diǎn)生成過(guò)程見(jiàn)圖7，融合示意圖如圖8所示，最后輸出大小為128×128×64的特征圖。特征提取網(wǎng)絡(luò)采用hard-swish激活函數(shù)[25]，見(jiàn)公式（2）：

圖8 階段3~6特征圖融合結(jié)果Fig.8 Fusion result of feature maps of stages 3 to 6

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)集

本文數(shù)據(jù)集共采集到國(guó)家電網(wǎng)公司標(biāo)準(zhǔn)化無(wú)人機(jī)巡檢故障圖像2 509張，涵蓋田野平原、山川、森林、城鎮(zhèn)等環(huán)境，分辨率為3 000×1 700，其中包含絕緣子自爆區(qū)域377個(gè)、防震錘脫落區(qū)域2 655個(gè)、鳥(niǎo)巢692個(gè)。三類故障圖像如圖9所示，第一行為絕緣子自爆圖像、第二行為絕緣子防震錘脫落圖像、第三行為鳥(niǎo)巢圖像。該數(shù)據(jù)集3 724個(gè)對(duì)象中，3 665個(gè)對(duì)象在圖像中所占比例小于5%，小對(duì)象占比達(dá)98.42%，本文方法側(cè)重于小部件檢測(cè)。

圖9 數(shù)據(jù)集圖示Fig.9 Illustration of data set

3.2 實(shí)驗(yàn)環(huán)境與方案設(shè)計(jì)

本文實(shí)驗(yàn)環(huán)境為微星深度學(xué)習(xí)工作站，Ubuntu 16.04 64位操作系統(tǒng)，8 GB內(nèi)存，NVIDIA GeForce GTX1080顯卡，Intel i7-6800K CPU，在Pytorch 0.4.1、CUDA 9.0、CUDNN 7.1下實(shí)現(xiàn)模型的搭建及訓(xùn)練工作。

訓(xùn)練時(shí)，通過(guò)在大型數(shù)據(jù)集COCO上訓(xùn)練得到預(yù)訓(xùn)練模型進(jìn)行權(quán)重進(jìn)行初始化，使用Adam來(lái)優(yōu)化總體目標(biāo)，模型均迭代140次。訓(xùn)練樣本均采用512×512分辨率，所有模型的輸出分辨率為128×128。訓(xùn)練完成后，分別在CenterNet架構(gòu)下與ResNet-18、ResNet-101、DLA-34、Hourglass-104四種特征提取網(wǎng)絡(luò)的訓(xùn)練性能對(duì)比。最后將本文方法與SSD[7]、Yolov3[18]主流實(shí)時(shí)檢測(cè)模型進(jìn)行性能對(duì)比，分析本文方法性能。

3.3 模型評(píng)估

本文采用AP（Average Precision）、MAP（Mean Average Precision）與模型推理速度FPS（Frames Per Second）三項(xiàng)指標(biāo)進(jìn)行模型評(píng)估。精準(zhǔn)度（Precision）、AP、MAP與模型推理速度是目標(biāo)檢測(cè)模型常用評(píng)估指標(biāo)。精準(zhǔn)度指所有判斷為正確的對(duì)象中，真正正確對(duì)象所占的比例。AP指PR曲線（Precision-Recall）上精準(zhǔn)度的均值、MAP指每個(gè)類別AP的均值，計(jì)算公式見(jiàn)公式（3）~（5）。模型推理速度通過(guò)在本文微星深度學(xué)習(xí)工作站單塊NVIDIA GeForce GTX1080顯卡環(huán)境下，使用攝像頭模擬無(wú)人機(jī)獲取的視頻流進(jìn)行檢測(cè)。對(duì)100張圖像的檢測(cè)時(shí)長(zhǎng)求均值得到本文模型推理速度指標(biāo)。

3.4 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

本文共設(shè)計(jì)兩組對(duì)比實(shí)驗(yàn)，分別為不同骨干網(wǎng)絡(luò)性能對(duì)比與主流實(shí)時(shí)檢測(cè)模型性能對(duì)比。通過(guò)兩組實(shí)驗(yàn)，首先在CenterNet架構(gòu)下分析本文DLA-SE特征提取網(wǎng)絡(luò)性能，再通過(guò)本文方法與主流檢測(cè)網(wǎng)絡(luò)SSD[7]、YOLOv3[18]進(jìn)行性能對(duì)比，綜合分析本文方法性能。本文方法訓(xùn)練過(guò)程中損變化情況如圖10所示，紅線代表總損失，綠藍(lán)橙線分別代表目標(biāo)中心點(diǎn)Y、中心點(diǎn)偏移O、目標(biāo)尺寸S三個(gè)分支的損失。隨著訓(xùn)練次數(shù)的增加，loss曲線不斷下降，模型收斂，訓(xùn)練過(guò)程中未出現(xiàn)過(guò)擬合現(xiàn)象。

圖10 訓(xùn)練過(guò)程中的損失變化Fig.10 Diagram of variation of loss during training

3.4.1 不同特征提取網(wǎng)絡(luò)性能對(duì)比

本文基于CenterNet[18]架構(gòu)進(jìn)行特征提取網(wǎng)絡(luò)DLASE的設(shè)計(jì)，并在CenterNet架構(gòu)下與ResNet-18、ResNet-101、DLA-34、Hourglass-104特征提取網(wǎng)絡(luò)進(jìn)行性能對(duì)比，其中ResNet-18、ResNet-101、DLA-34、Hourglass-104為CenterNet改進(jìn)后的特征提取網(wǎng)絡(luò)。不同特征提取網(wǎng)絡(luò)性能對(duì)比結(jié)果見(jiàn)表2。DLA-SE特征提取網(wǎng)絡(luò)的mAP值為0.917，在檢測(cè)精度上大幅度超越ResNet-18、ResNet-101與DLA-34，并對(duì)于精細(xì)設(shè)計(jì)的深層Hourglass-104網(wǎng)絡(luò)性能提升1.4%。模型推理速度為27.03 frame/s，在檢測(cè)精度最高的前提下，實(shí)現(xiàn)實(shí)時(shí)推理的速度，滿足高壓輸電線路巡檢故障實(shí)時(shí)高效檢測(cè)的需求。

表2 不同骨干網(wǎng)絡(luò)性能對(duì)比Table 2 Performance comparison of different backbone networks

3.4.2 主流實(shí)時(shí)檢測(cè)模型性能對(duì)比

本文方法在CenterNet架構(gòu)下使用DLA-SE作為特征提取網(wǎng)絡(luò)進(jìn)行高壓輸電線路巡檢關(guān)鍵故障的實(shí)時(shí)檢測(cè)。通過(guò)與主流實(shí)時(shí)檢測(cè)模型SSD、YOLOv3對(duì)比，本文方法在檢測(cè)精度與模型推理速度上具有較高的檢測(cè)性能，性能對(duì)比結(jié)果如表3所示。圖11為絕緣子自爆、防震錘脫落、鳥(niǎo)巢三類高壓輸電線路巡檢故障的檢測(cè)結(jié)果。

表3 主流模型性能對(duì)比Table 3 Performance comparison of mainstream models

圖11 檢測(cè)結(jié)果圖Fig.11 Detection result

4 結(jié)束語(yǔ)

本文針對(duì)通用深度學(xué)習(xí)目標(biāo)檢測(cè)技術(shù)難以在高壓輸電線路巡檢時(shí)實(shí)現(xiàn)實(shí)時(shí)高效的故障檢測(cè)，提出一種改進(jìn)CenterNet的高壓輸電線路巡檢關(guān)鍵故障實(shí)時(shí)檢測(cè)方法。該方法基于CenterNet網(wǎng)絡(luò)架構(gòu)，結(jié)合深層特征融合網(wǎng)絡(luò)、SE模塊、可形變卷積與hard-swish激活函數(shù)設(shè)計(jì)了高效的DLA-SE特征提取網(wǎng)絡(luò)。實(shí)驗(yàn)表明，本文方法在NVIDIA GTX 1080測(cè)試條件下mAP達(dá)到0.917，速度為27.03 frame/s，實(shí)現(xiàn)了實(shí)時(shí)且高精度的檢測(cè)，性能高于通用實(shí)時(shí)檢測(cè)模型。下一步將在嵌入式NVIDIA Jetson AGX Xavier設(shè)備上進(jìn)行模型的性能改進(jìn)，進(jìn)一步改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，以實(shí)現(xiàn)移動(dòng)端實(shí)時(shí)故障檢測(cè)。