陳科羽，時(shí) 磊，劉博迪，嚴(yán)爾梅，歐進(jìn)永，徐梁剛

（貴州電網(wǎng)有限責(zé)任公司輸電運(yùn)行檢修分公司，貴州 貴陽(yáng) 550002）

隨著中國(guó)對(duì)電力能源的需求不斷增加以及電力系統(tǒng)的規(guī)模不斷擴(kuò)大，高壓輸電線路和輸電系統(tǒng)變得越來(lái)越重要，及時(shí)了解電力系統(tǒng)的運(yùn)行狀態(tài)對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行至關(guān)重要[1]。絕緣子是電力系統(tǒng)中輸變電設(shè)備的重要組成部分，由于長(zhǎng)期暴露在野外，經(jīng)常被惡劣的環(huán)境侵蝕，使絕緣子出現(xiàn)污染、裂紋以及破損等故障的情況大幅增加，會(huì)嚴(yán)重影響輸電線路的正常使用，縮短線路的使用壽命。絕緣子發(fā)生故障時(shí)，輸電線路與桿塔接觸會(huì)造成停電，甚至可能發(fā)生大規(guī)模停電事故。目前，電網(wǎng)采用人工巡檢方式，不僅費(fèi)時(shí)費(fèi)力，而且難以及時(shí)、全面地掌握線路、絕緣子等電氣設(shè)備的狀態(tài)。隨著人工智能技術(shù)的發(fā)展，基于深度學(xué)習(xí)算法實(shí)現(xiàn)了端到端的圖像識(shí)別，使得絕緣子識(shí)別在電力系統(tǒng)中的應(yīng)用成為可能。

絕緣子的識(shí)別主要有兩種途徑：（1）傳統(tǒng)方法：主要根據(jù)絕緣子的形狀和紋理，結(jié)合神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別絕緣子。這些特征包括HOG 特征、SUFS 特征[2-3]和小波系數(shù)[4]等。這種方法精度低、魯棒性差，對(duì)目標(biāo)視頻和圖片的拍攝角度要求高。（2）深度學(xué)習(xí)算法：端到端的圖像識(shí)別避免了對(duì)人工特征的需要。該方法識(shí)別精度高，泛化能力強(qiáng)。翁智等[5]在原有YOLOv3[6]的基礎(chǔ)上引入了Res2Net殘差模塊，以實(shí)現(xiàn)對(duì)高壓輸電線路部件的檢測(cè)。李雪峰等[7]提出了一種新型的特征金字塔網(wǎng)絡(luò)PinFPN，有效解決了在輸電線路故障巡檢中小尺寸目標(biāo)檢測(cè)困難的問(wèn)題；趙銳等[8]將CenterNet 與DLA-SE 特征提取網(wǎng)絡(luò)相結(jié)合，實(shí)現(xiàn)了對(duì)故障絕緣子的實(shí)時(shí)檢測(cè)。蔣姍等[9]基于Faster R-CNN 提出了一種針對(duì)航拍絕緣子圖像的目標(biāo)檢測(cè)算法，有效提升了檢測(cè)精度，但其缺點(diǎn)是檢測(cè)速度有所下降。

本文通過(guò)改進(jìn)的YOLOv3 算法對(duì)絕緣子訓(xùn)練數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練，實(shí)現(xiàn)自然背景下的絕緣子識(shí)別和定位。首先使用VoVNet[10]作為算法的主干網(wǎng)絡(luò)，相比于原先的DarkNet53，VoVNet 特殊的特征連接方式在保證網(wǎng)絡(luò)特征提取能力的同時(shí)，降低了模型計(jì)算量和參數(shù)量，提升網(wǎng)絡(luò)對(duì)特征的敏感度。同時(shí)本文提出一種新型的特征增強(qiáng)模塊，與特征金字塔相結(jié)合以解決淺層特征圖語(yǔ)義信息較弱的問(wèn)題。

1 YOLOv3 算法

與其他深度學(xué)習(xí)算法如Faster R-CNN[11]相比，YOLOv3 算法將檢測(cè)模型轉(zhuǎn)換為回歸問(wèn)題，通過(guò)端到端的架構(gòu)使用整個(gè)圖像的特征來(lái)預(yù)測(cè)每個(gè)邊界框，實(shí)現(xiàn)了高精度、高效率的檢測(cè)方式。在訓(xùn)練過(guò)程中，網(wǎng)絡(luò)將原始圖像尺度標(biāo)準(zhǔn)化為416×416 像素，并將圖像劃分為N×N 個(gè)單元，三個(gè)不同大小的特征圖用以預(yù)測(cè)不同尺度的目標(biāo)，每個(gè)特征圖中的每一個(gè)單元內(nèi)預(yù)測(cè)三個(gè)邊界框，每個(gè)邊界框輸出兩套獨(dú)立的預(yù)測(cè)值，分別為邊界框的中心點(diǎn)偏值和邊框置信度，邊框置信度的計(jì)算公式如下所示：

其中Pr（object）表示單元格內(nèi)是否包含目標(biāo)物體，若目標(biāo)中心點(diǎn)在單元格內(nèi)，則為 1，否則為 0；IOU（b，object）表示模型輸出的預(yù)測(cè)框與真實(shí)框的交并比，計(jì)算在原始圖像中預(yù)測(cè)框與真實(shí)標(biāo)注框的面積重合度。

若單元格內(nèi)包含目標(biāo)，則還需通過(guò)該目標(biāo)類別的概率與置信度的乘積得到類別置信度，選出類別置信度最高的預(yù)測(cè)框并使用非極大抑制（Non-Maximum Suppression，NMS）進(jìn)行篩選，再通過(guò)解碼將中心點(diǎn)偏值轉(zhuǎn)換為邊界框的中點(diǎn)坐標(biāo)，得到最終的預(yù)測(cè)框位置與類別。其計(jì)算公式如下所示：

其中 bx、by、bw、bh分別為預(yù)測(cè)框的中心點(diǎn)坐標(biāo)以及寬高；t 為偏差值；cx、cy為單元格左上點(diǎn)坐標(biāo)；pw、ph為邊界框的寬高；σ 為激活函數(shù)。

YOLOv3 以殘差結(jié)構(gòu)作為基礎(chǔ)組成單元，并結(jié)合特征金字塔網(wǎng)絡(luò)FPN[12（]Feature Pyramid Networks）來(lái)進(jìn)一步提高精度，但將YOLOv3 應(yīng)用在絕緣子檢測(cè)上仍存在一些缺點(diǎn)。首先，當(dāng)YOLOv3 的輸入為416×416像素時(shí)，用于檢測(cè)的特征圖的最小尺寸為13×13 像素，檢測(cè)大物體時(shí)會(huì)出現(xiàn)漏檢現(xiàn)象，特征圖的最大尺寸為52×52 像素，在檢測(cè)小物體時(shí)會(huì)有漏檢和誤檢；其次，YOLOv3 雖然使用了殘差結(jié)構(gòu)，但是每個(gè)階段的特征圖之間的關(guān)系并不緊密，較深和較淺的特征不具有相互操作性，降低了檢測(cè)精度，較深的特征層不能很好地利用淺層特征層的信息，隨著級(jí)數(shù)的增加和網(wǎng)絡(luò)的加深，更容易造成梯度消失現(xiàn)象；最后，YOLOv3 中對(duì)特征圖的處理多以3×3 的卷積為主，這種設(shè)置雖然可以有效降低網(wǎng)絡(luò)參數(shù)，但3×3 的卷積層感受野不夠豐富，在應(yīng)對(duì)復(fù)雜背景下的目標(biāo)檢測(cè)時(shí)效果較差。

2 算法改進(jìn)

本文針對(duì)原始YOLOv3 算法進(jìn)行改進(jìn)，首先采用VoVNet 作為主干網(wǎng)絡(luò)，其擁有更高分辨率的輸入，特征圖的最小尺寸為16×16 像素，最大尺寸為64×64 像素，可以有效減少模型漏檢和誤檢的現(xiàn)象，并且VoVNet 的密集連接方式將每層特征圖與最后一層特征相連，從而加深特征圖之間的關(guān)系，并提高較深層中較淺特征的利用率，防止梯度消失，進(jìn)一步提高檢測(cè)精度；其次本文提出一種特征增強(qiáng)模塊用以解決原始YOLOv3 算法中淺層特征語(yǔ)義信息不足，感受野較小的問(wèn)題。

2.1 VoVnet

本文采用VoVNet-39 網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1 所示，網(wǎng)絡(luò)輸入大小為512×512 像素，由一個(gè)包含3 個(gè)卷積層的Stem Block 和4 個(gè)階段的一次性聚合模塊（OSA）組成，OSA 模塊由 5 個(gè) 3×3 卷積和 1 個(gè) 1×1 的卷積層組成，所有3×3 的卷積層具有相同的輸入和輸出通道數(shù)。VoVNet-39 在第 2、第 3 階段分別布置 1 個(gè) OSA 模塊，在第4、第5 階段分別布置2 個(gè)OSA 模塊。每階段OSA模塊之間使用3×3 的最大池化層進(jìn)行連接以及下采樣。

圖1 VoVNet-39 結(jié)構(gòu)圖

OSA 模塊獨(dú)特的特征連接方式如圖2 所示，每個(gè)卷積層均有兩個(gè)輸出與其他特征圖連接，一個(gè)輸出連接到后續(xù)特征圖，以產(chǎn)生具有更大感受野的特征圖信息，另一個(gè)輸出聚合到最終的特征圖中，并通過(guò)1×1 的卷積層壓縮通道數(shù)，這種聚合方法可以一次聚合中間特征，在保持連接強(qiáng)度的同時(shí)，極大地提高了媒體訪問(wèn)控制和圖形處理器的計(jì)算效率。

圖2 OSA 模塊連接方式（F 代表向后的卷積層，P 代表與最終層聚合的卷積層）

2.2 特征增強(qiáng)

針對(duì)原始YOLOv3 算法感受野不足、淺層特征語(yǔ)義信息少的缺點(diǎn)，本文基于RFB[13]（Receptive Field Block）感受野原理提出一種新型的特征增強(qiáng)模塊，對(duì)網(wǎng)絡(luò)淺層特征進(jìn)行增強(qiáng)，提升網(wǎng)絡(luò)對(duì)絕緣子圖像的適應(yīng)能力。本文所使用的網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示，提取VoVNet-39 中第3、第4 和第5 階段的特征圖進(jìn)行預(yù)測(cè)，其尺寸分別為 64×64 像素、32×32 像素和 16×16 像素，同時(shí)對(duì)第3 和第4 階段的特征圖進(jìn)行增強(qiáng)處理。

圖3 整體網(wǎng)絡(luò)結(jié)構(gòu)

特征增強(qiáng)模塊的結(jié)構(gòu)如圖4 所示，采取多個(gè)支路對(duì)特征圖進(jìn)行處理，在每個(gè)支路布置尺度不同的卷積層，并引入了空洞卷積以增加感受野范圍。第一個(gè)支路為 1×1、3×3 的卷積級(jí)聯(lián)；第二個(gè)支路為 1×1、3×3 以及大小為3×3，膨脹率為3 的空洞卷積級(jí)聯(lián)；第三條支路結(jié)構(gòu)與第二條相同，區(qū)別為其空洞卷積層的膨脹率為5，對(duì)前三條支路的輸出層進(jìn)行堆疊（Concat），并通過(guò)1×1 的卷積調(diào)整通道數(shù)；第四條支路為1×1 的卷積層，與堆疊后的特征圖進(jìn)行元素相加（Add）以達(dá)到增加感受野的目的。其計(jì)算如下：

圖4 特征增強(qiáng)模塊

圖5（a）為原始圖像，（b）為使用本文算法的檢測(cè)效果圖

式中，Xj表示輸入的特征圖；P 表示由1x1 的卷積、BN層和relu 層組成的非線性操作組合；Hi表示進(jìn)行i 次由 3×3、BN 層和 relu 層組成的非線性操作組合；Qi表示 i 次卷積操作后的特征圖；Ri表示空洞卷積；i=1，2，3 時(shí)，空洞卷積的膨脹率分別為 1，3，5；δi[.]表示Concatenation 特征融合操作；Zj表示融合后的新特征圖。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)平臺(tái)與模型訓(xùn)練

本實(shí)驗(yàn)基于Tensorflow1.13 框架實(shí)現(xiàn)，使用的編程語(yǔ)言為Python，訓(xùn)練與測(cè)試均在Ubuntu16.04 操作系統(tǒng)、NVIDIA Tesla T4（16G 顯存）上進(jìn)行。batch_size 設(shè)置為32，初始學(xué)習(xí)率設(shè)置為0.0001，采用余弦退火衰減法，學(xué)習(xí)率最高值為0.001，預(yù)熱期為16 批次。

3.2 數(shù)據(jù)集構(gòu)建

本文所使用的數(shù)據(jù)集源于無(wú)人機(jī)巡檢輸電線路所拍攝的絕緣子故障圖片，使用labelimg 程序進(jìn)行標(biāo)注，數(shù)據(jù)集格式仿照PLSCAL VOC 構(gòu)建，包含自然場(chǎng)景下的故障絕緣子共1500 張圖片，數(shù)據(jù)集的分辨率為800×1000 像素。對(duì)數(shù)據(jù)集中的圖片進(jìn)行旋轉(zhuǎn)變換、色差變換以及添加噪聲等數(shù)據(jù)擴(kuò)增操作，并按照7∶3 的比例劃分為訓(xùn)練集和測(cè)試集。

3.3 結(jié)果及分析

將使用VoVNet 和特征增強(qiáng)模塊后的網(wǎng)絡(luò)與原始YOLOv3 算法進(jìn)行對(duì)比實(shí)驗(yàn)，本文主要通過(guò)準(zhǔn)確率（AP）、精確度（Precision）、召回率（Recall）以及檢測(cè)速率（FPS）來(lái)對(duì)模型性能進(jìn)行評(píng)價(jià)。對(duì)比結(jié)果如表1 所示，本文改進(jìn)算法的檢測(cè)準(zhǔn)確率（AP）為98.01%，相較于原始YOLOv3 算法提高了6.07%，說(shuō)明VoVNet 與本文提出的特征增強(qiáng)模塊可以有效提升對(duì)故障絕緣子的檢測(cè)效果。改進(jìn)后的算法精確度（Precision）提升較不明顯，但是召回率（Recall）提升顯著。由于VoVNet 相較于原始算法的DarkNet 在結(jié)構(gòu)上更復(fù)雜，因此在檢測(cè)速度上改進(jìn)后的算法略低于原始算法。

表1 實(shí)驗(yàn)結(jié)果對(duì)比

圖5 為本文改進(jìn)算法對(duì)絕緣子的檢測(cè)效果圖，可以看出在多種復(fù)雜背景（如塔架、房屋以及植被等）下本文算法可以有效檢測(cè)出絕緣子目標(biāo)，并且當(dāng)距離較遠(yuǎn)時(shí)，目標(biāo)在圖像中占比極小，本文算法仍可以檢出待檢目標(biāo)，證明本文提出的算法可以有效完成對(duì)絕緣子的檢測(cè)任務(wù)。

4 結(jié)論

本文針對(duì)高壓輸變電線路人工巡檢困難的問(wèn)題，提出了一種基于YOLOv3 改進(jìn)的輸電線路絕緣子目標(biāo)檢測(cè)方法。該方法以VoVNet 為特征提取網(wǎng)絡(luò)，通過(guò)密集的連接方式提升網(wǎng)絡(luò)的特征提取能力，結(jié)合多分支結(jié)構(gòu)與空洞卷積設(shè)計(jì)了能增強(qiáng)模型感受野與語(yǔ)義信息的特征增強(qiáng)模塊。通過(guò)實(shí)驗(yàn)表明，本文算法在自然背景下的絕緣子圖像檢測(cè)中mAP 達(dá)到了98.01%，速度為29FPS，實(shí)現(xiàn)了高效率且高精度的絕緣子目標(biāo)檢測(cè)方式。