張青華，李彩林，孫延坤，楊長(zhǎng)磊

(山東理工大學(xué)建筑工程學(xué)院，山東 淄博255000)

0 引言

近年來，隨著新能源的發(fā)展，我國(guó)的高壓和超高壓輸電線路覆蓋越來越廣，電網(wǎng)規(guī)模日益龐大，更加復(fù)雜，已由傳統(tǒng)電網(wǎng)向智能電網(wǎng)轉(zhuǎn)型。文獻(xiàn)[1]介紹了智能電網(wǎng)的重要性及發(fā)展趨勢(shì)，并提出了智能電網(wǎng)的自愈功能。當(dāng)前的智能電網(wǎng)態(tài)勢(shì)要素所提取的信息主要包括電網(wǎng)故障信息、運(yùn)行信息、設(shè)備狀態(tài)信息、環(huán)境信息、系統(tǒng)結(jié)構(gòu)信息等[2]。

絕緣子作為輸電線路中的特殊部件，對(duì)于整個(gè)輸電線路的安全運(yùn)行起到至關(guān)重要的作用。據(jù)統(tǒng)計(jì)，500 kV輸電線路由于絕緣子故障引起的停運(yùn)事故目前已成為電力系統(tǒng)故障中所占比例最高的[3]。利用無人機(jī)巡檢輸電線路不受地理、氣候等因素的影響，節(jié)約了大量的人力與物力，在巡檢中，無人機(jī)拍攝大量的照片，基于這些影像，進(jìn)行絕緣子檢測(cè)是一種較為新穎的技術(shù)路線[4]。綜合以上問題，針對(duì)無人機(jī)拍攝的海量影像進(jìn)行后期處理，快速準(zhǔn)確地檢測(cè)出絕緣子，將有效提高智能電網(wǎng)的智能水平。目前的絕緣子影像識(shí)別方法主要分為以下兩類：

1)傳統(tǒng)的圖像處理方法

石麗根據(jù)污穢區(qū)域顏色突變導(dǎo)致的絕緣子灰度值的突然變化，對(duì)正常絕緣子和污穢絕緣子進(jìn)行灰度歸一對(duì)比分析，判斷出污穢區(qū)域[5]，但基于傳統(tǒng)特征的識(shí)別方法魯棒性較差，難以適應(yīng)各種環(huán)境下的絕緣子識(shí)別；金立軍等提出一種可見光圖像顏色特征與支持向量機(jī)相結(jié)合的絕緣子污穢狀態(tài)識(shí)別方法，對(duì)絕緣子全局污穢進(jìn)行等級(jí)判斷[6]，然而該算法存在步驟繁瑣、檢測(cè)效率較低等問題。

2)利用深度學(xué)習(xí)的圖像目標(biāo)檢測(cè)方法

自2012年卷積神經(jīng)網(wǎng)絡(luò)在ImageNet[7]比賽中取得優(yōu)異的成績(jī)后，深度學(xué)習(xí)的方法在圖像目標(biāo)檢測(cè)領(lǐng)域開始大放異彩。目前基于深度學(xué)習(xí)的目標(biāo)檢測(cè)根據(jù)檢測(cè)階段的劃分主要分為兩大分支：一個(gè)是兩步檢測(cè)，主要有Fast R-CNN[8]、Faster R-CNN[9]、R-FCN[10]等主流算法；另一個(gè)是YOLO(You Only Look Once)系列[11-13]、SSD(Single Shot Multibox Detector)系列[14-15]、Retina-Net[16]等基于回歸的檢測(cè)算法。一步檢測(cè)相比于兩步檢測(cè)具有更快檢測(cè)速度，但精度不如兩步檢測(cè)，但在滿足精度需求的情況下，更適用于實(shí)際應(yīng)用。

近年來利用深度學(xué)習(xí)的方法來處理絕緣子識(shí)別的研究愈來愈多。文獻(xiàn)[3]提出了使用Fast R-CNN(Region-Convolutional Neural Networks)的目標(biāo)檢測(cè)算法對(duì)絕緣子進(jìn)行識(shí)別定位，利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)絕緣子提取特征圖，結(jié)合超像素分割等圖像處理方法構(gòu)建用作顯著性檢測(cè)的SOM網(wǎng)絡(luò)，最后對(duì)得到的單個(gè)絕緣子，建立絕緣子串的數(shù)學(xué)模型，可以識(shí)別絕緣子的自爆缺陷，但該方法識(shí)別精度和效率仍較低。文獻(xiàn)[17]提出利用基于Faster R-CNN的目標(biāo)檢測(cè)算法對(duì)航拍絕緣子進(jìn)行識(shí)別定位，雖然該方法相較于Fast R-CNN識(shí)別精度和速度都有提高，但距離達(dá)到快速檢測(cè)的目的仍存在一定的差距。

綜合以上問題，筆者提出MFPSSD目標(biāo)檢測(cè)網(wǎng)絡(luò)架構(gòu)。該網(wǎng)絡(luò)將多向特征金字塔結(jié)構(gòu)引入原始SSD檢測(cè)架構(gòu)中，提高了檢測(cè)框架的特征表達(dá)能力，同時(shí)利用K-means算法分析樣本數(shù)據(jù)設(shè)置默認(rèn)框，可有效提高對(duì)絕緣子目標(biāo)的識(shí)別的精度和速度，為絕緣子缺陷的檢測(cè)提供了有力的技術(shù)支撐。

1 SSD算法

1.1 SSD目標(biāo)檢測(cè)網(wǎng)絡(luò)模型

2016年，Wei Liu等在ECCV會(huì)議上(EuropeanConference on Computer Vision)提出了SSD目標(biāo)檢測(cè)算法。SSD是一種一步目標(biāo)檢測(cè)算法，結(jié)合了YOLO的回歸思想和Faster R-CNN中Anchor的概念，SSD算法的整體網(wǎng)絡(luò)模型如圖1所示，是以VGG-16 Net[18]為基礎(chǔ)框架，采用VGG-16 Net的前五層網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò)，然后又添加了多尺度的特征提取網(wǎng)絡(luò)，產(chǎn)生多個(gè)尺度的預(yù)測(cè)值，最后利用非極大值抑制產(chǎn)生最終檢測(cè)結(jié)果。目前，SSD算法根據(jù)輸入圖像的大小不同分為300×300和512×512兩個(gè)版本，通過對(duì)VOC2007標(biāo)準(zhǔn)數(shù)據(jù)集的測(cè)試，SSD 512×512版本具有更高的檢測(cè)精度，筆者對(duì)SSD512×512版本網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)。

圖1 SSD 512×512網(wǎng)絡(luò)模型Fig.1 SSD 512×512 network model

1.2 SSD模型訓(xùn)練

SSD網(wǎng)絡(luò)的VGG-16基礎(chǔ)網(wǎng)絡(luò)首先在Image Net數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，獲得的預(yù)訓(xùn)練基礎(chǔ)網(wǎng)絡(luò)具有很好的圖像特征提取能力，為圖像目標(biāo)檢測(cè)的遷移學(xué)習(xí)提供了很好的網(wǎng)絡(luò)基礎(chǔ)。

在二次訓(xùn)練過程中，首先將預(yù)訓(xùn)練完成的VGG-16網(wǎng)絡(luò)參數(shù)作為SSD模型初始化參數(shù)，然后通過訓(xùn)練集迭代回歸四個(gè)參數(shù)變量(Δcx,Δcy,ΔwΔh)，達(dá)到目標(biāo)檢測(cè)的目的，其中包括兩個(gè)損失函數(shù)，一個(gè)是位置損失函數(shù)Lloc，進(jìn)行目標(biāo)的精確定位，另一個(gè)是置信度損失函數(shù)Lconf，判斷預(yù)測(cè)框的分類概率，代價(jià)函數(shù)就是上述兩類損失函數(shù)的加權(quán)平方和，具體計(jì)算公式如式(1)：

(1)

式中，N為默認(rèn)框與真實(shí)框匹配到的樣本數(shù)量，Lloc為預(yù)測(cè)框與真實(shí)框的smoothL1損失，Lconf是預(yù)測(cè)框與真實(shí)框的多類別的置信度softmax損失，具體計(jì)算公式如式(2)：

(2)

2 MFPSSD算法絕緣子檢測(cè)

2.1 K-means設(shè)置anchor box

原始的SSD算法為了準(zhǔn)確識(shí)別不同尺度的目標(biāo)，吸納特征金字塔(Feature Pyramid Networks，F(xiàn)PN)[19]的思想，在不同尺度的特征層提取多種尺度特征的特征圖(如Conv4_3，F(xiàn)C7，Conv6_2，Conv7_2，Conv8_2，Conv9_2，Conv10_2)，然后借鑒Faster RCNN中Anchor的思想，在特征圖中的每個(gè)單元設(shè)置一系列的默認(rèn)框作為檢測(cè)框，如圖2所示。

圖2 默認(rèn)框設(shè)置方式Fig.2 Default box setting method

默認(rèn)框的初始設(shè)置為6種，其計(jì)算公式主要包括兩部分：第一，寬高比ar；第二，各層特征圖默認(rèn)框占輸入圖像的比例s。假設(shè)模型框架在檢測(cè)采用n層特征圖作為特征提取層，設(shè)置ar=[2,3,1/2,1/3]，具體計(jì)算公式(3)如下：

(3)

由上面的計(jì)算公式可知，傳統(tǒng)的通過手動(dòng)設(shè)置默認(rèn)框?qū)捀弑鹊姆绞饺テヅ淠繕?biāo)物體，默認(rèn)框?qū)捀弑鹊男螤钤O(shè)置越多，訓(xùn)練和檢測(cè)的時(shí)間越長(zhǎng)，初始的默認(rèn)框?qū)捀弑仍O(shè)置為[1,2,3,1/2,1/3]，但是有部分的寬高比設(shè)置不符合實(shí)際檢測(cè)目標(biāo)的真實(shí)情況，筆者提出利用K-means算法對(duì)實(shí)際檢測(cè)目標(biāo)的寬高比進(jìn)行聚類，消除了手動(dòng)設(shè)置的盲目性，可有效提高檢測(cè)速度。

針對(duì)本研究對(duì)于絕緣子的檢測(cè)任務(wù)，通過對(duì)絕緣子訓(xùn)練數(shù)據(jù)集進(jìn)行K-means聚類，得到聚類后的寬高比，具體步驟如下：

1)輸入K值，我們需要通過聚類得到K個(gè)分組，設(shè)置K=5。

2)從數(shù)據(jù)集中隨機(jī)選取K個(gè)默認(rèn)框?qū)捀弑茸鳛槌跏假|(zhì)心，集合每一個(gè)樣本點(diǎn)，計(jì)算與每一個(gè)初始質(zhì)心的距離，樣本點(diǎn)與哪個(gè)初始質(zhì)心距離近，就屬于那個(gè)類。

3)按距離對(duì)所有樣本分完組后，計(jì)算每個(gè)組的均值并作為新的聚類中心。

4)重復(fù)前三步，直到新的質(zhì)心與原質(zhì)心相等。

5)最終得到K種樣本默認(rèn)框的長(zhǎng)寬比。聚類后的結(jié)果見圖3。

圖3 寬高比聚類結(jié)果Fig.3 Clustering results of aspect ratio

根據(jù)K-means聚類結(jié)果重新設(shè)置默認(rèn)框參數(shù)，對(duì)于絕緣子目標(biāo)，其實(shí)際測(cè)量寬高比的范圍集中在1/5、1/4、2、4和5。因此將初始的默認(rèn)框設(shè)置修改為1/4、4、1、2、1/5和5，這6種默認(rèn)框的長(zhǎng)寬比作為深度學(xué)習(xí)模型的超參數(shù)(hyperparameter)，減少了調(diào)整超參數(shù)的時(shí)間，而且加快模型的訓(xùn)練速度。

2.2 引入多向特征金字塔結(jié)構(gòu)

SSD檢測(cè)框架利用不同尺寸的特征映射圖進(jìn)行目標(biāo)檢測(cè)，這種結(jié)構(gòu)對(duì)于高層語義信息和低層位置信息并沒有充分融合，因此對(duì)于中小目標(biāo)的檢測(cè)效果并不理想。分析SSD網(wǎng)絡(luò)結(jié)構(gòu)可知，低層特征映射圖主要包含圖像的細(xì)節(jié)信息，對(duì)小目標(biāo)的檢測(cè)較為敏感，而傳統(tǒng)的SSD檢測(cè)架構(gòu)使用Conv4_3特征層檢測(cè)小目標(biāo)，雖然該層特征也會(huì)隨著特征提取網(wǎng)絡(luò)的層層傳遞，但隨著層層卷積、池化的作用，小目標(biāo)的特征信息逐漸流失。筆者提出一種將多向特征金字塔結(jié)構(gòu)引入SSD檢測(cè)框架的MFPSSD網(wǎng)絡(luò)，充分利用低層網(wǎng)絡(luò)的細(xì)節(jié)特征和高層網(wǎng)絡(luò)的語義信息，多向特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 多向特征金字塔Fig.4 Multidirectional feature pyramid

其中，C1～C5為輸入特征層，N2～N4為中間特征層，M1～M5為輸出特征層，相同顏色的特征映射圖具有相同的特征維度，具體連接步驟如下：

1)自上而下的融合路徑。對(duì)輸入特征圖的不同尺寸的特征映射圖，采用自上而下的路徑。如圖4所示，中間路徑N4，首先將C5進(jìn)行下采樣至與C4相同的尺寸并相加，最后進(jìn)行卷積操作得到N4；對(duì)于N2～N3，采用傳統(tǒng)的自上而下的融合方式，具體計(jì)算方式如下公式(4)：

(4)

2)自下而上和跳躍連接的融合路徑。輸出路徑M1，將N2下采樣至與C1相同尺寸的特征映射圖，然后相加后進(jìn)行卷積操作得到M1。對(duì)于M2～M4,由三種連接方式進(jìn)行特征融合，例如M2：第一，自下而上的連接方式，首先將低層特征映射圖M1進(jìn)行上采樣得到與N2相同尺寸的特征映射圖；第二，跳躍連接方式，C2直接通向輸出路徑與其它特征映射圖融合；第三，側(cè)向連接方式，經(jīng)由中間路徑的N2與輸出路徑的低一層特征映射圖進(jìn)行融合。對(duì)于M5直接由M4上采樣至與C5相同尺寸的特征映射圖，然后與C5相加后進(jìn)行卷積操作得到M5，具體計(jì)算公式如式(5)：

(5)

Mi=Conv(Ci+Ni+Resize(Mi-1)),i∈{2,3,4}

加入多向特征金字塔結(jié)構(gòu)后的整體網(wǎng)絡(luò)框架如圖5所示。在原來多尺度特征提取的基礎(chǔ)之上加入多向特征金字塔的結(jié)構(gòu)。SSD檢測(cè)網(wǎng)絡(luò)使用沒有經(jīng)過特征融合的6個(gè)尺寸的特征映射圖進(jìn)行多尺度檢測(cè)，而MFPSSD檢測(cè)網(wǎng)絡(luò)利用7個(gè)尺寸的特征映射圖，其中將不同尺寸的特征映射圖Conv4_3，Conv7，Conv6_2，Conv7_2，Conv8_2經(jīng)過多向特征金字塔結(jié)構(gòu)進(jìn)行融合，輸出與輸入尺寸相同的特征映射圖，然后與Conv9_2、Conv10_2一樣，流向目標(biāo)檢測(cè)網(wǎng)絡(luò)，使網(wǎng)絡(luò)充分利用多層特征信息進(jìn)行檢測(cè)。

圖5 MFPSSD檢測(cè)框架Fig.5 MFPSSD detection framework

2.3 基于Adam算法的損失函數(shù)優(yōu)化

原始SSD算法使用SGD算法進(jìn)行損失函數(shù)的優(yōu)化，但該算法的缺點(diǎn)是下降速度較慢，并可能收斂于局部最優(yōu)。Adam算法相較于SGD主要優(yōu)勢(shì)在于可利用梯度的1階矩估計(jì)和2階矩估計(jì)動(dòng)態(tài)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率，有利于收斂于全局最優(yōu)點(diǎn)。因此本文引入Aadm算法用于優(yōu)化損失函數(shù)。主要公式如式(6)：

(6)

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

本研究實(shí)驗(yàn)數(shù)據(jù)集主要包括3個(gè)數(shù)據(jù)集：ImageNet、DOTA(A Large-scale Dataset for Object Detectionin Aerial Images)[20]和高壓塔缺陷影像數(shù)據(jù)集。

ImageNet數(shù)據(jù)集主要用于模型預(yù)訓(xùn)練，該數(shù)據(jù)集具有140萬張標(biāo)記圖片，1 000種不同類別，是針對(duì)圖像識(shí)別的全球最大公開數(shù)據(jù)集之一，利用該數(shù)據(jù)集進(jìn)行模型預(yù)訓(xùn)練可以使模型具有更好的泛化能力，并且加快二次訓(xùn)練的速度。

DOTA數(shù)據(jù)集是包含2 806張航空影像的數(shù)據(jù)集，尺寸大約為4K×4K，包含15個(gè)類別共計(jì)188 282個(gè)實(shí)例，其中包含較多的中小目標(biāo)。本研究主要利用該數(shù)據(jù)集對(duì)改進(jìn)后的SSD算法對(duì)中小目標(biāo)的檢測(cè)精度做對(duì)比分析。

高壓塔缺陷影像數(shù)據(jù)集是本研究利用無人機(jī)航拍高壓塔制作的數(shù)據(jù)集，該數(shù)據(jù)集共計(jì)約2萬張影像，涵蓋絕緣子、銹跡、塔標(biāo)等類別。

3.2 實(shí)驗(yàn)描述

1)實(shí)驗(yàn)環(huán)境：實(shí)驗(yàn)軟件環(huán)境為Ubuntu18.04系統(tǒng)、tensorflow深度學(xué)習(xí)框架。實(shí)驗(yàn)硬件環(huán)境為Intel Xeon E3-1220 v5處理器、GTX1070 8G顯卡、16G內(nèi)存。

2)數(shù)據(jù)準(zhǔn)備：實(shí)驗(yàn)使用的數(shù)據(jù)集首先進(jìn)行數(shù)據(jù)增強(qiáng)，主要通過隨機(jī)改變影像的飽和度、亮度、對(duì)比度、亮度，同時(shí)對(duì)影像進(jìn)行隨機(jī)裁剪、鏡像等操作，最后對(duì)影像進(jìn)行歸一化處理。

3)模型預(yù)訓(xùn)練：根據(jù)遷移學(xué)習(xí)的原理，利用模型網(wǎng)絡(luò)淺層提取特征的一致性，在具有大量數(shù)據(jù)的公共數(shù)據(jù)集進(jìn)行模型的預(yù)訓(xùn)練，然后再針對(duì)本文所制作的特有數(shù)據(jù)集進(jìn)行模型微調(diào)，以達(dá)到充分利用先驗(yàn)?zāi)Ｐ偷哪康摹?/p>

4)精度評(píng)估方法：使用平均精度(Average Precision，AP)來評(píng)估訓(xùn)練所得絕緣子模型，計(jì)算公式如下：

(7)

AP的幾何意義即P-R曲線與坐標(biāo)軸所圍面積，其中P表示訓(xùn)練精準(zhǔn)率，R表示訓(xùn)練召回率，計(jì)算公式分別定義為：P=TP/(TP+FP)，R=TP/(TP+FN)，TP表示正確識(shí)別為絕緣子的數(shù)量，F(xiàn)P表示錯(cuò)誤識(shí)別為絕緣子的數(shù)量，F(xiàn)N表示錯(cuò)誤識(shí)別為非絕緣子的數(shù)量。

5)速度評(píng)估方法：使用每秒幀速(Frame Per Second，F(xiàn)PS)，即每秒內(nèi)處理的影像數(shù)量，F(xiàn)PS越大，速度越快。計(jì)算公式如下：

FPS=F/T

(8)

式中，F(xiàn)為處理影像數(shù)，S為處理時(shí)間，單位為秒。

6)超參數(shù)設(shè)定如表1所示。

表1 超參數(shù)設(shè)定Table 1 Hyperparameter setting

3.3 實(shí)驗(yàn)對(duì)比分析

3.3.1 MFPSSD算法訓(xùn)練分析

在原始數(shù)據(jù)進(jìn)入訓(xùn)練階段前，在數(shù)據(jù)層對(duì)原始數(shù)據(jù)進(jìn)行均值處理和數(shù)據(jù)增強(qiáng)，數(shù)據(jù)增強(qiáng)采用隨機(jī)擾動(dòng)、隨機(jī)裁剪、隨機(jī)擴(kuò)張及縮放操作，初始訓(xùn)練的學(xué)習(xí)率采用warmup[21]的策略，學(xué)習(xí)率設(shè)置為0.01，前200次訓(xùn)練，模型先由0.001的學(xué)習(xí)率緩慢地增加至0.01，然后學(xué)習(xí)率按照余弦衰減法[22]緩慢衰減至0.001。學(xué)習(xí)率變化圖如圖6所示。訓(xùn)練損失曲線如圖7所示，訓(xùn)練初始階段，損失值隨著迭代次數(shù)迅速下降，在第50個(gè)epoch時(shí)，損失值下降速度趨于平緩，但是仍有下降，最終在第350個(gè)epoch階段訓(xùn)練基本平穩(wěn)，這說明訓(xùn)練模型的超參數(shù)設(shè)置合理。

圖6 Warmup學(xué)習(xí)率變化Fig.6 Warmup learning rate change

圖7 訓(xùn)練損失曲線Fig.7 Training loss curve

模型訓(xùn)練策略采用Adam算法取代原來的SGD算法進(jìn)行損失函數(shù)優(yōu)化。為分析Adam算法的有效性，分別用Adam和SGD兩種訓(xùn)練策略對(duì)SSD算法進(jìn)行訓(xùn)練，并在高壓塔數(shù)據(jù)測(cè)試集進(jìn)行精度評(píng)定，結(jié)果如表2所示。

表2 不同優(yōu)化算法性能對(duì)比Table 2 Performance comparison of different optimization algorithms

由表2中第一行數(shù)據(jù)和第二行數(shù)據(jù)的AP值對(duì)比可知：當(dāng)損失函數(shù)不變時(shí)，使用Adam優(yōu)化算法訓(xùn)練的SSD300模型精度要高于使用SGD優(yōu)化算法訓(xùn)練的SSD300模型精度；同樣對(duì)比表2中第三行數(shù)據(jù)和第四行數(shù)據(jù)的AP值可知：使用Adam優(yōu)化算法得到的模型精度高于使用SGD優(yōu)化算法得到的模型精度。

3.3.2 MFPSSD算法性能分析

為更好地分析MFPSSD算法的性能，同時(shí)利用訓(xùn)練集訓(xùn)練了Faster R-CNN算法和SSD算法作為對(duì)比，并在測(cè)試集進(jìn)行精度評(píng)定。

由表3中第五列數(shù)據(jù)可知，MFPSSD算法精度明顯高于其他算法，但是MFPSSD網(wǎng)絡(luò)相較于SSD300檢測(cè)速度有所降低，其可能原因是多向特征金字塔結(jié)構(gòu)增加的特征計(jì)算的時(shí)間，但總體上MFPSSD 算法兼具檢測(cè)精度和檢測(cè)速度的性能。

表3 不同算法在高壓塔缺陷數(shù)據(jù)集中的檢測(cè)結(jié)果Table 3 Test results of different algorithms in defect data set of high pressure tower

3.3.3 檢測(cè)結(jié)果對(duì)比分析

為有效驗(yàn)證本文提出算法的有效性，將本文算法分別在高壓塔缺陷數(shù)據(jù)集和DOTA數(shù)據(jù)集進(jìn)行訓(xùn)練和驗(yàn)證。在高壓塔缺陷測(cè)試集的檢測(cè)結(jié)果如圖8所示，(a)(b)、(c)(d)分別為對(duì)絕緣子和銹帽的算法改進(jìn)前后檢測(cè)結(jié)果。通過檢測(cè)結(jié)果分析可知，MFPSSD網(wǎng)絡(luò)模型，對(duì)影像的檢測(cè)精度更高，針對(duì)其他模型無法檢測(cè)出的小目標(biāo)仍具有較好的檢測(cè)效果，有效降低了中小目標(biāo)的漏檢率。

圖8 改進(jìn)前后檢測(cè)結(jié)果Fig.8 Test results before and after improvement

在DOTA測(cè)試集的檢測(cè)結(jié)果如圖9所示，(a)、(b)分別是算法改進(jìn)前后對(duì)密集小目標(biāo)車輛的檢測(cè)結(jié)果，針對(duì)檢測(cè)目標(biāo)較為密集的情況下，改進(jìn)后的算法明顯有更好的檢測(cè)精度。綜合以上實(shí)驗(yàn)分析，改進(jìn)后的算法具有較強(qiáng)的魯棒性。

圖9 改進(jìn)前后對(duì)車輛檢測(cè)結(jié)果Fig.9 Vehicle test results before and after improvement

4 結(jié)語

通過對(duì)SSD算法進(jìn)行改進(jìn)，提出了MFPSSD目標(biāo)檢測(cè)網(wǎng)絡(luò)。針對(duì)SSD算法默認(rèn)框的設(shè)置特點(diǎn)，使用K-means算法聚類分析數(shù)據(jù)集的待檢測(cè)目標(biāo)的形狀特征；根據(jù)SSD多尺度檢測(cè)的特點(diǎn)，引入了多向特征金字塔結(jié)構(gòu)，同時(shí)在損失函數(shù)優(yōu)化過程中使用Adam算法取代SGD算法，最終使得檢測(cè)模型具有更好的檢測(cè)精度和檢測(cè)速度。實(shí)驗(yàn)分析表明，MFPSSD算法在絕緣子目標(biāo)較小的情況下，仍可以精確檢測(cè)絕緣子，有助于為下一步絕緣子缺陷檢測(cè)排除干擾，但仍存在對(duì)遮擋目標(biāo)會(huì)出現(xiàn)漏檢、檢測(cè)精度低的問題，因此如何提高對(duì)遮擋目標(biāo)的檢測(cè)精度將是主要的研究方向。