張 欣，王紅星，陳玉權(quán)，黃 鄭，沈 杰，高小偉

(1.江蘇方天電力技術(shù)有限公司,南京 211102；2.北京御航智能科技有限公司，北京 100085)

0 引言

絕緣子是架空輸電線路中不可或缺的部件，在輸電線路中起到防止電流接地以及支撐導(dǎo)線的雙重作用。一些常見的絕緣子缺陷如絕緣子爆片、絕緣子電弧燒傷、絕緣子傘裙破損等會(huì)引起絕緣子絕緣的失效，從而損害輸電線路的使用和運(yùn)行壽命。因此對(duì)絕緣子進(jìn)行缺陷檢測(cè)是輸電線路巡檢過程中必不可少的環(huán)節(jié)，但巡檢圖像中絕緣子區(qū)域目標(biāo)背景較為復(fù)雜且缺陷形狀多變、大小不一，這些缺陷特性都為絕緣子缺陷檢測(cè)研究帶來一定挑戰(zhàn)。

隨著無人機(jī)技術(shù)的成熟，輸電線路無人機(jī)巡檢技術(shù)逐漸代替人工巡檢技術(shù)[1]，將會(huì)產(chǎn)生海量的巡檢圖，尤其在桿塔精細(xì)化中一些關(guān)鍵部位需要進(jìn)行缺陷檢測(cè)。目前，在絕緣子串檢測(cè)方面已有一些研究成果，如基于方向梯度直方圖檢測(cè)算法、紅外成像法、支持向量機(jī)方法以及深度學(xué)習(xí)算法在絕緣子串檢測(cè)的應(yīng)用[2]。其中，無人機(jī)巡檢 + AI方案的提出減少了人為干擾因素，深度學(xué)習(xí)算法的應(yīng)用使得電力巡檢變成一件智能且便捷的事情[3]。趙振兵等人提出了利用區(qū)域全卷積網(wǎng)絡(luò)模型對(duì)巡檢圖像中的絕緣子進(jìn)行檢測(cè)，在 R-FCN 網(wǎng)絡(luò)中引入 ASDN(Adversarial Spatial Dropout Network)解決了絕緣子部分遮擋難以檢測(cè)的問題[4]。陳春玲等人提出Faster R-CNN+VGGNet 網(wǎng)絡(luò)方法實(shí)現(xiàn)了復(fù)雜背景下的絕緣子目標(biāo)的高精度識(shí)別[5]。Jiaming Han 等人采用級(jí)聯(lián)模型方法來檢測(cè)絕緣子爆片，首先定位絕緣子串的位置，運(yùn)用YOLO-v3微型網(wǎng)絡(luò)檢測(cè)定位區(qū)域中的絕緣子爆片缺陷，實(shí)驗(yàn)證明該方法非常有效，且YOLO-v3微型網(wǎng)絡(luò)節(jié)省了檢測(cè)時(shí)間[6]。潘龍等人利用深度卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)復(fù)合絕緣子實(shí)現(xiàn)了憎水性判別，提高了檢測(cè)效率和準(zhǔn)確性[7]。Zenan Ling等人利用兩個(gè)模塊解決了低信噪比圖像中絕緣子爆片的問題，首先基于Faster R-CNN進(jìn)行目標(biāo)檢測(cè)，然后將檢測(cè)結(jié)果利用Unet網(wǎng)絡(luò)實(shí)現(xiàn)分類，實(shí)驗(yàn)結(jié)果表明此方法非常有效[8]。

上述對(duì)絕緣子檢測(cè)相關(guān)工作做了很多探索，但針對(duì)多類型絕緣子缺陷檢測(cè)的研究較少，目前絕緣子識(shí)別與缺陷檢測(cè)研究面臨著以下挑戰(zhàn)：

1)缺少用于無人機(jī)巡檢圖像中絕緣子缺陷檢測(cè)的公開可用數(shù)據(jù)集及標(biāo)準(zhǔn)的標(biāo)注方案。

2)現(xiàn)有算法大多集中于絕緣子爆片這一類缺陷進(jìn)行的算法研究，但在實(shí)際工作中絕緣子電弧燒傷、絕緣子傘裙破損等其他缺陷也會(huì)造成絕緣子絕緣的失效，因此需要對(duì)絕緣子多種缺陷目標(biāo)檢測(cè)，增加了檢測(cè)難度。

3)絕緣子材質(zhì)復(fù)雜多變導(dǎo)致缺陷形態(tài)多變、大小不一增加了檢測(cè)復(fù)雜度。

針對(duì)以上問題，為有效實(shí)現(xiàn)無人機(jī)巡檢圖像中多類絕緣子缺陷的檢測(cè)，收集了足夠的絕緣子巡檢圖像，探索出了可靠的絕緣子缺陷標(biāo)注方式，建立標(biāo)準(zhǔn)的絕緣子缺陷數(shù)據(jù)集并提出使用Cascade R-CNN[9]為基礎(chǔ)算法，通過設(shè)定不同的IoU(Intersection over Union)閾值利用Cascade R-CNN訓(xùn)練了多級(jí)聯(lián)的檢測(cè)器，可以使網(wǎng)絡(luò)更加適應(yīng)各種大小不一絕緣子缺陷目標(biāo)，從而提升檢測(cè)精度。此外，在原有網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行了方法的改進(jìn)，最終聯(lián)合絕緣子串模型實(shí)現(xiàn)了缺陷檢測(cè)。經(jīng)過實(shí)驗(yàn)對(duì)比測(cè)試，筆者提出的方法能夠有效的識(shí)別各類絕緣子缺陷。

1 絕緣子缺陷檢測(cè)原理

相較傳統(tǒng)分類方法(如支持向量機(jī)方法、決策樹分類等)深度學(xué)習(xí)方法是機(jī)器學(xué)習(xí)中的熱點(diǎn)方向，作為一種以模擬人腦映射為原理的圖像處理算法它具有強(qiáng)大的自學(xué)習(xí)能力、容錯(cuò)能力，尤其在目標(biāo)識(shí)別領(lǐng)域表現(xiàn)突出，如人臉識(shí)別、自動(dòng)駕駛等，這些對(duì)于將深度模型應(yīng)用到絕緣子檢測(cè)上有著很好的借鑒作用。

1.1 建立絕緣子缺陷數(shù)據(jù)集

一般情況下一個(gè)具有較好泛化能力的深度模型必然需要依賴于一定數(shù)量的樣本數(shù)據(jù)。場(chǎng)景豐富、目標(biāo)形態(tài)多樣的訓(xùn)練數(shù)據(jù)能夠使得深度網(wǎng)絡(luò)在訓(xùn)練中得到更加準(zhǔn)確的參數(shù)?？紤]到目前缺少公開可用的電力數(shù)據(jù)集，需要構(gòu)建專業(yè)的巡檢圖像絕緣子缺陷數(shù)據(jù)集。

根據(jù)絕緣子受損類型及損傷特點(diǎn)將絕緣子數(shù)據(jù)中缺陷分為絕緣子爆片、絕緣子電弧燒傷、絕緣子傘裙破損3類。示意圖見圖1，標(biāo)注方式需遵循以下規(guī)則：

圖1 絕緣子缺陷Fig.1 The defect of insulator

1)目標(biāo)需要完全包括在標(biāo)注框內(nèi)部。

2)目標(biāo)框盡量少地包含除缺陷外的背景干擾。

3)摒棄不確定目標(biāo)(模糊目標(biāo))。

訓(xùn)練樣本挑選過程中盡量篩掉一些質(zhì)量不佳(如模糊、噪音嚴(yán)重等)的巡檢圖片。最終確定絕緣子缺陷訓(xùn)練集中絕緣子爆片數(shù)量為3 120張、絕緣子電弧燒傷數(shù)量588張、絕緣子傘裙破損537張，測(cè)試集中絕緣子爆片數(shù)量為614張、絕緣子電弧燒傷數(shù)量111張、絕緣子傘裙破損128張，詳見表1。由于3類樣本數(shù)量不均衡，會(huì)導(dǎo)致訓(xùn)練模型泛化能力差且容易出現(xiàn)過擬合，為使網(wǎng)絡(luò)更加穩(wěn)健缺陷數(shù)據(jù)采用數(shù)據(jù)增強(qiáng)的方式對(duì)燒傷與破損數(shù)據(jù)擴(kuò)充。在增加樣本復(fù)雜度方面，使用調(diào)整圖片亮度、圖像裁剪的方式進(jìn)行了數(shù)據(jù)增強(qiáng)，使網(wǎng)絡(luò)能足夠多地學(xué)習(xí)到目標(biāo)變化中的深層特征。

表1 數(shù)據(jù)集Table 1 Data set

1.2 改進(jìn)的Cascade R-CNN算法

眾所周知，深度神經(jīng)網(wǎng)絡(luò)主要任務(wù)為目標(biāo)分類與目標(biāo)定位。在訓(xùn)練時(shí)首先提取候選目標(biāo)，然后將候選目標(biāo)回歸到對(duì)應(yīng)的真實(shí)標(biāo)簽上進(jìn)行分類，在這一關(guān)鍵步驟中網(wǎng)絡(luò)根據(jù)IoU閾值來確定候選目標(biāo)是否合格，因此IoU閾值的選取決定了檢測(cè)目標(biāo)的質(zhì)量。經(jīng)過對(duì)大量的輸電線路巡檢圖像進(jìn)行標(biāo)注，發(fā)現(xiàn)圖像中缺陷形態(tài)大小比較多變，尤其是一些電弧燒傷目標(biāo)在形態(tài)顏色方面變化都較大，而且圖像中還包含背景干擾影響絕緣子缺陷檢測(cè)準(zhǔn)確性。因此選取Cascade R-CNN網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò)，可通過設(shè)定不同的IoU閾值，訓(xùn)練多個(gè)級(jí)聯(lián)的檢測(cè)器，上個(gè)網(wǎng)絡(luò)輸出用于下一個(gè)網(wǎng)絡(luò)輸入，通過網(wǎng)絡(luò)間的級(jí)聯(lián)減少了缺陷目標(biāo)多變對(duì)網(wǎng)絡(luò)造成的影響，使得輸出結(jié)果準(zhǔn)確度逐步提升。

據(jù)統(tǒng)計(jì)，絕緣子爆片目標(biāo)面積大小約為同圖片中電弧與燒傷目標(biāo)的10倍，不同分辨率圖片中的同類目標(biāo)的大小也可大致分為大尺寸，中尺寸和小尺寸3類。為解決多尺度目標(biāo)檢測(cè)問題，首先將損失函數(shù)更改為Focal loss，并引入RoI Align方法以解決小目標(biāo)的漏檢，在此基礎(chǔ)上訓(xùn)練了絕緣子串模型，將絕緣子串的檢測(cè)區(qū)域設(shè)置為RoI供下一個(gè)檢測(cè)分支使用，以消除巡檢圖像中的大多數(shù)背景干擾。除此之外，在網(wǎng)絡(luò)中還引入了FPN結(jié)構(gòu)，在不增加原有模型計(jì)算量的情況下，大幅度提升了較小缺陷目標(biāo)檢測(cè)的性能[10]。

1.2.1 損失函數(shù)的改進(jìn)

在實(shí)際訓(xùn)練工作中經(jīng)常會(huì)遇到這樣一個(gè)問題：正負(fù)樣本比例極度不平衡的，有時(shí)正負(fù)樣本接近500：1，而且困難樣本在負(fù)樣本中占比極少。在這種情況下就會(huì)導(dǎo)致另一個(gè)問題：梯度完全由簡(jiǎn)易樣本控制，雖然loss很低，但由于簡(jiǎn)易樣本比重大，依舊對(duì)loss有很大貢獻(xiàn)，從而導(dǎo)致困難樣本收斂不夠好。

基于標(biāo)準(zhǔn)的交叉熵?fù)p失函數(shù)，F(xiàn)ocal loss的解決方法是賦予一個(gè)權(quán)重因子?給正樣本的loss，負(fù)樣本的權(quán)重為1-?，并將1-pt作為樣本的損失權(quán)重就能辨別簡(jiǎn)易樣本/困難樣本，以及對(duì)比例失衡現(xiàn)象起到抑制作用[11]。Focal Loss的計(jì)算如下：

FL(pt)=-?t(1-pt)γlog(pt)

(1)

式中pt是不同類別的分類概率，?t和γ都是常數(shù)不參與訓(xùn)練(0≤?t≤1，γ>0)。從表達(dá)式可以看出：

1)在前景類或者是背景類中pt值增大，權(quán)重(1-pt)γ減小，也就是說簡(jiǎn)易樣本能夠通過權(quán)重進(jìn)行控制。

2)?t用于調(diào)節(jié)正負(fù)樣本比例，若前景類用?t表示，背景類則表示為1-?t。

3)γ和?t兩者的最優(yōu)值彼此作用，因此兩者要聯(lián)合調(diào)整評(píng)估精準(zhǔn)度。

1.2.2 加入RoIAlign

在網(wǎng)絡(luò)中加入ROI Align層，ROI Align 是在Mask-RCNN中提出的一種區(qū)域特征聚集方式,對(duì)ROI Pooling操作中兩次量化造成的區(qū)域不匹配問題進(jìn)行了改進(jìn)[12]。首先取消了兩次離散量化操作，為了將特征聚集操作連續(xù)化在過程中使用雙線性插值，從而使得圖像像素值精確到了浮點(diǎn)位。除此之外，ROI Align在兩步量化中不需要對(duì)像素值全部計(jì)算，具體操作如下：

1)遍歷所有RoI區(qū)域，保持浮點(diǎn)數(shù)邊界不做量化。

2)將RoI區(qū)域分割成m×m個(gè)等大子區(qū)域，每個(gè)等大子區(qū)域的邊界也不做數(shù)量的評(píng)定。

3)在每個(gè)等大子區(qū)域中計(jì)算特定4個(gè)坐標(biāo)位置，用雙線性插值方式算出這4個(gè)坐標(biāo)值，然后進(jìn)行max-pooling操作。

在ROIAlign反向傳播中，xi×(r,j)是坐標(biāo)為浮點(diǎn)數(shù)的采樣點(diǎn)(由前向傳播時(shí)得到)，在池化前的特征圖中，與xi×(r,j)橫縱坐標(biāo)相差一個(gè)像素內(nèi)的所有點(diǎn)(即雙線性插值時(shí)特征圖上的四個(gè)點(diǎn))需要接受與之對(duì)應(yīng)點(diǎn)yrj的回傳梯度，所以ROI Align的反向傳播公式如下:

(2)

式中，yrj表示池化后的第r個(gè)候選區(qū)域的第j個(gè)點(diǎn)，L是池化前的特征圖，xi表示L上的像素點(diǎn)，i*(r,j)表示點(diǎn)yrj像素值的來源；Δw、Δh分別為xi*(r,j)與xi縱坐標(biāo)和橫坐標(biāo)的差，d(i,i*(r,j))表示兩個(gè)像素間的間隔長(zhǎng)度。

1.2.3 聯(lián)合絕緣子串模型檢測(cè)

盡管從之前的文獻(xiàn)中了解到深度網(wǎng)絡(luò)可以解決大部分變化因素的影響從而識(shí)別出缺陷目標(biāo)，但實(shí)際場(chǎng)景中絕大多數(shù)絕緣子圖像的背景復(fù)雜度高，實(shí)現(xiàn)多類別絕緣子缺陷目標(biāo)檢測(cè)時(shí)易將背景誤檢，且存在部分巡檢圖像尺寸大小超過5 000×5 000，使得目標(biāo)在檢測(cè)時(shí)經(jīng)過網(wǎng)絡(luò)壓縮成為了極小目標(biāo)，易被漏掉。針對(duì)這一問題，通過Cascade R-CNN訓(xùn)練絕緣子串模型，將絕緣子串的檢測(cè)區(qū)域設(shè)置為RoI，最后檢測(cè)RoI區(qū)域中的絕緣子缺陷。經(jīng)實(shí)踐證實(shí)，這種方法可以消除航拍圖像中的大多數(shù)背景干擾，并且通過絕緣子串的提取步驟避免了將RoI區(qū)域壓縮為極小目標(biāo)的操作，從而極大程度上提升了召回率。

在Cascade R-CNN基礎(chǔ)網(wǎng)絡(luò)中將原有的交叉熵?fù)p失函數(shù)更改為Focal loss，然后引入了RoI Align層以解決小目標(biāo)的漏檢，并利用高精度絕緣子串模型進(jìn)行聯(lián)合檢測(cè)，最終形成的新網(wǎng)絡(luò)如圖2。

圖2 改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 The structure of improved network

2 實(shí)驗(yàn)及分析

實(shí)驗(yàn)評(píng)估工作深度學(xué)習(xí)框架為pytorch，硬件環(huán)境為Tesla V100-DGX WORK STATION，里面搭載了四塊NVIDIA Tesla V100 Tensor Core GPU。所提出的網(wǎng)絡(luò)使用在ImageNet數(shù)據(jù)集上經(jīng)過預(yù)訓(xùn)練的101層的ResNeXt 作為骨干網(wǎng)絡(luò)，而其他層的參數(shù)則是隨機(jī)初始化的，訓(xùn)練過程中三次判斷正負(fù)樣本的IoU閾值分別設(shè)為0.5、0.6、0.7，輸入圖像訓(xùn)練尺寸為((1 333,800),(2 000,1 200)),學(xué)習(xí)率初始化為0.02，經(jīng)多次迭代后學(xué)習(xí)率會(huì)逐漸降低，得到最終的模型，并在測(cè)試集上進(jìn)行測(cè)試。

為了驗(yàn)證所提出網(wǎng)絡(luò)的有效性和魯棒性，將其與Faster-rcnn網(wǎng)絡(luò)[]進(jìn)行了比較，共訓(xùn)練了4組實(shí)驗(yàn)：

1)基于Faster R-CNN網(wǎng)絡(luò)的絕緣子爆片、絕緣子電弧燒傷、絕緣子傘裙破損缺陷模型訓(xùn)練與識(shí)別。

2)基于Cascade R-CNN網(wǎng)絡(luò)的絕緣子爆片、絕緣子電弧燒傷、絕緣子傘裙破損缺陷模型訓(xùn)練與識(shí)別。

3)在Cascade R-CNN網(wǎng)絡(luò)引入損失函數(shù)Focal loss及加入RoIAlign進(jìn)行缺陷訓(xùn)練與識(shí)別。

4)絕緣子串模型訓(xùn)練及聯(lián)合絕緣子串模型進(jìn)行缺陷識(shí)別。

為了公正地評(píng)價(jià)網(wǎng)絡(luò)，不同實(shí)驗(yàn)中訓(xùn)練迭代次數(shù)均保持一致，然后在制定的標(biāo)準(zhǔn)測(cè)試集進(jìn)行了測(cè)試。在訓(xùn)練階段，將網(wǎng)絡(luò)的最大迭代設(shè)置為30個(gè)epoch。

在數(shù)據(jù)集制作階段直接仿照了Pascal VOC數(shù)據(jù)集格式[14],在VOC數(shù)據(jù)集中評(píng)價(jià)指標(biāo)主要運(yùn)用AP值、召回率 (Recall)與準(zhǔn)確率(Precision)來進(jìn)行表示，在本實(shí)驗(yàn)中也使用了AP值、召回率 (Recall)與準(zhǔn)確率(Precision)來測(cè)試模型性能。AP值越高，代表檢測(cè)結(jié)果越準(zhǔn)確。具體來說，可以按以下方式計(jì)算召回率與準(zhǔn)確率：

Precision=TP/(TP+FP)

(3)

Recall=TP/(TP+FN)

(4)

式中，TP(True Positives)表示缺陷目標(biāo)被正確分類的數(shù)量；FP表示背景干擾被錯(cuò)誤認(rèn)為是缺陷目標(biāo)的數(shù)量；FN(False Negatives)表示缺陷目標(biāo)被漏檢的數(shù)量。

通過表2可以看出，與常規(guī)FasterR-CNN方法相比，本研究提出的Cascade R-CNN方法在絕緣子爆片與絕緣子電弧燒傷兩類中準(zhǔn)確率和召回率指標(biāo)都有提高，雖在傘裙破損類別表現(xiàn)稍差，但總體mAP還是有明顯提升，基于Cascade R-CNN方法改進(jìn)損失函數(shù)為Focal loss并加入RoIAlign層之后，檢出率大幅度上升，并且當(dāng)加入高召回率的絕緣子串模型進(jìn)行聯(lián)合檢測(cè)時(shí)絕緣子電弧燒傷缺陷精度上升非常明顯。具體分析發(fā)現(xiàn)，本文方法對(duì)絕緣子爆片誤識(shí)別率很低，雖同時(shí)進(jìn)行了多類絕緣子缺陷識(shí)別，但經(jīng)測(cè)試數(shù)據(jù)檢測(cè)其精度仍能達(dá)到0.904，絕緣子傘裙破損缺陷精度較低但recall值卻高出很多，電弧燒傷類別也具有較高的缺陷檢出率，平均AP值可達(dá)到0.744，這說明本文方法對(duì)多類型絕緣子缺陷檢出率有了較大的提升。

表2 不同方法在測(cè)試集上的表現(xiàn)Table 2 Performance of different methods on the test set

在模型測(cè)試過程中選擇了一些具有不同場(chǎng)景的典型缺陷圖像用以評(píng)估算法性能，見圖3至圖7。①缺陷目標(biāo)極小的場(chǎng)景。圖3中絕緣子爆片目標(biāo)極小，即使人眼不仔細(xì)觀察也會(huì)被漏檢，通過檢測(cè)結(jié)果對(duì)比發(fā)現(xiàn)加入絕緣子串模型聯(lián)合檢測(cè)能有效地消除部分極小目標(biāo)漏檢率，增加召回率。②檢測(cè)圖像質(zhì)量不佳。由于飛行環(huán)境的局限性，某些采集的圖像質(zhì)量不如預(yù)期的好，如圖5光照條件差圖像極不清晰導(dǎo)致圖像對(duì)電弧燒傷目標(biāo)的漏檢，但通過實(shí)驗(yàn)對(duì)比發(fā)現(xiàn)改進(jìn)算法也能有效的減少這部分情況的漏檢。③目標(biāo)誤檢也是一種常見的現(xiàn)象。如圖4與圖6分別展示了絕緣子爆片缺陷和絕緣子電弧燒傷缺陷的誤檢對(duì)比情況，改進(jìn)算法之后很大程度上消除了誤檢。④圖7主要是對(duì)絕緣子傘裙破損檢測(cè)結(jié)果進(jìn)行的展示。絕緣子傘裙破損類別在檢測(cè)中難度較大，主要表現(xiàn)為絕緣子傘裙材質(zhì)不同(分為陶瓷絕緣子、玻璃絕緣子、復(fù)合絕緣子)導(dǎo)致不同材質(zhì)傘裙破損缺陷在外觀形態(tài)方面差異較大，經(jīng)過算法改進(jìn)之后大部分傘裙破損能夠被正確識(shí)別出來。綜合以上得出結(jié)論，本方法實(shí)現(xiàn)了多類絕緣子缺陷目標(biāo)檢測(cè)，并且有效的提升了檢出率，實(shí)驗(yàn)證實(shí)比Faster R-CNN方法更準(zhǔn)確，更可靠。

圖3 極小缺陷目標(biāo)檢測(cè)結(jié)果對(duì)比Fig.3 Comparison of detection results of extremely small defects

圖4 極易誤檢目標(biāo)檢測(cè)結(jié)果對(duì)比Fig.4 Comparison of detection results of easily mis-detected targets

圖5 極不清晰圖片目標(biāo)檢測(cè)結(jié)果對(duì)比Fig.5 Comparison of target detection results in unclear pictures

圖6 多目標(biāo)檢測(cè)結(jié)果對(duì)比Fig.6 Comparison of multi-target detection results

圖7 絕緣子傘裙破損檢測(cè)結(jié)果對(duì)比Fig.7 Comparison of detection results of insulators with sheds damaged

3 結(jié)論與展望

提出了一種改進(jìn)的Cascade R-CNN算法，能夠?qū)旊娋€路絕緣子多種缺陷進(jìn)行自動(dòng)識(shí)別定位。經(jīng)巡檢圖像實(shí)踐測(cè)試所提方法有效的實(shí)現(xiàn)了3類絕緣子缺陷檢測(cè)并且提升了精度，可得以下結(jié)論：

1)利用無人機(jī)巡檢數(shù)據(jù)按照Pascal VOC數(shù)據(jù)格式制定了標(biāo)準(zhǔn)的絕緣子缺陷標(biāo)注規(guī)則，構(gòu)建了包含絕緣子爆片、絕緣子電弧燒傷、絕緣子傘裙破損多類型缺陷數(shù)據(jù)集，測(cè)試表明本文標(biāo)注方法能夠增強(qiáng)缺陷數(shù)據(jù)特征并使其準(zhǔn)確地識(shí)別出來。

2)基于Cascade R-CNN算法通過將損失函數(shù)更改為Focalloss解決了小目標(biāo)漏檢現(xiàn)象，之后加入了RoI Align方法，并通過聯(lián)合絕緣子串模型提取絕緣子串區(qū)域并設(shè)置為RoI，用于聯(lián)合檢測(cè)多類絕緣子缺陷。實(shí)驗(yàn)表明，本研究所提的算法能夠有效地檢測(cè)出3類絕緣子缺陷目標(biāo)，mAP可達(dá)到0.744。

3)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了不同場(chǎng)景的測(cè)試與分析。經(jīng)對(duì)比分析，本研究所提算法針對(duì)目標(biāo)較小、圖像質(zhì)量不佳等情形下，比Faster R-CNN方法具有更好的缺陷檢出率。

本方法有效的實(shí)現(xiàn)了輸電線路巡檢圖像多類型絕緣子缺陷的檢測(cè)，經(jīng)實(shí)驗(yàn)證實(shí)，所提算法在3類絕緣子缺陷檢測(cè)中表現(xiàn)良好。但由于高壓輸電線路中絕緣子材質(zhì)不同的變化，多類型絕緣子缺陷自動(dòng)檢測(cè)仍是一項(xiàng)艱巨的任務(wù)，尤其在絕緣子傘裙破損類別仍有很大的進(jìn)步空間。此外，實(shí)驗(yàn)過程中收集的訓(xùn)練樣本極大不均衡，尤其絕緣子傘裙破損類別訓(xùn)練樣本量少，這也是導(dǎo)致其精度不高的另一個(gè)主要因素。因此，下一步的工作主要是進(jìn)一步改善算法并收集和創(chuàng)建更多的絕緣子缺陷圖像，以提高所提出算法的通用性。