魏業(yè)文， 李梅， 解園琳， 戴北城

(1. 三峽大學電氣與新能源學院，湖北 宜昌 443002；2. 湖北省輸電線路工程技術研究中心(三峽大學)，湖北 宜昌 443002)

0 引言

輸電線路是電力輸送的載體，絕緣子、均壓環(huán)等電氣設備作為輸電線路中的重要組成部分，主要起著支撐固定線路、改善電壓分布、承受負荷壓力等穩(wěn)定線路的作用。然而輸電線路設備在復雜的戶外環(huán)境下時常遭到破壞，容易出現(xiàn)電氣閃絡、材料老化等情況[1—3]。輸電線路上鳥巢等異物也可能降低設備的絕緣強度，導致線路跳閘等故障，進而引發(fā)停電事故[4—7]。因此，對輸電線路設備及異物進行巡檢識別是保證電網安全穩(wěn)定運行的關鍵。

目前，我國普遍使用的輸電線路巡檢方式是無人機巡檢，不受氣候與地形限制，可多角度精準拍攝，具有較高的可靠性[8—9]。無人機巡檢通過采集海量數(shù)據(jù)，由人工進行電力設備及設備缺陷的識別，但是人眼精力有限，排查時不但耗時耗力，且數(shù)據(jù)量大，容易出現(xiàn)錯誤的判斷[10—11]，因此，實現(xiàn)自動識別圖像中的電力設備及設備缺陷能極大地加快輸電線路巡檢的速度，提高故障切除的效率。

傳統(tǒng)的目標識別方法主要通過對圖像進行預處理，提取目標的輪廓特征來達到識別的目的。文獻[12—13]通過圖像分割、邊緣檢測提取電力設備特征信息進行識別，雖能夠達到識別的目的，但是并未考慮多變的環(huán)境對圖像識別的影響，而且識別響應時間較慢，無法滿足現(xiàn)代電網發(fā)展的需求。而深度學習憑借優(yōu)異的性能不斷發(fā)展，為解決上述問題提供了思路[14]，其檢測方法主要分為單階法和雙階法2類。單階法包括實時快速目標檢測(you only look once，YOLO)法和單步多階目標檢測(single shot multibox detector，SSD)法等[15]，是基于回歸的思想直接對目標進行識別與分類。雙階法包括區(qū)域卷積神經網絡(region convolutional neural network，RCNN)、快速區(qū)域卷積神經網絡(fast-region convolutional neural network，F(xiàn)ast-RCNN)以及更快速區(qū)域卷積神經網絡(faster-region convolutional neural network，F(xiàn)aster-RCNN)等，是基于生成大量目標候選框進行特征提取實現(xiàn)檢測[16—17]。文獻[18]通過YOLO算法對多尺度多環(huán)境下的桿塔狀態(tài)進行精準識別，但未能實現(xiàn)電力小部件的檢測；文獻[19]采用Faster-RCNN算法將隱患目標與背景通過泊松融合來輸出合成樣本，提升了識別物體的性能，但識別精度和識別速度還有待進一步優(yōu)化。

上述研究方法雖取得了一定的成果，但其僅限于單一的目標識別，并不能全面地進行輸電線路識別。而且隨著電力數(shù)據(jù)的增長，算法的數(shù)據(jù)處理能力有限，識別速度和識別精度難以滿足現(xiàn)場需求。為了能夠在復雜環(huán)境下快速識別并精確定位輸電線路設備及設備缺陷，文中基于Faster-RCNN深度學習算法，將輕量化卷積神經網絡(zeiler and fergus net，ZFnet)作為預訓練模型，并改變其網絡參數(shù)以提取更多目標特征，增強網絡訓練能力。改進Faster-RCNN深度學習模型，在網絡輸出階段增加精煉網絡進行檢測細化，實現(xiàn)目標的精確識別定位。實驗結果表明，相較于傳統(tǒng)算法，該方法有效提高了對輸電線路目標的識別和定位精度，在輸電線路安全運行方面可提供較高的可靠性。

1 基于Faster-RCNN的深度學習算法

1.1 Faster-RCNN算法框架

Faster-RCNN網絡框架主要由2個子網組成，分別為區(qū)域提議網絡(region proposal network，RPN)和Fast-RCNN檢測網絡[20—21]，如圖1所示。RPN主要生成高質量的區(qū)域提議候選框，通過分類函數(shù)和邊框回歸函數(shù)判斷并修正候選框，初步定位目標。輸入的圖像首先由卷積神經網絡提取特征，RPN和Fast-RCNN檢測網絡共享該特征。進入2個子網后，RPN首先經過3×3卷積核卷積，再將卷積結果輸入到2個1×1大小的卷積核分別進行運算。其中一個卷積核將特征圖經Reshape處理轉換格式后，由Softmax函數(shù)判斷獲取的錨框是否存在目標對象；另一個卷積核后接回歸函數(shù)用以確定對象坐標。Fast-RCNN檢測網絡中的感興趣區(qū)域(region of interst，ROI)，將卷積特征與提議候選框信息綜合，提取出統(tǒng)一大小的提議特征塊輸入到全連接層[23—24]。再次利用分類函數(shù)計算提議特征塊的類別，以及利用邊框回歸函數(shù)精確定位檢測框的位置。

圖1 Faster-RCNN的網絡框架

1.2 RPN

RPN實質為一個卷積神經網絡，以特征圖上每個點為中心，采用滑動窗口方式遍歷輸入進來的特征圖，并產生相應的錨點，同時在原圖上映射出不同尺度(128，256，512)和不同比例(長寬比分別為1∶1，1∶2，2∶1)的錨點框[25—26]，可以使區(qū)域提議更準確。RPN結構見圖2，由2個分支組成，其中分類層通過分類函數(shù)輸出2k得分對目標進行分類，而回歸層通過邊框回歸函數(shù)輸出4k向量對目標進行坐標定位，去掉太小或超出邊界的候選框并不斷修正，最終輸出可能包含目標的矩形候選框[27—28]。

圖2 RPN結構

訓練分類器和回歸器使用的損失函數(shù)公式如下。

分類損失函數(shù)為：

(1)

回歸損失函數(shù)為：

(2)

其中，

(3)

整個網絡的損失函數(shù)為分類損失函數(shù)和回歸損失函數(shù)之和，其表達式為：

(4)

式中：λ，Ncls，Nreg為運算系數(shù)。

2 改進Faster-RCNN算法

2.1 改進Faster-RCNN算法框架

在實際輸電線路中，電力設備的大小和形狀差異較大，例如絕緣子、均壓環(huán)、線路導線等。由于目標對象的大小不同，為了包含小對象和較大的對象，傳統(tǒng)Faster-RCNN給出的提議框都偏大。在這種情況下，系統(tǒng)不僅要處理物體區(qū)域本身的變化，還要處理外部區(qū)域的變化，檢測效率低且產生誤差。

為解決上述問題，在傳統(tǒng)Faster-RCNN網絡結構后面引入了一個精煉階段，增加了2個細化步驟，分別為分類細化和回歸細化。圖3為改進Faster-RCNN算法流程。

圖3 改進Faster-RCNN算法流程

細化步驟的結構與Faster-RCNN中的分類和回歸步驟相似，但是在回歸器之前添加了一個新的全連接層，用以整合網絡有用的信息。分類細化步驟將卷積特征映射和Faster-RCNN運算中的ROI作為輸入，重新進行分類和回歸，給出的建議框比之前更接近目標對象，而且可以有效濾除背景造成的影響?；貧w細化步驟將ROI更精確地移向目標對象，并可在回歸優(yōu)化之后實現(xiàn)對目標對象周圍多個邊界框的合并，以提高目標對象位置坐標的準確率。

2.2 改進ZFnet模型

深度學習Faster-RCNN框架中卷積神經網絡預訓練模型的選擇至關重要?？紤]到檢測的時效性以及檢測的速度，選擇輕量化的卷積神經網絡模型ZFnet。ZFnet由5層卷積、3層池化和3層全連接層構成，是由AlexNet演變而來，將第一層的卷積核大小由11×11簡化為7×7，并縮短步長為2。ZFnet結構簡潔，運行速率快，為了滿足在線路巡檢中目標識別檢測中的高實時性要求，選擇ZFnet模型進行預訓練。考慮到不同層的卷積核大小對系統(tǒng)特征提取的細節(jié)不同以及參數(shù)不一致問題，對ZFnet模型進行微調，網絡模型如圖4所示。將第一層卷積核大小由7×7改為5×5，增加線路設備目標提取的特征；再將第五層卷積核大小由3×3改為4×4，減小訓練模型的參數(shù)，緩解網絡發(fā)生過擬合現(xiàn)象。同時，將池化層卷積核大小由3×3改為2×2，更加細致地進行了特征篩選，豐富了圖像的信息提取，抗干擾能力加強，模型更加泛化。

圖4 改進ZFnet模型結構

2.3 網絡訓練

改進Faster-RCNN算法通過2個階段進行訓練：Faster-RCNN訓練階段和精煉網絡訓練階段。

2.3.1 Faster-RCNN訓練階段

對改進后的ZFnet模型進行預訓練，分別初始化RPN和Fast-RCNN，利用反向傳播算法對其特征層和卷積層的權重進行調節(jié)優(yōu)化。再利用訓練好的子網絡Fast-RCNN初始化RPN，以達到卷積特征的共享，然后再次進行網絡調優(yōu)。在訓練過程中，利用交并比函數(shù)(intersection over union，IOU)對生成的錨點框標定正負標簽。錨點框與真實標注框重疊率在0.6以上或者重疊率最大的區(qū)域標記為正標簽(包含目標)；錨點框與真實標注框重疊率在

0.3以下標記為負標簽(不包含目標，為背景)；剩下的[0.3，0.6]區(qū)間不予考慮，不用于最終訓練。

2.3.2 精煉網絡訓練階段

在精煉階段，F(xiàn)aster-RCNN的輸出區(qū)域被作為精煉網絡的輸入。使用抖動技術對ROI進行訓練，在訓練分類器的同時訓練回歸器。在ROI周圍隨機采樣幾個邊界框后送入精煉階段,然后學習位置的變化，在測試中提高定位精度。給定一個寬度為w0，高度為h0，以坐標(x0，y0)為中心的ROI，對以(x1，y1)為中心的樣本邊界框按如下方式進行采樣：

(5)

式中：Δx，Δy，Δs為在[-r/k，r/k]中均勻分布的隨機數(shù)；r=min(w0，h0)；k為常數(shù)。

通過對精煉階段的分類器和回歸器進行訓練，使所有邊界框都能更好地選中目標對象。網絡訓練過程如圖5所示。

圖5 網絡訓練過程

3 仿真性能測試

為驗證所提改進Faster-RCNN算法的智能識別檢測性能，對絕緣子、均壓環(huán)等電力部件以及缺陷(鳥巢)進行識別檢測實驗。

3.1 實驗環(huán)境

文中在64位Windows10操作系統(tǒng)下實驗，處理器為Intel(R) Core(TM) i3-3240 CPU，在Anaconda3+Tensorflow框架下完成。構建數(shù)據(jù)集，樣本圖像由安裝在湖北某地區(qū)的試點監(jiān)控設備拍攝，共600張。為了避免數(shù)據(jù)集太少導致訓練過程產生較大誤差，將原始樣本進行旋轉、剪切、變換比例以及添加噪聲等處理以增強數(shù)據(jù)。將數(shù)據(jù)增強后的1 800張樣本以6∶3∶1的比例分別作為訓練集、測試集和驗證集。其中訓練集1 080張樣本中包含絕緣子、均壓環(huán)、鳥巢樣本各868張，751張，624張。

3.2 數(shù)據(jù)分析

3.2.1 損失函數(shù)

損失函數(shù)作為目標檢測識別的一個重要評價指標，能直觀地反映模型的優(yōu)劣程度，即損失函數(shù)值L收斂越快，則模型表現(xiàn)越優(yōu)。實驗中設置學習率為0.001，迭代次數(shù)為10 000，動量為0.9，權重衰減為0.000 5。為了驗證文中模型的效果，引入Alexnet，與Faster-RCNN+ZFnet模型和改進Faster-RCNN+改進ZFnet模型進行對比，損失函數(shù)曲線L見圖6。在初始階段，3種模型的L都迅速下降，其中改進Faster-RCNN+改進ZFnet模型下降速度最快，損失函數(shù)曲線迅速達到收斂。而Faster-RCNN+ZFnet模型和Faster-RCNN+Alexnet模型經過震蕩逐漸下降。隨著迭代次數(shù)的增加，最終3種模型均收斂趨于穩(wěn)定。相比之下，改進Faster-RCNN+改進ZFnet模型損失函數(shù)曲線下降速度最快，波動幅度較小，提前達到收斂，整體性能優(yōu)于其他2種模型。

圖6 3種模型的損失函數(shù)曲線

3.2.2 識別效果

由于Alexnet損失函數(shù)收斂情況不如ZFnet，故選用基于ZFnet的Faster-RCNN模型作進一步識別對比。圖7和圖8為模型識別效果。

圖7 2種算法識別效果對比

圖8 桿塔鳥巢識別

圖7中Faster-RCNN+ZFnet模型能較好地識別出線路的絕緣子和均壓環(huán)，但對畫面中較遠距離及較小尺寸的部件(遠處角落的防振錘)沒有識別能力，且對雙串絕緣子的識別存在漏檢的情況，對遮擋的部件檢測效果不佳。改進Faster-RCNN+改進ZFnet模型由于其網絡精煉再分類，可提取到目標更多的特征和細節(jié)，不僅能檢測到線路中較遠距離的電力部件，而且對線路中絕緣子和均壓環(huán)的檢測精度相較于Faster-RCNN+ZFnet模型有一定提升，對遮擋的雙串絕緣子也有較好的識別效果。

桿塔異物多樣，如鳥巢、蜂窩等，形態(tài)各異嚴重影響輸電線路巡檢識別的效果。圖8(a)、(b)為Faster-RCNN+ZFnet模型的鳥巢識別效果，圖8(c)、(d)為改進Faster-RCNN+改進ZFnet模型的鳥巢識別效果。Faster-RCNN+ZFnet模型能識別出桿塔上的鳥巢，但由于受到較多信息干擾其檢測框相對偏大，且在圖8(b)中誤將纏繞在一起的電線識別為鳥巢。而改進Faster-RCNN+改進ZFnet模型可針對鳥巢特征進行訓練，能夠在復雜的背景下保持較好的識別率。與Faster-RCNN+ZFnet模型相比，改進后的模型在鳥巢的識別精度上有較大的提高。

比較Faster-RCNN+ZFnet與改進Faster-RCNN+改進ZFnet模型的性能，從測試集中選取存在絕緣子、均壓環(huán)和鳥巢的樣本各100張，從識別比例(識別出目標的圖片與測試圖片總數(shù)的比率)、速率以及誤報率(錯誤識別目標的圖片與測試圖片總數(shù)的比率)3個方面進行分析，結果如表1和表2所示。

表1 Faster-RCNN+ZFnet算法識別效果

表2 改進Faster-RCNN+改進ZFnet算法識別效果

分析可知，對于像絕緣子、均壓環(huán)等大目標，2種算法都能精確檢測，識別比例在90%以上。絕緣子易被遮擋，改進型算法雖耗費一定的時間，但在識別比例上與傳統(tǒng)型算法不相上下，且對遮擋的目標有較好的識別效果。改進型算法總體識別比例更高且誤報率低于10%，優(yōu)于傳統(tǒng)算法。對于像鳥

巢等特征不突出的目標，傳統(tǒng)型算法誤報率達到13%且時間消耗多，改進型算法相較之下仍能保持快速準確識別，在目標的精準識別上更具優(yōu)勢。

3.2.3 準確率

準確率可作為模型的另一個評價指標，用Aprecision來表示，計算如下：

(6)

式中：NTP為所測圖片中實際包含電力設備及缺陷等目標并被正確識別的圖片數(shù)量；NFP為實際沒有這些目標但是被錯誤識別的圖片數(shù)量。

圖9為基于不同網絡(Alexnet和ZFnet)以及改進后的模型總體目標識別準確率對比。隨著迭代次數(shù)的增加，5種模型的目標識別準確率都逐漸提高。由于改進Faster-RCNN+改進ZFnet算法網絡層數(shù)略多于其他4種模型，故網絡表達能力更強，學習效果更優(yōu)，能更快達到較高的識別準確率97.1%；改進Faster-RCNN+ZFnet模型的識別準確率為96.5%；Faster-RCNN+改進ZFnet模型的識別準確率為95.7%；傳統(tǒng)模型Faster-RCNN+ZFnet經過波動后最終準確率達到95.2%；Faster-RCNN+Alexnet模型準確率達到93.5%。

圖9 5種模型的目標識別準確率對比

經大量的實驗驗證，文中算法可準確定位出絕大部分的絕緣子、均壓環(huán)以及鳥巢等目標，但在某些特殊情況下也可能出現(xiàn)錯誤的檢測結果，如圖10所示。在圖10中的不同復雜背景下，改進Faster-RCNN+改進ZFnet模型均能夠較好地識別出目標。但圖10(a)中，改進后的模型誤將道路指示牌識別為絕緣子，其原因主要是道路指示牌與絕緣子有相似的紋理特征；圖10(b)中，改進后的模型漏檢右上方角落中被遮擋的絕緣子，原因是該絕緣子所處位置較遠且被周圍的鋼材大面積遮擋，導致模型獲取的目標特征不足。

圖10 算法失效的識別結果

3.2.4 平均準確率均值

表3對比了圖像識別法、SSD、YOLO和2種Faster-RCNN算法的平均準確率均值和識別速率，其中平均準確率均值用Emap表示。由表3可知，圖像識別法耗時最久，每張識別時間超過了1 s。而深度學習算法YOLO、SSD、Faster-RCNN的響應時間均在1 s內，且平均準確率均值均在75%以上。這是由于圖像識別法不能很好地濾除復雜環(huán)境背景的噪聲，無法準確識別形態(tài)各異的目標。相較于SSD和YOLO，在識別速率相差不大的情況下，2種Faster-RCNN的平均準確率均值均達到90%以上，優(yōu)于SSD和YOLO。另外比較傳統(tǒng)Faster-RCNN+ZFnet和改進Faster-RCNN+改進ZFnet 2種算法，改進后的算法為了加強對目標的特征提取，雖識別速率略低于傳統(tǒng)模型，但是其平均準確率均值精度達到93.5%，高出傳統(tǒng)模型1.7%。改進Faster-RCNN+改進ZFnet的網絡程度更深，提取特征更多、精煉階段對其進一步分類回歸學習，總體表現(xiàn)更優(yōu)異，性能更可靠。

表3 不同方法識別性能對比

4 結語

文中提出一種輸電線路巡檢目標圖像檢測方法，采用改進Faster-RCNN深度學習算法實現(xiàn)對電力設備以及桿塔異物(鳥巢)的識別。通過改變預訓練模型ZFnet的卷積核大小，一方面來獲取更多的圖像特征細節(jié)，另一方面減小參數(shù)，加快調優(yōu)；再由改進Faster-RCNN深度學習算法進行目標識別；最后由分類細化和回歸細化網絡實現(xiàn)目標精準的分類和定位。通過對比不同網絡模型以及不同識別算法，驗證了改進后的深度學習模型Faster-RCNN具有明顯的優(yōu)勢，對目標的檢測時間和檢測精度都有所提高，響應時間在1 s以內，識別精度達到了93.5%。所提方法能更好地滿足輸電線路智能巡檢的要求。