翟永杰， 楊 旭

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003)

0 引 言

隨著我國(guó)城市化進(jìn)程的大跨步推進(jìn)，電網(wǎng)的覆蓋面積逐年擴(kuò)大。輸電線路作為電力系統(tǒng)的重要組成部分，擔(dān)負(fù)著輸送和分配電能的任務(wù)[1-3]。其中，金具作為輸電線路的重要部件，起到了支持、固定、接續(xù)裸導(dǎo)線以及維持整個(gè)線路穩(wěn)定運(yùn)行的作用[4]。由于輸電線路廣泛分布在平原或高山之中，因此金具往往常年暴露在外，受到風(fēng)吹日曬和雨雪侵蝕的影響，其復(fù)雜多變的工作環(huán)境極易使其發(fā)生位移、歪斜、破損等缺陷[5]。因此對(duì)輸電線路金具進(jìn)行定期巡檢將大大減少輸電線路的故障發(fā)生，確保電力系統(tǒng)的正常運(yùn)營(yíng)。

隨著無(wú)人機(jī)巡檢技術(shù)的成功應(yīng)用，基于圖像處理技術(shù)與計(jì)算機(jī)視覺(jué)的輸電線路航拍圖像巡檢技術(shù)逐漸成熟。其中，如何實(shí)現(xiàn)準(zhǔn)確的多金具檢測(cè)成為當(dāng)前限制輸電線路缺陷巡檢準(zhǔn)確率的基礎(chǔ)問(wèn)題與主要瓶頸[6]。研究早期，金具檢測(cè)任務(wù)往往通過(guò)人工特征與分類器等機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)，如陳曉娟等[7]對(duì)采集的線路圖像進(jìn)行預(yù)處理，利用隨機(jī)Hough變換與一定的形狀條件，實(shí)現(xiàn)對(duì)防震錘的檢測(cè)；金立軍等[8]利用圖像匹配和形態(tài)學(xué)運(yùn)算提取可見(jiàn)光圖像中的間隔棒，基于校正透視畸變實(shí)現(xiàn)骨架提取，最后通過(guò)形狀度量與最小風(fēng)險(xiǎn)原則顯示間隔棒檢測(cè)；翟永杰等[9]利用絕緣子具有的梯度輪廓閉合性特點(diǎn)進(jìn)行目標(biāo)建議，利用局部特征實(shí)現(xiàn)絕緣子粗定位，以絕緣子骨架結(jié)構(gòu)描述子實(shí)現(xiàn)細(xì)定位。但是，基于機(jī)器學(xué)習(xí)的金具檢測(cè)算法在實(shí)際應(yīng)用中往往易受到周圍環(huán)境的影響，且在檢測(cè)性能上還有很大的提升空間。

隨著深度學(xué)習(xí)在工業(yè)領(lǐng)域的逐步應(yīng)用，基于深度目標(biāo)檢測(cè)的金具檢測(cè)技術(shù)得到了國(guó)內(nèi)外研究學(xué)者的廣泛關(guān)注[10]，如湯踴等[11]利用改進(jìn)的Faster R-CNN和不同核大小的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了均壓環(huán)的檢測(cè)。楊罡等[12]通過(guò)多尺度特征融合方法和深度可分離卷積在移動(dòng)端ARM設(shè)備上實(shí)現(xiàn)了絕緣子、懸垂線夾、防震錘等部件的檢測(cè)。李偉性等[13]利用改進(jìn)的SSD和圖像像素估計(jì)實(shí)現(xiàn)了復(fù)合絕緣子的目標(biāo)檢測(cè)和故障評(píng)估。然而上述算法僅針對(duì)具有較大尺寸的單一金具，在實(shí)際應(yīng)用往往會(huì)由于金具組合安裝與無(wú)人機(jī)拍攝距離等問(wèn)題導(dǎo)致檢測(cè)精度下降，受到金具尺度不同、互相遮擋等特點(diǎn)影響嚴(yán)重，如圖1所示。

圖1 多金具航拍圖像Fig. 1 Aerial images of multi-fittings

其中圖1(a)與圖1(d)中的聯(lián)板由于拍攝距離的影響表現(xiàn)出不同尺度大小的特點(diǎn)，如黃色方框所示，圖1(b)中聯(lián)板、屏蔽環(huán)與鍥型耐張線夾等金具在組合使用時(shí)往往互相遮擋嚴(yán)重，如綠色方框所示。受到上述因素影響，當(dāng)前算法面對(duì)航拍圖像中多金具問(wèn)題時(shí)，往往難以取得良好的檢測(cè)效果。

為解決多金具檢測(cè)任務(wù)中目標(biāo)尺度不一、互相遮擋等問(wèn)題，本文提出尺度約束與空間信息的輸電線路多金具檢測(cè)方法(Scale Constraint and Spatial Information R-CNN, SCSI R-CNN)。首先使用Faster R-CNN算法作為基本框架，采用k-means++算法對(duì)輸電線路金具數(shù)據(jù)集中各個(gè)金具的標(biāo)注框進(jìn)行聚類分析，通過(guò)CH指標(biāo)比較得到與檢測(cè)任務(wù)適配的錨框尺度，然后基于金具空間布局的相對(duì)幾何特征，采用潛在空間模塊對(duì)輸入視覺(jué)特征進(jìn)行增強(qiáng)，最后在金具數(shù)據(jù)集上對(duì)所述算法進(jìn)行了驗(yàn)證。

1 Faster R-CNN

Ren等[14]在2015年提出了Faster R-CNN算法，其模型框架如圖2所示。

圖2 Faster R-CNN檢測(cè)框架Fig. 2 Detection framework of Faster R-CNN

Faster R-CNN主要由卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)、區(qū)域生成網(wǎng)絡(luò)(Region Proposal Networks, RPN)、感興趣區(qū)域池化單元(Region Of Interest Pooling, RoI Pooling)以及分類和回歸單元4部分組成：

(1) 卷積神經(jīng)網(wǎng)絡(luò)：基于一系列卷積、池化與非線性模塊的組合，由淺至深提取航拍圖像的特征圖(Feature Map)，并輸出到RPN網(wǎng)絡(luò)與RoI Pooling單元。

(2) RPN網(wǎng)絡(luò)：通過(guò)3種尺度(8, 16, 32)和3種比例(2∶1, 1∶1, 1∶2)形成9種預(yù)設(shè)錨框 (Anchor Box)。預(yù)設(shè)錨框在特征圖上滑動(dòng)生成多個(gè)候選框，基于交并比(Intersection over Union, IoU)分配正負(fù)樣本，如公式(1)所示：

(1)

式中：GT表示真值框，Anchor表示滑動(dòng)錨框。然后使用非極大值抑制算法(Non-Maximum Suppression, NMS)篩選出Nr個(gè)目標(biāo)候選區(qū)域。

(3) RoI Pooling：對(duì)不同尺寸的正樣本候選框所對(duì)應(yīng)的特征圖區(qū)域作為輸入，基于平均池化模塊生成Nr個(gè)維度相同的特征向量。

(4) 分類與回歸單元：將步驟3得到的特征向量輸入全連接層，利用softmax函數(shù)判斷特征圖候選區(qū)域的類別以及準(zhǔn)確位置，如公式(2)所示：

(2)

2 SCSI R-CNN

由于Faster R-CNN多金具檢測(cè)核心過(guò)程就是通過(guò)預(yù)設(shè)錨框與RPN網(wǎng)絡(luò)實(shí)現(xiàn)預(yù)測(cè)框回歸和目標(biāo)定位，然后提取對(duì)應(yīng)區(qū)域的特征進(jìn)行金具類別檢測(cè)。因此預(yù)設(shè)錨框參數(shù)與特征選取至關(guān)重要。基于此，本文采用kmeans++算法對(duì)任務(wù)目標(biāo)的標(biāo)注框尺寸進(jìn)行聚類分析，以便于實(shí)現(xiàn)金具檢測(cè)的錨框適配與尺度約束，結(jié)合CNN網(wǎng)絡(luò)特征提取與RPN網(wǎng)絡(luò)的錨框生成與候選區(qū)域生成，提取基本候選目標(biāo)特征向量，并采用潛在空間模塊與金具視覺(jué)特征級(jí)聯(lián)完成增強(qiáng)，結(jié)合金具間的空間幾何特征實(shí)現(xiàn)更加準(zhǔn)確的多金具檢測(cè)，算法框架如圖3所示。

圖3 本文檢測(cè)算法流程圖Fig. 3 Flow chart of detection algorithm for this article

2.1 標(biāo)注框尺度約束

由于無(wú)人機(jī)對(duì)輸電線路高壓負(fù)荷的敏感性導(dǎo)致無(wú)法近距離拍攝的問(wèn)題，輸電線路金具數(shù)據(jù)集中的航拍圖像目標(biāo)往往尺寸不一，呈現(xiàn)小目標(biāo)特點(diǎn)。因此，F(xiàn)aster R-CNN模型針對(duì)大尺寸目標(biāo)預(yù)設(shè)的錨框參數(shù)對(duì)于當(dāng)前目標(biāo)的覆蓋效果不佳，需要按照金具尺度特點(diǎn)重新設(shè)定錨框參數(shù)。然而人工預(yù)設(shè)的方法往往需要大量驗(yàn)證實(shí)驗(yàn)，且易引入人工誤差導(dǎo)致與模型不匹配。

本文采用輸電線路金具數(shù)據(jù)集中各個(gè)金具標(biāo)注框的寬與高作為輸入數(shù)據(jù)，采用kmeans++算法[16]對(duì)目標(biāo)框聚類分析，根據(jù)聚類結(jié)果重新設(shè)置錨框參數(shù)，達(dá)到適配任務(wù)目標(biāo)的尺度約束效果，具體步驟如下所示：

(1) 輸入輸電線路金具數(shù)據(jù)集，統(tǒng)計(jì)航拍圖像的各個(gè)目標(biāo)標(biāo)注框信息，得到含有N個(gè)樣本的數(shù)據(jù)集a={xi|xi=(xi1,xi2,…,xim),i=1,2,…,N}，其中m為特征維度。

(2) 初始化k個(gè)數(shù)據(jù)點(diǎn)作為初始聚類中心，即C={cj|ci=(ci1,ci2,…,cim),j=1,2,…,k}。如公式(3)所示，基于歐式距離計(jì)算數(shù)據(jù)集a中每一個(gè)數(shù)據(jù)點(diǎn)xi與每一個(gè)中心點(diǎn)cj的距離d。如公式(4)所示，計(jì)算每個(gè)樣本點(diǎn)被選為下一個(gè)聚類中心的概率P。

(3)

P(i)=d2(xi)/sum(d2(xi))

(4)

(3) 按照輪盤法選出下一類聚類中心，重復(fù)步驟(2)與(3)直到聚類中心的位置不發(fā)生變化或誤差平方和最小為止，如公式(5)所示：

(5)

在kmeans++聚類算法中，不同的聚類中心點(diǎn)量會(huì)改變最終的聚類效果，因此本文選用CH指標(biāo)[17]直觀評(píng)估樣本集的聚類情況。

CH指標(biāo)是用來(lái)衡量聚類的類內(nèi)密集度和類間離散度的綜合指標(biāo)，如公式(6)所示：

(6)

式中：k表示聚類中心數(shù)目；n表示當(dāng)前的類；trB(n)表示類間離散度矩陣的跡；trW(n)表示類內(nèi)離散度矩陣的跡。由公式可知，CH指標(biāo)越大，表明類別內(nèi)部樣本的密集度越高，類與類間的樣本離散度越高，即聚類效果越好。

2.2 空間信息提取

空間信息能夠表征金具間復(fù)雜的位置信息，因此本文采用空間信息作為視覺(jué)特征的輔助信息解決金具間相互遮擋的問(wèn)題。潛在空間模塊以Nr個(gè)目標(biāo)候選區(qū)域池化后的D維特征向量F∈Nr×D作為輸入，通過(guò)堆疊的多層感知機(jī)(Multi-Layer Perceptrons, MLPs)將目標(biāo)候選區(qū)域構(gòu)建為空間區(qū)域圖GS(VS,ES)，其中區(qū)域圖GS的邊ES用于表征節(jié)點(diǎn)目標(biāo)間的空間關(guān)系，將區(qū)域特征F與區(qū)域空間位置VS聯(lián)合計(jì)算，得到包含每個(gè)目標(biāo)區(qū)域位置信息的潛在空間特征。最后將潛在空間特征與視覺(jué)特征級(jí)聯(lián)，計(jì)算最終分類與回歸結(jié)果。

為更好表征金具間的空間布局，捕獲目標(biāo)間的空間知識(shí)，本文采用相對(duì)幾何特征B={bi}作為空間區(qū)域圖的輸入。首先利用目標(biāo)檢測(cè)器的骨干網(wǎng)絡(luò)與RPN網(wǎng)絡(luò)提取各個(gè)目標(biāo)區(qū)域的預(yù)測(cè)框。為提取固定尺度相對(duì)幾何特征B，本文將單個(gè)目標(biāo)預(yù)測(cè)框的相對(duì)幾何信息bi表示成長(zhǎng)度為5的幾何向量，如公式(7)所示：

(7)

式中：W和H分別是輸入航拍圖像的寬度與高度；xi、yi、wi和hi分別為區(qū)域i的中心點(diǎn)坐標(biāo)與寬度和高度；pi為當(dāng)前區(qū)域的置信度分?jǐn)?shù)。

對(duì)于給定的目標(biāo)區(qū)域i和j，我們提取相應(yīng)的幾何特征bi和bj，并使用MLP學(xué)習(xí)兩區(qū)域的相關(guān)關(guān)系，如公式(8)所示：

(8)

(9)

(10)

3 實(shí)驗(yàn)結(jié)果與分析

本文采用現(xiàn)場(chǎng)采集的1 455張輸電線路航拍圖像進(jìn)行人工標(biāo)注，形成金具檢測(cè)數(shù)據(jù)集。該數(shù)據(jù)集共包括9 098個(gè)檢測(cè)目標(biāo)，包含預(yù)絞式懸垂線夾、提包式懸垂線夾、壓縮型耐張線夾、鍥型耐張線夾、掛板、U型掛環(huán)、聯(lián)板、并溝線夾、防震錘、間隔棒、均壓環(huán)、屏蔽環(huán)、重錘、調(diào)整板共14類金具。

本文所述模型使用Faster R-CNN作為基線模型，以預(yù)訓(xùn)練的ResNet-101作為特征提取網(wǎng)絡(luò)，訓(xùn)練集與測(cè)試集比例為3∶1。在訓(xùn)練過(guò)程中隨機(jī)水平翻轉(zhuǎn)進(jìn)行數(shù)據(jù)增強(qiáng)，該模型的基本參數(shù)為：初始學(xué)習(xí)率為0.001，迭代次數(shù)為20，batch size為1，采用隨機(jī)梯度下降算法(stochastic gradient descent, SGD)作為優(yōu)化器，交叉熵作為損失函數(shù)。采用NVIDIA 1080Ti專業(yè)加速卡進(jìn)行訓(xùn)練與測(cè)試；利用CUDA10.0加速訓(xùn)練；網(wǎng)絡(luò)開(kāi)發(fā)框架為Pytorch。

3.1 聚類分析

基于輸入的金具檢測(cè)數(shù)據(jù)集，本實(shí)驗(yàn)提取到9 098個(gè)目標(biāo)框的標(biāo)注框尺寸，輸入信息為各個(gè)標(biāo)注框的寬與高，即N=9 098，m=2。分別設(shè)置初始聚類中心k=2, 3, 4, 5, 6, 7并對(duì)標(biāo)注框尺寸進(jìn)行聚類分析，結(jié)果如圖4所示。

圖4 聚類結(jié)果Fig. 4 Clustering results

其中圖4的橫、縱坐標(biāo)分別表示金具目標(biāo)標(biāo)注框的相對(duì)寬度與高度，不同顏色的樣本點(diǎn)分別代表不同的聚類簇，簇內(nèi)的黑色叉號(hào)表示該類數(shù)據(jù)的聚類中心?？梢钥闯?，由于金具工作環(huán)境往往不易近距離拍攝，相比于5 760×3 840分辨率的航拍圖像，金具呈現(xiàn)明顯的小尺度特點(diǎn)，其中目標(biāo)框面積小于航拍圖像1%像素尺寸的數(shù)量為7 171個(gè)，約占數(shù)據(jù)集中全部目標(biāo)的79%。

計(jì)算不同聚類中心數(shù)的中心點(diǎn)坐標(biāo)和寬高比，并利用相對(duì)寬度與高度的聚類結(jié)果作為聚類數(shù)據(jù)，根據(jù)式6計(jì)算相應(yīng)CH指標(biāo)，結(jié)果如表1所示。

表1 不同聚類中心數(shù)的聚類結(jié)果Tab.1 Clustering results with different numbers of cluster centers

由表1可以看出，當(dāng)聚類中心數(shù)為5時(shí)CH指標(biāo)的值最大，即此時(shí)聚類效果最好。分析聚類中心數(shù)為5的中心點(diǎn)坐標(biāo)可以看出，簇中心面積的極值范圍集中在2162～2 3872之間。結(jié)合特征提取網(wǎng)絡(luò)ResNet101在原圖的感受野為642，因此本文設(shè)定錨框適配尺度為(2, 4, 8, 16, 32)。此時(shí)，生成錨框能夠覆蓋(1282, 2562, 5122, 1 0242, 2 0482)大小的原始圖像，即錨框極大值、極小值尺寸能夠在最大程度上匹配金具標(biāo)注框面積分布。分析寬高比可以發(fā)現(xiàn)，聚類中心點(diǎn)的寬高比集中在0.41～1.72之間，目標(biāo)標(biāo)注框的比例與預(yù)設(shè)錨框比例基本一致，所以保持錨框比例(2∶1, 1∶1, 1∶2)保持不變。上述錨框尺度與比例的修改有助于本文所述算法達(dá)到適配金具檢測(cè)任務(wù)的尺度約束效果，幫助更好解決金具小尺度問(wèn)題。

3.2 模型實(shí)驗(yàn)與比較

以單類金具檢測(cè)平均精度(Average Precision, AP)為評(píng)價(jià)指標(biāo)，本文首先給出了基線模型Faster R-CNN與本文所述模型SCSI R-CNN在多類金具檢測(cè)性能的比較結(jié)果，如表2所示。

由表2可以看出，與基線模型相比，雖然本文所述SCSI R-CNN算法在壓縮型耐張線夾、屏蔽環(huán)和重錘等大尺度金具的檢測(cè)精度有所下降，但基本與Faster R-CNN檢測(cè)準(zhǔn)確率持平。同時(shí)對(duì)比U型掛環(huán)、并溝線夾等小尺度金具，以及提包式懸垂線夾、調(diào)整板等易產(chǎn)生遮擋的金具，本文算法都能較好提高其檢測(cè)率，如并溝線夾等單類金具的AP提升最多達(dá)到25.24%。綜上可知，SCSI R-CNN算法將輸電線路金具的尺度約束與空間信息融合到目標(biāo)檢測(cè)模型中，對(duì)小尺度目標(biāo)、遮擋目標(biāo)具有良好的改善效果。

表2 單類金具檢測(cè)準(zhǔn)確率比較Tab.2 Comparison of detection accuracy of single-type fittings

為驗(yàn)證本文所述SCSI R-CNN在多金具檢測(cè)任務(wù)中的檢測(cè)性能，本文在保證超參數(shù)相同的情況下比較了SSD[18]、RetinaNet[19]、YOLOv4[20]、Faster R-CNN、HKRM[21]以及本文算法的模型性能，通過(guò)MS COCO2014[22]中COCO評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行評(píng)估。比較結(jié)果如表3所示。

表3 檢測(cè)算法性能比較Tab.3 Performance comparison of detection methods

可以看出，相比于Faster R-CNN，本文所述算法在基本檢測(cè)性能AP50上提高了6.8%，與其他算法相比，無(wú)論是一階段檢測(cè)模型SSD、RetinaNet或YOLOv4，還是二階段檢測(cè)模型Faster R-CNN與HKRM，SCSI R-CNN都在各個(gè)檢測(cè)指標(biāo)上取得了較高的提高。需要注意的是，APS與ARS分別代表對(duì)于小目標(biāo)檢測(cè)的準(zhǔn)確率與召回率，相比于基線模型，本文所述算法分別取得了5.8%與7.8%的提升，有效展示出尺度約束在解決金具小目標(biāo)問(wèn)題的性能提高。

圖5給出了本文所述算法與Faster R-CNN的可視化檢測(cè)結(jié)果?？梢钥闯?，由于工作背景復(fù)雜，圖5(a)紅色方框中輸電桿塔被Faster R-CNN算法誤判為小尺度金具——并溝線夾，SCSI R-CNN算法通過(guò)尺度約束對(duì)小目標(biāo)檢測(cè)的適配性，改善了此類誤檢現(xiàn)象，如圖5(d)所示。同樣地，用于金具間相互連接的掛板往往受限于自身尺寸，因此往往檢測(cè)準(zhǔn)確率不高。比較圖5(b)與圖5(e)中黃色方框可以看出，F(xiàn)aster R-CNN漏檢的兩個(gè)掛板被本文所述算法成功檢出，即基于標(biāo)注框聚類分析的尺度約束有利于檢測(cè)模型對(duì)輸電線路金具形狀與尺度進(jìn)行更加準(zhǔn)確地適配，尤其對(duì)于小尺度目標(biāo)的提升顯著。根據(jù)圖5(c)與圖5(f)中黃色方框亦可看出，對(duì)于U型掛環(huán)、提包式懸垂線夾等小尺度金具的檢測(cè)效果有了良好的改善。最后，由于輸電線路金具的組合結(jié)構(gòu)，往往會(huì)導(dǎo)致密集目標(biāo)間的相互遮擋。對(duì)比圖5(c)與圖5(f)中紫色方框可以看出，由于屏蔽環(huán)對(duì)U型掛環(huán)、壓縮型耐張線夾、掛板等金具的遮擋，以及防震錘大量組合使用的互相遮擋，F(xiàn)aster R-CNN在左上側(cè)與下側(cè)的金具組合結(jié)構(gòu)中發(fā)生了大量漏檢，降低了模型檢測(cè)性能。因此SCSI R-CNN算法基于金具目標(biāo)間的空間信息對(duì)視覺(jué)特征進(jìn)行增強(qiáng)，大大改善了航拍圖像中密集金具目標(biāo)的遮擋問(wèn)題，驗(yàn)證了潛在空間特征輔助目標(biāo)檢測(cè)的有效性。

圖5 可視化結(jié)果比較Fig. 5 Comparison of visualization results

3.3 消融實(shí)驗(yàn)

為了更好理解尺度約束與空間信息對(duì)SCSI R-CNN算法的作用，本文對(duì)部分超參數(shù)進(jìn)行了消融實(shí)驗(yàn)。首先針對(duì)尺度約束中不同錨框尺度數(shù)量對(duì)檢測(cè)準(zhǔn)確率的影響進(jìn)行比較，然后采用不同維度E的潛在空間特征對(duì)檢測(cè)準(zhǔn)確率進(jìn)行超參數(shù)對(duì)比實(shí)驗(yàn)，結(jié)果如表4所示。

表4 消融實(shí)驗(yàn)結(jié)果Tab.4 Results of ablation experiments

可以看出，隨著錨框尺度數(shù)的增加，算法準(zhǔn)確率逐漸增加，即金具檢測(cè)準(zhǔn)確率對(duì)于小尺度錨框的適配度更高，更多小尺寸錨框的生成往往有助于檢測(cè)輸電線路金具這類小尺寸目標(biāo)，能夠有效提升檢測(cè)準(zhǔn)確率5.15%。另外，通過(guò)對(duì)潛在空間特征維度E的超參數(shù)實(shí)驗(yàn)可以看出，適宜的特征維度能夠提升算法性能1.61%。然而過(guò)低或過(guò)高的特征維度對(duì)算法提升較小，即產(chǎn)生欠擬合或過(guò)擬合等問(wèn)題。甚至當(dāng)潛在空間特征維度達(dá)到2 048維時(shí)會(huì)導(dǎo)致算法準(zhǔn)確率的下降。

4 結(jié) 論

(1) 本文以輸電線路多金具檢測(cè)為目標(biāo)，以Faster R-CNN檢測(cè)算法為基礎(chǔ)框架，以多金具尺度不一與相互遮擋為研究問(wèn)題，以尺度約束與空間信息為研究方法，搭建適配金具檢測(cè)任務(wù)的目標(biāo)檢測(cè)算法SCSI R-CNN。

(2) 本文利用聚類分析算法對(duì)標(biāo)注框尺度進(jìn)行改進(jìn)，通過(guò)錨框相關(guān)參數(shù)的更新解決了模型與任務(wù)間的適配問(wèn)題。以檢測(cè)目標(biāo)的幾何位置特征為輸入，采用多層感知機(jī)實(shí)現(xiàn)目標(biāo)間空間關(guān)系提取與特征增強(qiáng)，解決了單一視覺(jué)特征易受目標(biāo)遮擋影響的問(wèn)題。

(3) 本文針對(duì)現(xiàn)場(chǎng)采集的輸電線路實(shí)際航拍圖像訓(xùn)練并測(cè)試模型。實(shí)驗(yàn)結(jié)果表明，本文所述算法相比于基線模型提高了6.76%的檢測(cè)準(zhǔn)確率，對(duì)于單類金具最多達(dá)到25.24%的提高，能夠良好解決金具小目標(biāo)與遮擋影響等問(wèn)題，為檢測(cè)模型應(yīng)用落地提供更好的改進(jìn)方式。