戴永東,蔣中軍,王茂飛,陳雙輝

(1.國網江蘇省電力有限公司泰州供電分公司,江蘇 泰州 225700;2.南京土星信息科技有限公司,江蘇 南京 210000)

0 引言

均壓環(huán)對于改善輸電線路復合絕緣子串承受單位電壓有著極為重要的作用。隨著均壓環(huán)在輸電線路復合絕緣子串中的廣泛應用,其安裝與運行位置的重要性日益凸顯。均壓環(huán)長期暴露在野外,受環(huán)境、安裝等因素影響,極易發(fā)生傾斜。若出現傾斜甚至脫落,會影響輸電線路運行的穩(wěn)定性。

國內外許多學者對均壓環(huán)傾斜缺陷識別作了大量研究,有學者提出可以通過無人機巡檢實現均壓環(huán)的缺失識別[1-3]。目前，圖像識別算法主要分為特征檢測與深度學習2種。特征檢測中,通過角點檢測得到目標輪廓的曲率,然后采用分割輪廓片段的方式進行均壓環(huán)傾斜識別[4-5]。但上述方法不能解決因均壓環(huán)的局部遮擋或變形而難以識別的問題。深度學習方法通過模型訓練，能提高輸電線路絕緣子識別成功率。深度學習技術對于目標特征提取、識別效果與魯棒性均有較大提升[6-8]。但上述方法對于均壓環(huán)傾斜的定量角度計算方面存在不足。

針對均壓環(huán)識別準確率低、傾斜角度計算差的問題，本文提出了1種基于深度學習技術的多步驟定量均壓環(huán)傾斜缺陷檢測新方法。本文采用改進的快速區(qū)域深度卷積神經網絡(faster region based convolutional neural network,Faster-RCNN)進行多目標檢測,采用級聯金字塔神經網絡(cascaded pyramid network,CPN)進行目標特征關鍵點精細化定位,通過識別絕緣子串的方向信息,定量計算均壓環(huán)端面和絕緣子串方向夾角。

1 算法原理及方案

在無人機巡檢航拍圖像中,均壓環(huán)受到角度影響，難以直接判斷其是否發(fā)生傾斜。因此，通常情況下需要結合絕緣子串進行綜合分析,判斷均壓環(huán)是否傾斜。此時，可以通過判斷均壓環(huán)與絕緣子的夾角是否過大來判斷其是否發(fā)生傾斜。均壓環(huán)傾斜角度如圖1所示。

圖1 均壓環(huán)傾斜角度Fig.1 Tilt angle of mean-voltage ring

由圖1可知，先提取圖像中均壓環(huán)長軸兩側端點坐標,然后提取絕緣子長軸兩側端點坐標,計算兩者之間的夾角θ,即可判斷均壓環(huán)是否傾斜[9]。依據安全規(guī)范標準,當傾斜角度超過一定閾值(通常為15°)時,均壓環(huán)會被認定為傾斜。因此，準確計算出均壓環(huán)傾斜角度成為判斷缺陷的最重要依據。

本文的均壓環(huán)傾斜檢測模型主要涉及到3個深度神經網絡算法：Faster-RCNN用于均壓環(huán)與絕緣子串目標檢測；CPN用于目標特征關鍵點定位；文本檢測(TextBoxes++,TB)算法用于目標方向定位。下面分別對深度學習算法作簡要介紹。

1.1 Faster-RCNN均壓環(huán)目標檢測算法

1.1.1 Faster-RCNN結構

作為目標檢測領域的經典算法,Faster- RCNN[10]通過引入區(qū)域候選骨干網絡(region proposal network,RPN)結構,在提高精度的同時也大幅提升了檢測速度。從問世至今,Faster- RCNN一直是目標檢測領域的主流算法。目前產生的各種深度神經網絡目標檢測算法,無不例外地借鑒了Faster-RCNN思想。故本文第一步目標檢測也采用并適當優(yōu)化了該算法參數。Faster-RCNN目標檢測算法網絡結構如圖 2所示。

圖2 Faster-RCNN目標檢測算法網絡結構Fig.2 Faster-RCNN target detection algorithm network structure

輸入1張待檢圖片，首先經過卷積網絡得到特征圖、RPN提取候選框以及非極大值抑制(non-maximum suppression,NMS)等處理得到精選的候選區(qū)域(proposal region network,PRN)；然后提取出候選區(qū)域對應在特征圖上的特征,并采用感興趣區(qū)域池化(region of interest pooling,ROIP) 修訂特征圖；最后輸出目標物體的類別和位置。

在Fast-RCNN基礎上,本文提出了1種基于深度學習的輸電線路均壓環(huán)傾斜識別方法。Faster-RCNN的主要優(yōu)點在于提取候選框區(qū)域時采用區(qū)域候選網絡RPN替換早期Fast-RCNN神經網絡的選擇性搜索策略,真正實現了端到端訓練，在大幅提高檢測速度的同時提升了精度。 Faster-RCNN仍存在小目標效果欠佳的缺點。

1.1.2 Faster-RCNN損失函數選擇

遵循多任務損失定義及最小化目標函數,Faster-RCNN對1個圖像的損失函數定義為[11]：

式中：Pi為預測目標的概率；ti為預測目標的時間；Lcls為錨定框前景；Lreg為錨定框背景；Na為檢測數量。

ti={tx,ty,tw,th}是1個向量,表示預測的包圍盒的4個參數化坐標。

預測目標的概率取值范圍為：

(3)

1.2 CPN特征關鍵點定位算法

CPN[12-13]通常用于人體姿態(tài)估計，可檢測人體的關鍵點。即使對于一些被遮擋的、難以檢測的點，該算法也十分有效。本文創(chuàng)新性地提出通過CPN檢測均壓環(huán)與絕緣子串的特征點。算法主要分為GlobalNet和RefineNet 2部分。GlobalNet負責網絡所有關鍵點的檢測,重點檢測易測值；RefineNet主要對GlobalNet預測的結果進行修正,用于檢測難度較高的點。因為GloablNet對那些遮擋或者有復雜背景的關鍵點預測誤差較大,而RefineNet可專門用于修正這些點。

GlobalNet基于Resnet改進而來,將Resnet 最后4個區(qū)塊分別表示為C2、C3、C4、C5。在這些區(qū)塊后面通過3×3卷積生成關鍵點的熱力圖。像C2和C3這樣的淺層特征圖具有較高的空間信息(利于定位),但語義信息較低(不利于識別)。另一方面,像C4和C5這樣的深層特征具有更多的語義信息,但空間信息較少。通常采用U形編碼解碼結構來保持空間信息、包含語義信息。GlobalNet改進了U形結構,同樣也可以應用于關鍵點估計。

RefineNet通過上采樣和連接不同步驟的特征圖來集成不同層次的特征。與沙漏網絡的精細化策略不同,RefineNet連接了所有金字塔特征,而不是簡單地使用網絡末端檢測。RefineNet包含了很多瓶頸單元,可以使網絡運行更加快速。RefineNet基于訓練損失選出難以識別的關鍵點,并反向傳播這些“困難點”的梯度。

CPN結構如圖3所示。GlobalNet用于檢測圖片中所有的均壓環(huán)關鍵點。RefineNet用于修正關鍵點。

圖3 CPN結構Fig.3 CPN structure

1.3 TB絕緣子串方向定位算法

TB算法是一種用于小、雜、旋轉文本及物體的多目標旋轉檢測器[14]。由于本文需要檢測出復合絕緣子的方向信息,因此在第一步Faster-RCNN檢測出絕緣子串目標的基礎上,采用可以輸出方向信息的TB算法計算其方向。

TB算法的優(yōu)點如下。

①使用不規(guī)則卷積核。TB中采用3×5的卷積核,以便更好地適應長寬比更大的檢測目標。

②使用一種在線的難例挖掘方法(online hard example mining,OHEM)[15]策略。訓練過程采用OHEM策略。不同于傳統(tǒng)的OHEM,該訓練分為兩個階段：第一階段的正負樣本比為1∶3；第二階段的正負樣本比為1∶6。

③多尺度訓練。采用了全卷積結構和多尺度訓練，因此可以適應不同尺度的輸入。

④級聯NMS。由于計算傾斜的交并比(intersection over union,IoU)較為耗時,本文采用級聯NMS加速IoU計算。首先計算所有框的最小外接矩形的IoU,進行1次閾值為0.5的NMS以消除一部分框；然后在計算傾斜框的IoU的基礎上進行1次閾值為0.2的NMS。

2 圖像預處理

圖像是紅綠藍(red green blue,RGB)數據。數據預處理中,標準的第一步是數據歸一化。本文采用的歸一化方法包括簡單縮放、逐樣本均值消減(也稱為移除直流分量)、特征標準化(使數據集中所有特征都具有零均值和單位方差)以及圖像去霧(暗通道先驗法)等。

同時，本文中圖像的預處理還涉及對采集到的圖片的清洗以及擴增。其中：Faster-RCNN采集無人機航拍圖片(復合絕緣子),剔除模糊圖片以及絕緣子串與水平面傾斜角度大于30°的圖片,對采集后的原始圖片采用水平、豎直翻轉，調整明暗度、飽和度等方法擴增；CPN用Faster-RCNN檢測出的結果從圖片中截取出目標小圖,采用與上一步相同的數據擴增方法。

3 試驗與分析

3.1 算法流程

整個均壓環(huán)傾斜定量檢測流程分為3個部分。第一部分通過Faster-RCNN檢測出均壓環(huán)與絕緣子串的位置定位信息。第二部分裁剪出第一部分結果,通過關鍵點定位的算法CPN檢測出目標的多個端點作為關鍵點。第三部分基于TB算法計算均壓環(huán)長軸的連線與絕緣子中軸線的夾角，并將其作為均壓環(huán)的傾斜角度。以該角度與90°差的絕對值作為傾斜的判斷依據。該值越大，表明傾斜越嚴重。

3.2 試驗結果與分析

模型訓練中,訓練樣本集中共有3 533張無人機精細化巡檢均壓環(huán)樣本。其中，人工總共標記出4 720個均壓環(huán)目標，同時標注出均壓環(huán)與絕緣子串的夾角角度。其中，約28%的目標為傾斜角度大于15°的均壓環(huán)傾斜缺陷。

模型的訓練在服務器(含4塊NVIDIA 2 080Ti GPU) 上進行,測試計算機的配置為 CPU Intel Core i7-6 700 K,GPU 為 NVIDIA RTX 5 000,顯存為 16 GB。

試驗中，另外對500張無人機精細化巡檢圖片樣本進行檢測。其中，人工總共標記出661個均壓環(huán)目標,并標注出均壓環(huán)與絕緣子串的夾角角度。作為試驗結果,本文算法在人工標記的目標中共識別出637個均壓環(huán)目標。算法定量計算出的均壓環(huán)傾斜角度定量計算試驗結果如表1所示。

表1 均壓環(huán)傾斜角度定量計算試驗結果Tab.1 Experimental results of quantitative calculation of the mean-voltage ring tilt angles

表1中：目標數表示算法檢測的角度與人工標注角度的差值的絕對值,精確到1°。其中，有608個目標(92.0%)的誤差不大于5°,識別出來的目標平均誤差為0.85°；有557個目標(84.3%)的誤差不大于2°,算法計算與判斷總體較為準確。

均壓環(huán)傾斜檢測算法的召回率與精確率如表2所示。

表2 均壓環(huán)傾斜檢測算法的召回率與精確率Tab.2 Recall and precision of the mean-voltage ring tilt detection algorithm /%

表2中：召回率(R)表示樣本中的正例有多少被預測正確,包括把原來的正類預測成正類(Tp)以及把原來的正類預測為負類(Fn),計算式如下。

精確率(P)表示預測為正樣本中有多少是真正的正樣本,包括把正類預測為正類(Tp)以及把負類預測為正類(Fp),計算式如下。

CPN是在Faster-RCNN檢測結果的基礎上,針對均壓環(huán)長軸的2個端點衡量的。關鍵點的橫坐標準確度指標為Px、縱坐標準確度指標為Py。當Px<0.02且Py<0.02時,判定該點為正類(Tp)。Px計算式如下。

式中：Pgx表示第i個點的橫坐標；Pgy表示預測的第i個點的橫坐標；Ppx表示人工標注的第i個點的橫坐標。

整體精確率針對所有待檢測的目標,以算法計算出角度與人工標注的角度偏差為指標。當角度偏差小于等于5°時判定為Tp,當角度偏差大于5°時則判定為Fp。

分別選擇樣本數量為500個、1 000個、2 000個、4 000個、6 000個和8 000個，對比CPN與尺度不變特征變換(scale-invariant feature transform,SIFT)。其特征關鍵點精細化準確性對比如圖4所示。

圖4 特征關鍵點精細化準確性對比Fig.4 Conparison of refined accuracy diagram

由圖4可知,CPN的關鍵點精細化準確性高于SIFT。

試驗樣本集的檢測結果表明,算法目標檢測與定量角度計算整體達到實用效果?；谏疃葘W習的均壓環(huán)傾斜定量缺陷檢測效果如圖5所示。

圖5 基于深度學習的均壓環(huán)傾斜定量缺陷檢測效果Fig.5 Results of deep-learning based quantitative detection of tilt defects of mean-voltage ring

4 結論

本文提出了1種檢測與定量計算均壓環(huán)目標傾斜角度的新方法。本文主要研究包括：采用優(yōu)化的Faster-RCNN算法檢測均壓環(huán)與絕緣子串目標；在檢測出目標的基礎上,采用CPN進一步準確提取目標關鍵點；通過TB算法計算均壓環(huán)長軸端點的連線與絕緣子串的中軸線的夾角作為均壓環(huán)的傾斜角度。

500張測試樣本圖片檢測結果顯示,本文算法整體精確度約為87.2%,召回率達92.0%,基本達到了實用的效果；當均壓環(huán)傾斜角度大于判定閾值時,則提出報警,便于輸電線路運維檢修。

本文全部采用深度學習算法對均壓環(huán)傾斜問題進行研究，基本達到實用效果。算法在未來可以從以下3個方面進行提升。①由于拍攝角度問題,當多個均壓環(huán)緊密相連的時候,會存在一些漏檢,也會存在個別誤識別情況。對此，要進一步提高目標識別抗干擾能力。②本文采用的關鍵點定位算法效果也有待提高,可以通過更換其他新的神經網絡等方法進行改進[16-17]。③本文檢測效果是對于正向水平拍攝的均壓環(huán)進行檢測，后續(xù)可以根據需求增加任意方向的檢測能力。