顏 森 李高宇 周紅鍇 韋洪浪 唐 滔

0 引言

當(dāng)前國民經(jīng)濟(jì)突飛猛進(jìn)，人們的生活質(zhì)量不斷提高，電能在保障我國健康發(fā)展和人民生活有著舉足輕重的作用［1-3］。隨著電網(wǎng)系統(tǒng)的不斷建設(shè)發(fā)展，電力巡檢正成為一項繁重的工作。絕緣子是電力系統(tǒng)的重要組成部分，而絕緣子檢測與缺陷識別也是電力巡檢的主要任務(wù)之一［4-6］。近年來，使用無人機(jī)替代人工進(jìn)行絕緣子檢測成為普遍的趨勢，而這也推進(jìn)了目標(biāo)檢測算法的發(fā)展和突破［7-9］。通過整理分析文獻(xiàn)可知，目前主要的目標(biāo)檢測算法可以分為三類。第一類是YOLO 算法，屬于端到端目標(biāo)檢測算法，從網(wǎng)絡(luò)中提取物體特征，對物體類別和位置進(jìn)行預(yù)測，有YOLOv1、YOLOv2、YOLOv3 和YOLOv4 等 衍生出來的算法。第二類是R-CNN 系算法，是最早基于CNN 提取圖像特征的深度學(xué)習(xí)目標(biāo)檢測算法，經(jīng)過Fast R-CNN 過渡發(fā)展為經(jīng)典的Faster R-CNN，在Faster R-CNN 的基礎(chǔ)上，又衍生出應(yīng)用特征金字塔網(wǎng)絡(luò)（Feature Pyramid Network，F(xiàn)PN）改進(jìn)的FPN Faster R-CNN（FPN FRCN）與Mask R-CNN 等算法［10-12］。第三類是SSD 算法，是單階段目標(biāo)檢測算法，又衍生出DSSD（Deconvolutional Single Shot Detector） 與R-SSD（Rainbow Single Shotmultibox Detector）等改進(jìn)算法，實現(xiàn)對目標(biāo)的檢測技術(shù)。絕緣子檢測與識別算法框架如圖1 所示。

圖1 絕緣子檢測與識別算法框架圖

1 絕緣子檢測與識別算法

1. 1 YOLO 系算法

YOLO 算法利用1 個單階段的卷積網(wǎng)絡(luò)實現(xiàn)端到端的目標(biāo)檢測，輸入層是完整的照片，輸出層是邊界框的屬性和位置信息［13-15］。YOLOv1 是單階段目標(biāo)檢測方法，每個網(wǎng)格單元能夠預(yù)測多個邊界框。YOLOv1 具有網(wǎng)絡(luò)結(jié)構(gòu)相對簡單，算法的檢測速度快，但檢測精度方面與Faster R-CNN 相比較低等特點。YOLOv2 使用DarckNet19 替 代YOLOv1 中 的GoogLeNet 網(wǎng)絡(luò)，使用卷積和softmax 代替全連接層，并增加了Anchor 機(jī)制，使用K-means 聚類算法來生成Anchor bbox。YOLOv2 與YOLOv1 相比，檢測精度與速度都有較大的提高。YOLOv3 算法是近年來常用的檢測算法之一，也是YOLO 系列非常經(jīng)典的算法［16］。YOLOv3 的核心是：采用特征提取網(wǎng)絡(luò)提取輸入照片的特征得到特征圖；根據(jù)特征圖將圖像分成不同區(qū)域，判斷某個區(qū)域是目標(biāo)物的中心來進(jìn)行預(yù)測；用邏輯回歸方法計算回歸框的參數(shù)［框的中心坐標(biāo)（x，y），框的寬高bw、bh］。YOLOv3 算法的流程如圖2 所示。

圖2 YOLOv3 算法的流程

楊焰飛［17］提出基于YOLOv3 與Inception-Resnet-v2 分類算法的絕緣子目標(biāo)檢測，通過對網(wǎng)絡(luò)寬度的增加、對損失函數(shù)的改進(jìn)以及使用k-means 算法進(jìn)行錨點框選擇進(jìn)行改進(jìn)。試驗中絕緣子圖像通過大疆Phantom 4 pro 無人機(jī)拍攝，圖像尺寸為5472×3078 像素，隨機(jī)選取1000 幅圖像作為訓(xùn)練集。試驗結(jié)果得出：改進(jìn)后的YOLOv3 算法比原算法耗時雖有所增加，但是絕緣子檢測的AP 值（平均精確度）達(dá)到71.93%。

汪權(quán)［18］提出的基于Gaussian YOLOv3 的絕緣子檢測算法，對預(yù)測框坐標(biāo)進(jìn)行高斯變換，取負(fù)對數(shù)作為損失函數(shù)，并采用多階段遷移學(xué)習(xí)解決絕緣子圖像較少和訓(xùn)練速率低等問題。試驗使用的數(shù)據(jù)集為開源數(shù)據(jù)集，來自Github 的Insulator Data Set-Chinese Power Line Insulator Datase，包含848 張絕緣子圖像。試驗結(jié)果得出，Gaussian YOLOv3算法絕緣子和缺陷檢測精度分別達(dá)到93.8%、94.5%。

YOLO 系列算法中，除了YOLOv3 算法，還有YOLO9000、YOLOv4 等算法也常用于絕緣子圖像檢測與缺陷識別［19］。王萬國［20］提出了融合深度學(xué)習(xí)的絕緣子自爆檢測算法，通過改進(jìn)YOLO9000 中提出的YOLO2 算法作為目標(biāo)檢測算法，提高絕緣子檢測速度和對小目標(biāo)檢測精度。YOLO2 算法將最后一層的特征圖內(nèi)的各個像素當(dāng)作候選目標(biāo)，采用Anchors 機(jī)制將候選框擴(kuò)展為多個外接框。在訓(xùn)練過程中，計算每個外接框與的目標(biāo)框的交集，交集最大且超過設(shè)定閾值的框作為正樣本，否則作為負(fù)樣本。YOLO 利用置信度值來判斷外接框是否為目標(biāo)框，其數(shù)學(xué)表達(dá)式為：

其中：P（o）為邊界框為目標(biāo)的概率（1 代表目標(biāo)，0 代表背景），IOU（b，o）為邊界框與目標(biāo)框的交集，為激勵函數(shù)。

郝帥［21］提出的改進(jìn)YOLOv4 目標(biāo)檢測算法，是基于超分辨卷積神經(jīng)網(wǎng)絡(luò)與深度殘差網(wǎng)絡(luò)相結(jié)合，通過引入超分辨卷積神經(jīng)網(wǎng)絡(luò)來提升樣本圖像質(zhì)量，并在此基礎(chǔ)上構(gòu)建一種改進(jìn)網(wǎng)絡(luò)對圖像進(jìn)行處理，從而實現(xiàn)絕緣子檢測。試驗數(shù)據(jù)集為內(nèi)蒙古某供電局近3 年來利用無人機(jī)對輸電線路巡檢的視頻，從巡檢視頻中截取出具有代表性的1387 張包含絕緣子的樣本圖像進(jìn)行檢測，檢測精度可以達(dá)到94. 3%。

1. 2 R-CNN 系算法

與YOLO 系列算法相比，R-CNN 系列算法屬于雙階段（Two-stage）的目標(biāo)檢測模型，將絕緣子檢測分為特征提取和特征分類兩部分。R-CNN 算法總體流程可以分為三個步驟：首先在圖像中提取候選區(qū)域，不同方法提取的區(qū)域大小不一，需對提取的區(qū)域統(tǒng)一處理成為相同尺度；然后進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練［22-24］，提取特征；最后進(jìn)行SVM 訓(xùn)練，通過支持向量機(jī)對經(jīng)過特征提取的深層特征進(jìn)行分類。

劉鑫月［25］提出利用平行圖像和CNN 算法對絕緣子進(jìn)行檢測。該方法利用平行圖像理念擴(kuò)充圖像訓(xùn)練數(shù)據(jù)集，并對圖像進(jìn)行顏色預(yù)選處理，搭建了五層卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，采用消融剝離實驗進(jìn)行對比分析，使用該算法進(jìn)行絕緣子檢測，準(zhǔn)確率可達(dá)到92%—98%，并且檢測時間較短。何寧輝［26］基于Faster R-CNN 搭建網(wǎng)絡(luò)識別模型進(jìn)行絕緣子檢測，利用CNN 算法進(jìn)行絕緣子缺陷檢測，試驗得出精確率為96%，召回率為95%，準(zhǔn)確率為96%，識別率為86%，誤識率為4. 5%，說明CNN 對絕緣子缺陷檢測有良好的效果。

1. 3 SSD 系列算法

除了YOLO 系列算法與R-CNN 系列算法，還有一種比較常用的SSD 算法。SSD 算法（Single Shot MultiBox Detector）也屬于One-stage 方法，采用VGG16 作為基礎(chǔ)模型。SSD 與YOLO 不同，SSD 使用卷積層代替全連接層進(jìn)行特征提??；除此之外，SSD 還設(shè)置了不同尺寸的先驗框解決檢測小目標(biāo)難、定位不準(zhǔn)確的問題。

左鈺［27］在其提出的基于改進(jìn)GrabCut 的絕緣子缺陷檢測方法中，使用了改進(jìn)SSD 網(wǎng)絡(luò)模型進(jìn)行絕緣子定位檢測，將原SSD 網(wǎng)絡(luò)中的VGG16替換為ResNet101，網(wǎng)絡(luò)深度得到增加，實現(xiàn)對絕緣子的定位之后，使用改進(jìn)GrabCut 算法進(jìn)行絕緣子分割并進(jìn)行缺陷檢測，使用該算法進(jìn)行絕緣子檢測，準(zhǔn)確率可達(dá)到94%，由此可見該方法檢測效果良好。

1. 4 算法對比

為了評價不同方法的效果，通常以平均精確值作為檢測算法的精度驗證指標(biāo)，其計算公式如下：

上面三個式子為平均精確值A(chǔ)P的計算公式，其中NTP為正確檢測個數(shù)，N1為錯誤檢測個數(shù)，N2為缺陷絕緣子未檢測個數(shù)。

YOLO 算法、R-CNN 算法和SSD 算法在檢測技術(shù)上的本質(zhì)區(qū)別在于是否需要提出建議框。YOLO 算法與SSD 算法屬于單階段目標(biāo)檢測算法，其檢測策略是根據(jù)卷積特征圖像素與原圖像像素塊之間的映射關(guān)系在原圖像上劃分檢測單元，在各檢測單元上進(jìn)行邊界框預(yù)測。R-CNN 系列算法屬于雙階段目標(biāo)檢測算法，其檢測策略是在一階段提出建議框，根據(jù)建議框框選輸入圖像或特征圖，在二階段基于框選結(jié)果進(jìn)行邊界框預(yù)測與目標(biāo)分類。YOLO 算法與SSD 算法和R-CNN 算法相比，省略了提出建議框的步驟，減少了計算量，因此YOLO 與SSD 具有較快的檢測速度。幾種算法的檢測能力見表1。

表1 幾種算法的檢測能力對比表

由表1 可知，F(xiàn)aster R-CNN、YOLO、SDD 及其改進(jìn)的算法都能在絕緣子檢測中獲得不錯的效果，改進(jìn)YOLOv4 算法的絕緣子檢測精度達(dá)到94. 3%，缺陷檢測精度高達(dá)98. 6%，比其他算法都要高。但是上述算法也有缺點：在絕緣子污損、絕緣子覆冰等特殊情況下，由于低層和高層之間的特征信息缺少信息融通，導(dǎo)致檢測效果較差?；谏疃葘W(xué)習(xí)的檢測算法主要是采用矩形框定位絕緣子的位置，但是因為無人機(jī)航拍時無法保證拍攝的位置姿態(tài)固定，導(dǎo)致定位框內(nèi)像素較低，存在大量的噪聲和干擾點。

2 特殊情況絕緣子檢測與識別

前文所述主要都是針對一般情況下絕緣子定位檢測與絕緣子爆裂識別的算法綜述，在實際情況中，絕緣子所處的環(huán)境千變?nèi)f化并且存在絕緣子缺陷區(qū)域較小的情況，因此結(jié)合搜集的相關(guān)文獻(xiàn)，簡述在特殊情況下絕緣子檢測與識別技術(shù)。

張晶焯［28］采用基于增強特征金字塔和可變形卷積的缺陷識別方法，增加很少的計算量，解決多尺度變化問題，實驗結(jié)果證明使用該算法能夠明顯提高絕緣子缺陷區(qū)域較小的情況下的檢測精度。魯軒［29］基于圖像識別技術(shù)，結(jié)合樣本特征學(xué)習(xí)機(jī)制，對樣本特征進(jìn)行處理和建立樣本庫，建立了一套具有高度復(fù)用性、可擴(kuò)展性和創(chuàng)新性的圖像缺陷識別算法核心。樣本特征處理首先需要利用高斯濾波算法進(jìn)行預(yù)處理［公式（5）］，去除背景干擾信息，然后通過增強處理確定圖像特征數(shù)據(jù)，最后通過圖像特征分析來提取和分類特征。建立樣本庫對處理后的圖像進(jìn)行存儲和分析。

我國大部分省份都會有冰雪天氣，而覆冰絕緣子（見圖3）將會增加其導(dǎo)電放電的危險，所以實現(xiàn)對覆冰絕緣子的檢測識別十分重要。黃新波［30］提出了一種可以檢測覆冰絕緣子的通用算法。該算法的主要特點是先對采集的無人機(jī)圖像進(jìn)行清晰化處理，該過程引入小波變換，濾除灰度圖像中的低頻信息，從而得到背景清晰的覆冰絕緣子圖像，然后再進(jìn)行一系列的絕緣子識別操作。

圖3 覆冰絕緣子

申振騰［31］則提出一種可以檢測絕緣子室溫硫化硅橡膠涂料（Room Temperature Vulcanized Silicone Rubber Coating，RTV）涂層質(zhì)量的檢測方法。絕緣子在經(jīng)過腐蝕或者受損后，在雨天或者潮濕的天氣，絕緣子表面會產(chǎn)生導(dǎo)電通道，從而產(chǎn)生放電現(xiàn)象，而RTV 涂層是一種憎水性涂料，涂敷在絕緣子表面后可以提高絕緣子的污閃電壓［32］。一旦RTV 圖層出現(xiàn)磨損，將會使絕緣子暴露在空氣中，出現(xiàn)污閃的可能性提高。該算法主要通過對采集的圖像進(jìn)行色彩空間轉(zhuǎn)換、濾波操作，再設(shè)定相應(yīng)的閾值，對絕緣子RTV 涂層質(zhì)量進(jìn)行評定。

絕緣子是高速鐵路網(wǎng)的重要組成部分，而同時絕緣子又會出現(xiàn)各種污損，其導(dǎo)致的污閃事故將會極大地影響鐵路網(wǎng)的安全運行。所以能夠快速、準(zhǔn)確地對絕緣子的污損情況進(jìn)行檢測，是鐵路系統(tǒng)急需解決的問題。孫磊［33］提出了一種基于可見光圖像的絕緣子污損檢測方法。該算法特點是，利用絕緣子表面不同污損產(chǎn)生不同的顏色特征，進(jìn)行區(qū)分識別。由于絕緣子暴露在室外環(huán)境，表面會殘留各種污穢物［34］，與潔凈的絕緣子相比，有污損的絕緣子提取的圖像特征會有明顯不同，不同種類的污穢物殘留也會有不同的顏色特征，在檢測同種污穢物時，提取的圖像也會因污損程度高低有相應(yīng)差異，由此可以對輸入圖像進(jìn)行有效的分類、檢測。

3 結(jié)論

綜上所述，基于無人機(jī)圖像的絕緣子識別與缺陷檢測技術(shù)在近幾年發(fā)展迅速，其中大部分都是對絕緣子定位與爆裂檢測的算法設(shè)計與改進(jìn)，主要分為YOLO 系算法、R-CNN 系算法及SSD算法［35-36］。這幾類算法都在絕緣子檢測中有不錯的效果，綜合考慮改進(jìn)YOLOv4 算法優(yōu)于其他算法，其絕緣子檢測精度達(dá)到94. 3%，缺陷檢測精度高達(dá)98. 6%。另外，針對特殊環(huán)境下的絕緣子以及面對特殊絕緣子檢測要求，也有相應(yīng)的研究進(jìn)展?？梢钥闯鑫磥磉@項技術(shù)的發(fā)展將更加完善、全面。

基于目前的研究進(jìn)展，將未來的研究發(fā)展歸納為以下幾個方面，以期為絕緣子識別與缺陷檢測算法研究提供參考。

一是目前絕緣子缺陷檢測算法一般只針對某一種絕緣子缺陷，缺陷檢測范圍相對有限并且針對特殊情況絕緣子檢測與識別研究相對較少，因此提出針對特殊情況絕緣子檢測與識別并且能夠準(zhǔn)確判別多種絕緣子缺陷類型的檢測算法是研究的重要內(nèi)容；

二是目前絕緣子檢測算法的改進(jìn)一般以檢測精度為考核指標(biāo)，在檢測速度和時間方面的研究相對較少，結(jié)合云計算與邊緣計算在絕緣子缺陷檢測場景的任務(wù)分配提高絕緣子缺陷檢測算法的檢測精度和速度具有重大的意義；

三是目標(biāo)檢測算法需要依靠大量樣本數(shù)據(jù)進(jìn)行訓(xùn)練，才能實現(xiàn)高精度的絕緣子缺陷檢測效果，因此研究怎么才能獲取大量高質(zhì)量的樣本數(shù)據(jù)，具有較高的研究價值。