張長樂，金 鈞

（大連交通大學(xué)自動(dòng)化與電氣工程學(xué)院，遼寧大連 116028）

智能巡檢取代人工巡查，是必然的發(fā)展趨勢(shì)[1]。絕緣子在野外工作時(shí)，很容易出現(xiàn)各類故障。因此研究基于圖像識(shí)別的絕緣子故障檢測(cè)算法對(duì)于智能巡檢工作具有重要意義[2-3]。

針對(duì)絕緣子的故障檢測(cè)，目前已有一定的研究。如文獻(xiàn)[4]將水平投影法用于定位絕緣子破損位置；文獻(xiàn)[5]采用雙向GRU(Gated Recurrent Unit)和PCNN(Pulse Coupled Neural Network)相結(jié)合抽取人物關(guān)系的方法；文獻(xiàn)[6]將YOLOv2 網(wǎng)絡(luò)結(jié)合垂直投影等方法進(jìn)行檢測(cè)；文獻(xiàn)[7]通過圖片的深度特征來訓(xùn)練SVM(Support Vector Machine)分類器。

該文算法在YOLOv5s[8]基礎(chǔ)上進(jìn)行優(yōu)化，成功檢測(cè)出破損(damage)、閃絡(luò)(flash)、臟污(dirt)三種故障，且速度、大小、精度都優(yōu)于原算法，仿真驗(yàn)證了該算法對(duì)于原始算法的提升。

1 改進(jìn)YOLOv5s算法

1.1 運(yùn)用K-means++算法進(jìn)行先驗(yàn)框優(yōu)化

YOLOv5[9-10]的初始先驗(yàn)框尺寸來源于K 均值（K-Means）聚類算法，而改進(jìn)后先驗(yàn)框尺寸來源于K-Means++[11]算法。改進(jìn)后的先驗(yàn)框大小和默認(rèn)的先驗(yàn)框大小如表1 所示。

表1 默認(rèn)先驗(yàn)框和改進(jìn)先驗(yàn)框大小比較表

1.2 在骨干網(wǎng)絡(luò)中添加SE注意力模塊

該文算法在骨干網(wǎng)絡(luò)中添加了SE注意力模塊[12]，即把骨干網(wǎng)絡(luò)中的C3 模塊都修改為添加了SE 模塊的SEC3 模塊，有效提升了算法的特征提取能力。

為了驗(yàn)證SE 注意力模塊的有效性，對(duì)帶有破損故障的絕緣子進(jìn)行熱力圖仿真，效果如圖1 所示。

圖1 熱力仿真對(duì)比圖

從圖1可以看出，未使用SE 注意力模塊的網(wǎng)絡(luò)未側(cè)重故障處聚焦，甚至對(duì)于環(huán)境的關(guān)注更強(qiáng)；當(dāng)加入SE注意力模塊后，對(duì)故障處的關(guān)注明顯有了一定的側(cè)重。

1.3 在頸部網(wǎng)絡(luò)中引入雙向特征金字塔模塊

因?yàn)榻^緣子的故障痕跡通常為扁平狀且大小較小，所以加強(qiáng)算法對(duì)中小目標(biāo)的針對(duì)性、對(duì)多尺度特征的融合能力很有必要。

該算法在頸部網(wǎng)絡(luò)中引入了BiFPN[13]雙向特征金字塔，有效提升了算法的特征融合利用能力。

修改頸部網(wǎng)絡(luò)的concat 模塊即可引入BiFPN，原網(wǎng)絡(luò)的頸部中共有四處concat 模塊，為了將BiFPN的作用發(fā)揮到最大，該文將所有concat 全部修改為了BiFPN_Add。

1.4 完成所有改進(jìn)后的總體網(wǎng)絡(luò)結(jié)構(gòu)

改進(jìn)后網(wǎng)絡(luò)整體結(jié)構(gòu)如表2 所示，表中輸入為-1 時(shí)在，表示輸入來自上一層；為中括號(hào)時(shí)，表示同時(shí)來自好幾層，數(shù)字代表具體層數(shù)，如[-1,4]代表來自上一層和第四層，張量信息代表該模塊的輸入通道數(shù)、輸出通道數(shù)、卷積核大小、步長等參數(shù)。

表2 改進(jìn)后YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)示意表

2 仿真分析

2.1 數(shù)據(jù)準(zhǔn)備

該文的數(shù)據(jù)集來自于無人機(jī)拍攝故障絕緣子圖像共1 600 張；共有1 228 處破損故障，1 385 處閃絡(luò)故障，806 處臟污故障。

該文使用LabelImage 標(biāo)注工具對(duì)所有絕緣子故障進(jìn)行標(biāo)注，共以三種故障為識(shí)別目標(biāo)，分別將破損標(biāo)注為damage、閃絡(luò)標(biāo)注為flash、臟污標(biāo)注為dirt。

對(duì)于1 600 張?jiān)紙D片首先采用隨機(jī)矩形遮擋、翻轉(zhuǎn)、調(diào)整色調(diào)等方式將圖像擴(kuò)充至4 640 余張，從而提高模型的泛化能力和訓(xùn)練效率。該文隨機(jī)將訓(xùn)練集、驗(yàn)證集、測(cè)試集的比例劃分為10∶1∶1。部分圖像數(shù)據(jù)增強(qiáng)效果如圖2 所示。

圖2 部分圖像增強(qiáng)示例圖

2.2 仿真環(huán)境與網(wǎng)絡(luò)訓(xùn)練

2.2.1 仿真環(huán)境

具體仿真環(huán)境如表3 所示。

表3 仿真運(yùn)行環(huán)境

2.2.2 網(wǎng)絡(luò)訓(xùn)練

在YOLOv5s 模型訓(xùn)練中，模型結(jié)構(gòu)的損失函數(shù)Loss 值越小越好。為了實(shí)現(xiàn)模型的最佳性能，該文將迭代次數(shù)設(shè)置為250，權(quán)重衰減系數(shù)設(shè)置為0.000 1，學(xué)習(xí)率動(dòng)量設(shè)置為0.937，圖片尺寸為640×640，最大訓(xùn)練批次設(shè)置為16。

Loss 曲線在0 到100 次時(shí)損失函數(shù)值急劇下降；在100 到200 次時(shí)損失數(shù)緩慢下降；在經(jīng)過200 次迭代后，損失值在0.06 附近趨于穩(wěn)定，模型達(dá)到最優(yōu)狀態(tài)?？傆?jì)Loss 曲線變化如圖3 所示。

圖3 該文算法的總計(jì)Loss曲線

2.3 模型評(píng)估指標(biāo)

在目標(biāo)檢測(cè)領(lǐng)域，精度（Precision)、召回率（Recall）和mAP 是評(píng)估訓(xùn)練算法性能和可靠性的常用指標(biāo)。由于平均精度的概括性、代表性強(qiáng)于前兩個(gè)指標(biāo)，故該文使用平均精度對(duì)絕緣子故障檢測(cè)算法性能進(jìn)行評(píng)估。

精確率的公式為：

召回率的公式為：

式中，TP 表示被模型預(yù)測(cè)為正類的正樣本數(shù)量，F(xiàn)P 則表示被模型預(yù)測(cè)為負(fù)類的正樣本數(shù)量，而FN 則表示被模型預(yù)測(cè)為正類的負(fù)樣本數(shù)量。

平均精度的計(jì)算式為：

平均精度AP 是指在所有召回值的可能取值前提下，求得的所有精度的平均數(shù)。即mAP 的AP 值在所有類別下的平均值，計(jì)算公式為：

式中，Q為總類別數(shù)量。

2.4 模型性能評(píng)估

通過訓(xùn)練得到權(quán)重文件，使用權(quán)重文件對(duì)目標(biāo)圖像進(jìn)行檢測(cè)，部分結(jié)果如圖4 所示。示例結(jié)果中有兩處破損故障，七處閃絡(luò)故障，四處臟污故障，全部識(shí)別正確。

圖4 部分仿真結(jié)果示例圖

為驗(yàn)證算法性能，在同一數(shù)據(jù)集中，對(duì)幾種常見目標(biāo)檢測(cè)算法的評(píng)估指標(biāo)進(jìn)行了對(duì)比，具體情況如表4 所示。

表4 分類準(zhǔn)確度比較表

由表4 可知，該文算法能夠有效提高對(duì)破損、臟污、閃絡(luò)的檢測(cè)精度。該文算法對(duì)三種故障的平均檢測(cè)精度均遠(yuǎn)高于Faster R-CNN 和SSD。該文算法與YOLOv2 以 及原始YOLOv5s 相比，在FPS 和mAP上都有一定提升。除此之外，模型的參數(shù)量僅有13.8 MB，顯著優(yōu)于其他算法，比原有的YOLOv5s 進(jìn)一步縮減了3.5%。

2.5 消融實(shí)驗(yàn)

該文共有三處改進(jìn)模塊，將改進(jìn)后的模型中的改進(jìn)模塊逐個(gè)添加并進(jìn)行訓(xùn)練，驗(yàn)證模型的改進(jìn)模塊是否具有正面影響。消融實(shí)驗(yàn)具體結(jié)果由表5所示。

表5 消融實(shí)驗(yàn)結(jié)果表

實(shí)驗(yàn)結(jié)果表明，每個(gè)模塊單獨(dú)應(yīng)用均能對(duì)最終結(jié)果產(chǎn)生正向作用，mAP 和FPS 都是伴隨著改進(jìn)增多逐漸提升。單個(gè)模塊中BiFPN 對(duì)于評(píng)估指標(biāo)的提升最大；三個(gè)模塊同時(shí)使用對(duì)于速度和準(zhǔn)確度的提升效果最明顯。

3 結(jié)論

該文提出了一種基于YOLOv5s 的絕緣子故障檢測(cè)算法，該算法利用K-means++算法重新設(shè)計(jì)先驗(yàn)框大小，在骨干網(wǎng)絡(luò)中融合SE 注意力模塊，在頸部網(wǎng)絡(luò)融合BiFPN 雙向特征金字塔。通過以上操作，使得絕緣子故障檢測(cè)的總體mAP 相比于原網(wǎng)絡(luò)提升了3.6%，達(dá)到91.4%，速度提升了5 FPS，達(dá)到30 FPS，且文件大小比原YOLOv5s小了0.5 MB，僅為13.8 MB。

該算法具有較強(qiáng)的深度學(xué)習(xí)能力，能高速準(zhǔn)確檢測(cè)絕緣子故障、臟污、閃絡(luò)三類故障缺陷位置，且保持了輕量化的優(yōu)點(diǎn)。未來將繼續(xù)探索如何減少算法參數(shù)量以及如何提升算法對(duì)小目標(biāo)的識(shí)別能力。