改进YOLOv3的输电线路绝缘子检测方法

　　摘 要：绝缘子是高压输电线路的重要组成部分，对维护输电线路的稳定和保证输电网的正常运行具有重要意义。绝缘子一旦出现故障，将会造成严重的输电故障和经济损失。为此，文章提出了一种改进 YOLOv3 的高压输变电线路绝缘子检测方法，该方法首先使用特征提取能力更强的 VoVNet 作为主干网络，其次提出了一种新型的特征增强模块，可以有效提升浅层特征图的语义信息和感受野。通过对比实验表明，文章提出的方法 mAP 达到 98.01%，相较于原始 YOLOv3 算法提升了 6.07%，在保证检测速度的同时有效提升了模型对绝缘子的检测精度。

　　关键词：输电线路;绝缘子;深度学习;目标检测

　　陈科羽;时磊;刘博迪;严尔梅;欧进永 科技创新与应用 2021-12-02

　　随着中国对电力能源的需求不断增加以及电力系统的规模不断扩大，高压输电线路和输电系统变得越来越重要，及时了解电力系统的运行状态对电力系统的安全稳定运行至关重要[1]。绝缘子是电力系统中输变电设备的重要组成部分，由于长期暴露在野外，经常被恶劣的环境侵蚀，使绝缘子出现污染、裂纹以及破损等故障的情况大幅增加，会严重影响输电线路的正常使用，缩短线路的使用寿命。绝缘子发生故障时，输电线路与杆塔接触会造成停电，甚至可能发生大规模停电事故。目前，电网采用人工巡检方式，不仅费时费力，而且难以及时、全面地掌握线路、绝缘子等电气设备的状态。随着人工智能技术的发展，基于深度学习算法实现了端到端的图像识别，使得绝缘子识别在电力系统中的应用成为可能。

　　绝缘子的识别主要有两种途径：(1)传统方法：主要根据绝缘子的形状和纹理，结合神经网络来识别绝缘子。这些特征包括 HOG 特征、SUFS 特征[2-3]和小波系数[4] 等。这种方法精度低、鲁棒性差，对目标视频和图片的拍摄角度要求高。(2)深度学习算法：端到端的图像识别避免了对人工特征的需要。该方法识别精度高，泛化能力强。翁智等[5]在原有 YOLOv3[6]的基础上引入了 Res2Net 残差模块，以实现对高压输电线路部件的检测。李雪峰等[7]提出了一种新型的特征金字塔网络 PinFPN，有效解决了在输电线路故障巡检中小尺寸目标检测困难的问题;赵锐等[8]将 CenterNet 与 DLA-SE 特征提取网络相结合，实现了对故障绝缘子的实时检测。蒋姗等[9]基于 Faster R-CNN 提出了一种针对航拍绝缘子图像的目标检测算法，有效提升了检测精度，但其缺点是检测速度有所下降。本文通过改进的 YOLOv3 算法对绝缘子训练数据库进行训练，实现自然背景下的绝缘子识别和定位。首先使用 VoVNet[10]作为算法的主干网络，相比于原先的 DarkNet53，VoVNet 特殊的特征连接方式在保证网络特征提取能力的同时，降低了模型计算量和参数量，提升网络对特征的敏感度。同时本文提出一种新型的特征增强模块，与特征金字塔相结合以解决浅层特征图语义信息较弱的问题。

　　1 YOLOv3 算法

　　与其他深度学习算法如 Faster R-CNN[11]相比， YOLOv3 算法将检测模型转换为回归问题，通过端到端的架构使用整个图像的特征来预测每个边界框，实现了高精度、高效率的检测方式。在训练过程中，网络将原始图像尺度标准化为 416×416 像素，并将图像划分为 N×N 个单元，三个不同大小的特征图用以预测不同尺度的目标，每个特征图中的每一个单元内预测三个边界框，每个边界框输出两套独立的预测值，分别为边界框的中心点偏值和边框置信度，边框置信度的计算公式如下所示： P(r object)*IOU(b，object)=σ(to )，其中 P(r object)表示单元格内是否包含目标物体，若目标中心点在单元格内，则为 1，否则为 0;IOU(b，object)表示模型输出的预测框与真实框的交并比，计算在原始图像中预测框与真实标注框的面积重合度。若单元格内包含目标，则还需通过该目标类别的概率与置信度的乘积得到类别置信度，选出类别置信度最高的预测框并使用非极大抑制 (Non-Maximum Suppression，NMS)进行筛选，再通过解码将中心点偏值转换为边界框的中点坐标，得到最终的预测框位置与类别。其计算公式如下所示： bx=σ(tx )+cx， by=σ(ty )+cy， bw=pwe tw ， bh=phe th ，其中 bx、by、bw、bh 分别为预测框的中心点坐标以及宽高;t 为偏差值;cx、cy 为单元格左上点坐标;pw、ph 为边界框的宽高;σ 为激活函数。 YOLOv3 以残差结构作为基础组成单元，并结合特征金字塔网络 FPN[12](Feature Pyramid Networks)来进一步提高精度，但将 YOLOv3 应用在绝缘子检测上仍存在一些缺点。首先，当 YOLOv3 的输入为 416×416 像素时，用于检测的特征图的最小尺寸为 13×13 像素，检测大物体时会出现漏检现象，特征图的最大尺寸为 52×52 像素，在检测小物体时会有漏检和误检;其次， YOLOv3 虽然使用了残差结构，但是每个阶段的特征图之间的关系并不紧密，较深和较浅的特征不具有相互操作性，降低了检测精度，较深的特征层不能很好地利用浅层特征层的信息，随着级数的增加和网络的加深，更容易造成梯度消失现象;最后，YOLOv3 中对特征图的处理多以 3×3 的卷积为主，这种设置虽然可以有效降低网络参数，但 3×3 的卷积层感受野不够丰富，在应对复杂背景下的目标检测时效果较差。

　　2 算法改进

　　本文针对原始 YOLOv3 算法进行改进，首先采用 VoVNet 作为主干网络，其拥有更高分辨率的输入，特征图的最小尺寸为 16×16 像素，最大尺寸为 64×64 像素，可以有效减少模型漏检和误检的现象，并且 VoVNet 的密集连接方式将每层特征图与最后一层特征相连，从而加深特征图之间的关系，并提高较深层中较浅特征的利用率，防止梯度消失，进一步提高检测精度;其次本文提出一种特征增强模块用以解决原始 YOLOv3 算法中浅层特征语义信息不足，感受野较小的问题。

　　2.1 VoVnet

　　本文采用 VoVNet-39 网络，其结构如图 1 所示，网络输入大小为 512×512 像素，由一个包含 3 个卷积层的 Stem Block 和 4 个阶段的一次性聚合模块(OSA)组成， OSA 模块由 5 个 3×3 卷积和 1 个 1×1 的卷积层组成，所有 3×3 的卷积层具有相同的输入和输出通道数。 VoVNet-39 在第 2、第 3 阶段分别布置 1 个 OSA 模块，在第 4、第 5 阶段分别布置 2 个 OSA 模块。每阶段 OSA 模块之间使用 3×3 的最大池化层进行连接以及下采样。 OSA 模块独特的特征连接方式如图 2 所示，每个卷积层均有两个输出与其他特征图连接，一个输出连接到后续特征图，以产生具有更大感受野的特征图信息，另一个输出聚合到最终的特征图中，并通过 1×1 的卷积层压缩通道数，这种聚合方法可以一次聚合中间特征，在保持连接强度的同时，极大地提高了媒体访问控制和图形处理器的计算效率。

　　2.2 特征增强针对原始 YOLOv3 算法感受野不足、浅层特征语义信息少的缺点，本文基于 RFB[13](Receptive Field Block) 感受野原理提出一种新型的特征增强模块，对网络浅层特征进行增强，提升网络对绝缘子图像的适应能力。本文所使用的网络结构如图 3 所示，提取 VoVNet-39 中第 3、第 4 和第 5 阶段的特征图进行预测，其尺寸分别为 64×64 像素、32×32 像素和 16×16 像素，同时对第 3 和第 4 阶段的特征图进行增强处理。特征增强模块的结构如图 4 所示，采取多个支路对特征图进行处理，在每个支路布置尺度不同的卷积层，并引入了空洞卷积以增加感受野范围。第一个支路为 1×1、3×3 的卷积级联;第二个支路为 1×1、3×3 以及大小为 3×3，膨胀率为 3 的空洞卷积级联;第三条支路结构与第二条相同，区别为其空洞卷积层的膨胀率为 5，对前三条支路的输出层进行堆叠(Concat)，并通过 1×1 的卷积调整通道数;第四条支路为 1×1 的卷积层，与堆叠后的特征图进行元素相加(Add)以达到增加感受野的目的。其计算如下： Qi=Hi[P(X)j ]，i=1，2，3， Wi=R(i Q)i ， Zj=δi[H1，H2，H3]+P(X)j ，式中，Xj 表示输入的特征图;P 表示由 1x1 的卷积、BN 层和 relu 层组成的非线性操作组合;Hi 表示进行 i 次由 3×3、BN 层和 relu 层组成的非线性操作组合;Qi 表示 i 次卷积操作后的特征图;Ri 表示空洞卷积;i = 1，2，3 时，空洞卷积的膨胀率分别为 1，3，5;δi[.]表示 Concatenation 特征融合操作;Zj 表示融合后的新特征图。

　　3 实验结果与分析

　　3.1 实验平台与模型训练

　　本实验基于 Tensorflow1.13 框架实现，使用的编程语言为 Python，训练与测试均在 Ubuntu16.04 操作系统、NVIDIA Tesla T4(16G 显存)上进行。batch_size 设置为 32，初始学习率设置为 0.0001，采用余弦退火衰减法，学习率最高值为 0.001，预热期为 16 批次。

　　3.2 数据集构建本文所使用的数据集源于无人机巡检输电线路所拍摄的绝缘子故障图片，使用 labelimg 程序进行标注，数据集格式仿照 PLSCAL VOC 构建，包含自然场景下的故障绝缘子共 1500 张图片，数据集的分辨率为 800×1000 像素。对数据集中的图片进行旋转变换、色差变换以及添加噪声等数据扩增操作，并按照 7∶3 的比例划分为训练集和测试集。

　　3.3 结果及分析将使用 VoVNet 和特征增强模块后的网络与原始 YOLOv3 算法进行对比实验，本文主要通过准确率(AP)、精确度(Precision)、召回率(Recall)以及检测速率(FPS)来对模型性能进行评价。对比结果如表 1 所示，本文改进算法的检测准确率(AP)为 98.01%，相较于原始 YOLOv3 算法提高了 6.07%，说明 VoVNet 与本文提出的特征增强模块可以有效提升对故障绝缘子的检测效果。改进后的算法精确度(Precision)提升较不明显，但是召回率(Recall)提升显著。由于 VoVNet 相较于原始算法的 DarkNet 在结构上更复杂，因此在检测速度上改进后的算法略低于原始算法。图 5 为本文改进算法对绝缘子的检测效果图，可以看出在多种复杂背景(如塔架、房屋以及植被等)下本文算法可以有效检测出绝缘子目标，并且当距离较远时，目标在图像中占比极小，本文算法仍可以检出待检目标，证明本文提出的算法可以有效完成对绝缘子的检测任务。

　　4 结论本文针对高压输变电线路人工巡检困难的问题，提出了一种基于 YOLOv3 改进的输电线路绝缘子目标检测方法。该方法以 VoVNet 为特征提取网络，通过密集的连接方式提升网络的特征提取能力，结合多分支结构与空洞卷积设计了能增强模型感受野与语义信息的特征增强模块。通过实验表明，本文算法在自然背景下的绝缘子图像检测中 mAP 达到了 98.01%，速度为 29FPS，实现了高效率且高精度的绝缘子目标检测方式。