0   引言

絕緣子廣泛應用于高壓輸電線路中，在電氣絕緣和導線連接中起著重要作用。在長期自然環境以及其他惡劣條件作用下，絕緣子可能出現自爆、掉串等故障，對電力系統構成嚴重威脅，因此，定期巡檢輸電線路絕緣子，及時發現并處理故障絕緣子對電力系統的穩定性與可靠性具有重要意義^[1]。目前常用的方法是用直升機或無人機捕捉絕緣子的航空圖像，在直升機或無人機巡檢中，由于無人機鏡頭是多角度的，并且包含復雜的背景，提取和定位絕緣子的過程至關重要。

因此研究航拍圖像中絕緣子自動檢測就顯得十分重要。最初的圖像識別算法主要通過搜集圖像，再對圖像進行處理以實現絕緣子檢測。黃宵寧等人提出了一種用于直升機巡檢圖像中絕緣子的提取算法，該算法能夠在航拍圖像復雜背景中完整地提取出絕緣子圖像^[2]；趙振兵等人采用NSCT 提取絕緣子圖像的邊緣圖像，該方法取得了更好的提取效果^[3]；Oberweger 等人提出可以使用基于局部梯度的描述子提取單個絕緣子帽，然后用橢圓描述子檢測絕緣子帽^[4]；金立軍等人在紅外和可見光絕緣子圖像基礎上，對圖像進行特征融合，該方法有效提高檢測準確率^[5]；張燁等人首先對絕緣子進行定位檢測，然后對圖像進行預處理，能夠判斷絕緣子是否覆冰以及計算出覆冰厚度^[6]。以上是一些傳統的圖像處理方法，利用輸電線路圖像的閾值分割和基于絕緣子爆炸特征的分割故障識別。雖然機器學習在一定程度上提高了可靠性，但在識別時間和準確率上仍有提升空間。近年來，基于深度模型對目標進行檢測的算法^[7]表現突出，是目前應用較為廣泛的目標檢測方法。王萬國等人使用FasterRCNN 網絡對于間隔棒、絕緣子等部件的識別準確率達到92.7%^[8]；李軍峰等人結合深度學習和隨機森林的對絕緣子、變壓器、斷路器、電桿和鐵塔這5 類共8 500幅電力圖像進行識別，識別準確率達到了89.6%^[9]；凌澤南等人將絕緣子破損定位問題作為一個低信噪比的圖像定位框架，包括基于快速R-CNN 的目標檢測和基于U-net 的像素分類。前者負責玻璃絕緣子串的定位，提高信噪比；后者能夠對不同尺寸的裁剪圖像中的像素進行精確分類^[10]。王永利等人利用Fast R-CNN 目標檢測網絡對輸電線路上的絕緣子進行快速分類和定位，通過構造全卷積神經網絡對絕緣子進行語義分割；最后將完成的絕緣子圖像輸入到分類網絡中，判斷絕緣子是否爆裂，該方法對絕緣子故障爆炸識別準確率達到99% 以上，在一定程度上提高復雜背景下絕緣子爆炸識別的準確性，有效地提高了輸電系統的安全運行^[11]。Ohta 等人利用無人機對輸電塔、絕緣子進行圖像采集，然后通過YOLO 模型和連續圖像處理技術進行絕緣子和輸電塔的識別。在具有背景景觀的絕緣子圖像中，該方法圖像識別的錯誤率為9.8%^[12]。Antwi-Bekoe 等人利用卷積神經網絡CNN 對架空電力傳輸系統采集的圖像中的絕緣子元件和故障絕緣子盤進行檢測和分類，通過從不同距離、角度和背景拍攝的圖像中檢測出目標絕緣體和離群值，分別達到了93.75% 和82.0% 的精度，為架空輸電線路自動化檢測的實施提供了切實可行的解決方案^[13]。馬鵬等人利用改進后的SSD 網絡根據電力小部件的特點加載不同模型參數微調卷積神經網絡，采用Soft-PNMS 算法進行優化，該算法對絕緣子等小部件的精準度達到了91.1%，對電力小部件的檢測有重要意義^[14]。相較以前，上述方法準確度和識別率都大大提升，但是其研究主要集中在絕緣子識別和故障檢測，對于復雜背景下絕緣子的檢測過少。本文針對航拍圖像中絕緣子檢測這一特定情況，通過多尺度訓練提升系統魯棒性，改進RPN（Region Proposal Network）候選框比例使檢測結果更貼合目標，改進Faster RCNN^[15] 模型并引入深度殘差網絡，提高復雜背景下絕緣子的檢測精度。

1   絕緣子檢測識別方法

在海量巡檢圖像中絕緣子形態不一且現有目標檢測算法絕緣子檢測精確度較低。為提高目標檢測準確性，降低漏檢率，提升檢測速度，本文選用Faster RCNN 模型進行巡檢圖像的絕緣子檢測，在此基礎上結合多尺度訓練、改善候選區域比例和深度殘差網絡，解決目標尺寸不一、遮擋等因素影響，進一步提高絕緣子檢測的精確度。本文的絕緣子檢測流程如圖1 所示。

1.1 樣本擴充

本文中絕緣子數據集來自無人機巡檢航拍圖像，涵蓋不同地點不同時期包含絕緣子的巡檢圖片。考慮到部分巡檢圖像中存在很多小目標，而普通的切割方法會使這些小目標的信息大量流失，因此采用自適應裁剪算法，可以通過計算目標占畫幅大小比例來進行裁剪操作，可以對樣本進行更有效的裁剪。并且采用水平翻轉以及亮度扭曲來進行樣本擴充。樣本擴充流程細節如圖2 所示，樣本擴充示例如圖3 所示。

（a）原始圖像

（b）水平翻轉

（c）自適應裁剪

（d）亮度不足

（e）亮度過大

圖3 樣本擴充示例

1.2 Faster RCNN檢測算法

Faster RCNN 算法基本工作原理如圖3 所示。過程如下：

1）對輸入的圖像進行預處理，包括圖像翻轉、像素變換等；

2）采用卷積神經網絡對輸入圖像進行特征提取；

3）通過區域建議網絡（RPN）生成候選圖；

4）把候選框與提取的特征圖對應，提取候選圖對應的特征圖；

5）通過ROI 池化層將大小不同的候選框對應的特征圖處理成相同大小；

6）將候選圖的特征圖輸入到全連接層，分別對候選框進行分類的位置回歸。

1.3 RPN網絡的改進

RPN 網絡是在特征圖上找到所有的目標候選區域，卷積層生成的特征映射圖作為RPN 的輸入。在RPN網絡中，設置了9 種anchors，對應3 種尺度（1282、2562、5122 ）以及3 種長寬比（1：1、1：2、2：1），但是對常規物體檢測設置的。由于絕緣子的外形均為細長型，寬高比例非常不均衡，原始的anchor 不適合對于細長絕緣子的檢測，而且絕緣子在整幅圖像中的占比較小，因此為了得到更好的識別效果，需要微調候選框比例。為了降低漏檢率，增加一組尺度642，候選框數目從9 增加到了12。將PRN 網絡候選框比例擴展，尋找最佳比例。

1.4 深度殘差網絡

深度殘差網絡（deep residual network，ResNet）^[16]設計了一種殘差模塊，并以殘差模塊來構建網絡，殘差模塊如圖5 所示。其中X 為該殘差模塊的輸入，F(X)為由該殘差模塊擬合得到的函數。

深度殘差網絡ResNet101 由殘差模塊層層疊加構成，包含100 個卷積層、100 個激活層、4 個池化層和1 個全連接層。而原始Faster-RCNN 算法也利用包含4 個池化層的VGG16 網絡來提取圖像特征，因此本文利用ResNet101 來代替VGG16 網絡，圖像尺寸變化也與VGG16 網絡保持一致。實驗結果表明，相比利用VGG16 網絡提取圖像特征，使用ResNet101 網絡可以取得更好的檢測效果。

1.5 多尺度訓練

原始Faster RCNN 模型要求訓練的圖片尺寸相同，而在實際巡檢過程中，采集圖像中絕緣子大小不一，差別較大，因此容易出現漏檢的情況，包括圖像中絕緣子較小的圖像。為了降低絕緣子的漏檢率，通過多尺度訓練，設置三種輸入尺度（480、600、750），在保持絕緣子圖像占比不變的情況下，每張圖片隨機以一種尺度輸入進行訓練，使訓練出的模型能夠學習各種尺寸大小的絕緣子特征。實驗證明，采用多尺度訓練能夠檢測到較小的絕緣子圖像，提高絕緣子的檢測率。

2   實驗結果及分析

2.1 評價指標

本文運算環境配置為：Inter Core i7-9700F@4.50 GHz、8GB 運行內存、RTX2070 Super ultra oc GPU 的電腦。本文選取巡檢絕緣子圖片共3 400 張，其中3 100 張為網絡的訓練集，300 張為測試集。采用精確度（precision）和召回率（recall）來衡量模型檢測的結果，公式如（1）、（2）所示。

其中，TP 為正常識別出絕緣子的樣本數；FP 為錯誤識別絕緣子的樣本數；FN 為未識別出絕緣子的樣本數。

2.2 網絡訓練

在訓練時批次大小設置為128，權值衰減設為0.000 5，初始學習率為0.001。通過損失值（Loss）來判斷網絡訓練效果，如圖6 所示，迭代次數越多，網絡的損失值越接近于0，說明訓練效果也越來越好。平均準確率與迭代次數關系如圖7 所示，迭代次數越多，絕緣子識別的平均準確率也越高，當迭代13 000 時達到了最大的88%，因此本文把迭代13 000 次時的權重作為目標檢測模型。

2.3 候選區域比例對檢測結果的影響

改變RPN 網絡中候選區域比例的種類數量，對文中建立的數據集進行檢測，得到的檢測結果以及平均精度（AP）如表1 所示，當檢測候選框比例為1:4、1:3、1:2，1:1、2:1、3:1、4:1 時，檢測的平均精度最佳，比原始模型提升了8.02%。

2.4 改進后的Faster RCNN實驗結果

2.4.1不同目標檢測算法結果對比

用不同目標檢測算法與改進后的Faster RCNN 進行對比，結果如圖8 所示。由圖8 可知，改進后的Faster RCNN 模型相較其他網絡模型能完整地識別出被桿塔遮擋的絕緣子部分，以及圖中微小的絕緣子目標，且圖中的識別框更貼合目標絕緣子。

（a）Yolo v3

（b）Faster RCNN

（c）改進后Faster RCNN

圖8 不同目標檢測算法檢測結果圖

用不同網絡模型對300 張測試集進行檢測，能準確識別出所有絕緣子，包括殘缺以及被遮擋的絕緣子，視為識別正確，實驗結果如表2 所示。改進后的FasterRCNN 相比Faster RCNN 以及YOLO v3 召回率分別提升了10%、7.34%，精確度分別提升了4.88%、3.82%。但平均檢測時間較長，但仍然滿足巡檢要求。

2.4.2不同目標檢測算法結果對比

不同策略訓練網絡的檢測結果如表3 所示。由表3可知，策略2 相比策略1，微調候選框比例使精度提高了1.37%。策略3 比策略1 增加了一組尺度（642），anchor 數量增加到12，精確度也有明顯提升。策略3和策略4 對比可知，增加多尺度訓練，將檢測精確度提高了1.09%。策略5 和策略6 對比可知，深度殘差網絡ResNet101 可以取得更好的檢測效果。綜上所述，4 種策略都使網絡模型的精度更高。

3   結束語

為提高航拍圖像中絕緣子的檢測能力，本文基于Faster RCNN 網絡模型進行改進使絕緣子檢測結果更為精確。針對絕緣子尺寸不一的特點，微調RPN 候選區域比例，增加anchor 數量，選擇ResNet101 網絡，提高絕緣子檢測的準確性和實時性。訓練時增加多尺度訓練來提高檢測模型的魯棒性。針對航拍圖像中遮擋絕緣子，增加深度殘差網絡來提高檢測精確度。檢測結果表明，改進后的Faster RCNN 網絡的檢測精確度與FasterRCNN 相比提升了4.88%。但該方法平均檢測時間有所增加，而且巡檢絕緣子狀況不一，后續將繼續增加樣本，并且添加紅外絕緣子圖像，缺陷絕緣子圖像等，進一步優化網絡，減少測試時間，提升檢測準確度。

參考文獻：

[1] GOLIGHTLY I,JONES D. Corner detection and matching for visual tracking during power line inspection[J].Image and vision computing,2003,21(9):827-840.

[2] 黃宵寧,張真良.直升機巡檢航拍圖像中絕緣子圖像的提取算法[J].電網技術,2010,34(1):194-197.

[3] 趙振兵,金思新,劉亞春.基于NSCT的航拍絕緣子圖像邊緣提取方法[J].儀器儀表學報,2012,33(9):2045-2052.

[4] OBERWEGER M,WENDEL A,BISCHOF H. Visual recognition and fault detection for power line insulators[C].19th computer vision winter workshop,2014.

[5] 金立軍,田治仁,高凱,等.基于紅外與可見光圖像信息融合的絕緣子污穢等級識別[J].中國電機工程學報,2016,36(13):3682-3691,3389.

[6] 張燁,馮玲,穆靖宇,等.輸電線路絕緣子覆冰厚度圖像識別算法[J].電力系統自動化,2016,40(21):195-202.

[7] HOSANG J,BENENSON R,DOLLáR P,et al,What makes for effective detection proposals[J],IEEE transactions on pattern analysis & machine intelligence,2016,38(4):814.

[8] 王萬國,田兵,劉越,等.基于RCNN的無人機巡檢圖像電力小部件識別研究[J].地球信息科學學報,2017,19(2):256-263.

[9]李軍鋒,王欽若,李敏.結合深度學習和隨機森林的電力設備圖像識別[J].高電壓技術,2017,43(11):3705-3711.

[10] LING Z,ZHANG D,QIU R C,et al,An accurate and realtime method of self-blast glass insulator location based on faster R-CNN and U-net with aerial images [J],CSEE journal of power and energy systems,2019,5(4):474-482.

[11] WANG Y,WANG J,GAO F,et al,Detection and recognition for fault insulator based on deep learning[C],20181 1 t h i n t e r n a t i o n a l c o n g r e s s o n i m a g e a n d s i g n a l processing,BioMedical Engineering and Informatics(CISPBMEI), 2018.

[12] OHTA H,SATO Y,MORI T,et al,Image acquisition of power line transmission towers using UAV and deep learning technique for insulators localization and recognition[C].2019 23rd international conference on system theory,control and computing(ICSTCC),2019.

[13] ANTWI-BEKOE E,ZHAN Q,XIE X,et al,Insulator recognition and fault detection using deep learning approach[C]. Journal of Physics:Conference Series,Volume 1454,2019 international conference on advanced information systems and engineering,Cairo,Egypt.

[14] 馬鵬,樊艷芳.基于深度遷移學習的小樣本智能變電站電力設備部件檢測[J].電網技術,2020,44(3):1148-1159.

[15] REN S,HE K,GIRSHICK R,et al,Faster R-CNN:Towards r e a l - t i m e o b j e c t d e t e c t i o n w i t h r e g i o n p r o p o s a l networks[J],IEEE transactions on pattern analysis & machine intelligence,2017,39(6):1137-1149.

[16] HE K,ZHANG X,REN S,et al,Deep residual learning for image recognition[C].2016 IEEE Conference on Computer Vision and Pattern Recognition(CVPR),Las Vegas,USA:IEEE,2016:770-77.

（本文來源于《電子產品世界》雜志2021年10月期）