基于YOLO算法的無人機航拍圖片絕緣子缺失檢測

楊罡 張娜 晉濤 王大偉

摘 要：輸電線路上的絕緣子，長時間暴露在自然環(huán)境下，容易產(chǎn)生自爆缺失故障，進而容易損害整個輸電線路的使用安全和運行壽命。對此，本文提出一種基于深度學(xué)習(xí)目標(biāo)檢測算法的端到端絕緣子缺失檢測方法，利用深度卷積神經(jīng)網(wǎng)絡(luò)的強大學(xué)習(xí)能力，以及適當(dāng)量的標(biāo)注樣本，學(xué)習(xí)到如何直接從無人機航拍照片中檢測絕緣子，并自動區(qū)分完整絕緣子和缺失絕緣子。

關(guān)鍵詞：絕緣子 深度學(xué)習(xí) 目標(biāo)檢測 卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP391.4 文獻標(biāo)識碼：A 文章編號：1672-3791（2018）08（c）-0030-02

輸電線路中的絕緣子是一種特殊絕緣控件，通常是陶瓷或玻璃材質(zhì)的，能夠在輸電線路中起到關(guān)鍵作用，一旦失效就會損害整個輸電線路的使用安全和運行壽命[1]。

我國疆域遼闊，輸電線路經(jīng)常需要橫跨山川河流，為了解輸電線路運行情況以及解決輸電線路潛在的隱患，電力部門慢慢用無人機巡線代替了人工巡線[2，3]。利用無人機巡檢輸電線路不受地理、氣候等因素的影響，節(jié)約了大量的人力與物力。在巡檢中，無人機拍攝大量的照片，基于這些照片，進行絕緣子檢測是一種較為新穎的技術(shù)路線。

其中有研究提出了一種改進的FCM算法對絕緣子所在的區(qū)域進行分割，進而通過連通域標(biāo)記算法對每片絕緣子進行標(biāo)記，最終有效地計算出了絕緣子的個數(shù)；也有文獻在相關(guān)研究中提出了一種利用梯度信息進行絕緣子的定位方法，在實現(xiàn)絕緣子定位的基礎(chǔ)上建立單個絕緣子的特征描述子，最終實現(xiàn)絕緣子的故障檢測；在多尺度的基礎(chǔ)上引入了多特征描述符表達絕緣子的局部特征，隨后構(gòu)建了絕緣子的視覺特征庫，針對待檢測圖像通過“粗-細”特征匹配策略消除背景噪聲，最終確定了航拍圖像中絕緣子的位置。

目前，大部分的研究工作是人工設(shè)計特征，提取特征，然后設(shè)計分類器，區(qū)分絕緣子區(qū)域，確定位置。本文基于目前速度和準確率兼顧的深度學(xué)習(xí)目標(biāo)檢測框架YOLO，設(shè)計了從輸入圖像直接到檢測結(jié)果的端到端絕緣子缺失方法。

1 基于YOLO的絕緣子檢測方法

傳統(tǒng)的目標(biāo)檢測算法一般分為兩步：首先，提取一定數(shù)量的目標(biāo)候選框，具體提取方法有滑動窗口、選擇搜索等；其次，是對目標(biāo)候選框內(nèi)的圖像按照一定的方法提取特征，對特征進行分類，確定目標(biāo)候選框內(nèi)是否有某物體。YOLO算法將這兩步合二為一，用一個深度卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)，在保證精度的同時，由于沒有了提取目標(biāo)候選框等耗時步驟，達到了較快的運行速度。

1.1 聯(lián)合檢測

如圖1a所示，首先將圖像分為SXS的網(wǎng)格。如果絕緣子的中心落入某格子，則格子就負責(zé)檢測該絕緣子。每一個柵格負責(zé)預(yù)測B個包圍盒，以及這些包圍盒的置信分數(shù)。這個置信分數(shù)反映了模型對于這個柵格的預(yù)測：該柵格是否包含絕緣子，以及這個包圍盒的坐標(biāo)預(yù)測有多準確。如果這個柵格中不存在絕緣子，則置信分數(shù)為0，否則應(yīng)該為預(yù)測出的包圍盒與正式絕緣子包圍盒的IOU（intersection over union，IOU）。包圍盒由x、y、w、h4個值確定。坐標(biāo)（x，y）代表預(yù)測包圍盒的中心與柵格邊界的相對值，坐標(biāo)（w，h）代表了預(yù)測的包圍盒的寬高與整幅圖像寬高的比例。在預(yù)測包圍盒的同時，如圖1（b）所示，每個柵格還需要預(yù)測3個條件類別概率。即對每一個柵格，分別預(yù)測其屬于背景，完整絕緣子、缺失絕緣子的概率。在一個柵格包含絕緣子時，預(yù)測它屬于完整絕緣子或缺失絕緣子的概率應(yīng)該最大，在柵格不包含絕緣子時，預(yù)測它屬于背景的概率應(yīng)該最大。在圖1（b）中，深灰色柵格表示預(yù)測屬于缺失絕緣子，淺灰色柵格表示預(yù)測屬于完整絕緣子，黑色柵格表示預(yù)測背景。

1.2 網(wǎng)絡(luò)設(shè)計

整個模型的卷積神經(jīng)網(wǎng)絡(luò)主體架構(gòu)中所采用的Darknet-19。與VGG網(wǎng)絡(luò)相似，該網(wǎng)絡(luò)主要采用3×3的卷積核并且每次池化后，擴大一倍通道數(shù)。同時，該網(wǎng)絡(luò)借鑒了NIN（Network in Network，NIN）的思想，在3×3的卷積之間使用（1×1）的卷積核來壓縮特征圖。與其中的處理相同，保持網(wǎng)絡(luò)前面的卷積層不變，用來提取圖像特征，只是將最后幾層全連接層進行修改，根據(jù)卷積層提取的圖像特征來預(yù)測絕緣子在圖像中的位置和是否缺失的類別概率值。

2 實驗結(jié)果與分析

2.1 數(shù)據(jù)集

深度學(xué)習(xí)算法通常需要大量的標(biāo)注數(shù)據(jù)來訓(xùn)練模型，通過反向傳播算法，使得模型學(xué)習(xí)到較好的參數(shù)來擬合從輸入到輸出間的映射?；诖?，我們?nèi)斯?biāo)注了大約700張無人機航拍照片作為訓(xùn)練數(shù)據(jù)集。

2.2 實驗

實驗結(jié)果示例圖像如圖2所示，導(dǎo)線、塔桿等表示完整絕緣子，方框標(biāo)出來表示缺失絕緣子。結(jié)果表明，基于YOLO的絕緣子檢測算法，能夠較準確地檢測出無人機航拍照片中的絕緣子，同時能夠正確地區(qū)分出完整與缺失絕緣子。

對測試集中的100張無人機航拍照片的實驗結(jié)果如表1所示。統(tǒng)計結(jié)果表明，本文的方法，在保持檢測準確率較高的同時，檢測每張圖像平均只需要0.69s，達到了較快的速度。出現(xiàn)誤檢的主要原因是訓(xùn)練數(shù)據(jù)集的照片數(shù)量不充足。目前，本文只使用了719張照片進行訓(xùn)練，并且，這些照片中有許多是相同絕緣子。這些因素導(dǎo)致模型沒有足夠的泛化能力。

3 結(jié)語

絕緣子缺失檢測的精度和速度關(guān)系到輸電線路運行的穩(wěn)定性，本文針對無人機航拍照片，提出基于YOLO的絕緣子檢測算法，根據(jù)實驗效果表明，其能夠高效、準確地識別航拍照片中的完整絕緣子和缺失絕緣子，能夠滿足工程應(yīng)用的要求。

參考文獻

[1] Zhai Yong-Jie，Wang Di，Wu Yang， et al. Two-stage Recognition Method of Aerial Insulator Images Based on Skeleton Extraction[J]. Journal of North China Electric Power University（Natural science edition），2015（3）：105-110.

[2] 李勛，張欣，黃榮輝，等.無人機在電力行業(yè)的應(yīng)用及需求分析[J].電氣應(yīng)用，2015（S2）：773-775.

[3] 彭向陽，劉正軍，麥曉明，等.無人機電力線路安全巡檢系統(tǒng)及關(guān)鍵技術(shù)[J].遙感信息，2015（1）：51-57.