基于U-Net網絡和橢圓度量學習的防震錘銹蝕識別

劉 軍，孫 慶，劉 瑋，康偉東，秦 浩，郭成英

(1.國網安徽省電力有限公司，安徽 合肥 230601； 2.安徽大學，安徽 合肥 230601； 3.安徽南瑞繼遠電網技術有限公司，安徽 合肥 230088)

0 引 言

高壓輸電線路中含有大量金屬部件，這些金屬部件常年遭受風吹日曬雨淋，容易發生銹蝕。發生銹蝕對輸電線路的安全運行造成了巨大隱患，因此對高壓輸電線路上的零部件進行銹蝕檢測研究的意義重大。防震錘是高壓輸電線路中常見的零部件，由于高壓輸電線一般位置懸空較高，兩個輸電塔間距較大，當受到風力作用時會使其發生振動，久而久之會損害輸電線路，因而需要采用防震錘來防止輸電線路的振動。若防震錘發生銹蝕可能會發生墜落，會對輸電線路下方的人或物造成傷害，所以對高壓輸電路中的防震錘進行檢查是很有必要的。

目前高壓輸電路上的防震錘銹蝕檢測主要依靠人工巡檢的方式，這種工作方式效率低下且主觀性較大。地勢復雜的地方會對檢測造成極大的不便。隨著計算機技術、圖像處理技術和無人機技術的快速發展，對于高壓輸電線路上零部件的故障檢測可以通過對無人機拍攝的照片進行處理來實現[1]。宋偉等人[2]利用直方圖均衡化、RGB彩色模型實現了對高壓輸電線路中防震錘的銹蝕檢測，但只適用于檢測形狀單一且邊緣清晰的防震錘的銹蝕。戴玉靜等人[3]利用顏色和紋理特征實現了對輸電線路銹蝕區域的檢測，將目標分成相同尺寸的區域，對比非銹蝕區域與銹蝕區域紋理特征得出結果，很好地解決了精度問題。由于高壓輸電線的環境復雜，在相對簡單背景下的檢測方法不能滿足現在電力系統銹蝕檢測的需求。

近年來，機器學習方法越來越多地被應用于目標檢測和識別中。王玉平提出了一種基于SVM的高壓輸電線路巡檢機器人障礙識別方法，該方法選擇目標圖像的梯度方向直方圖特征作為障礙的圖像描述，利用SVM模型進行多分類障礙識別[4]。金立軍等提出了一種基于AdaBoost分類器的防震錘識別方法，該方法提取類Haar特征產生多個弱分類器以構成強分類器，實現防震錘識別[5]。經典機器學習方法可以有效識別簡單背景下顏色和紋理較為顯著的防震錘，但檢測顏色或紋理不顯著的防震錘上的銹蝕的效果不佳。除了上述經典機器學習方法之外，深度學習方法也被應用于目標檢測中。葛園園等利用淺層VGG16網絡對自動駕駛場景下小且密集的交通標志進行檢測，獲得了較好的檢測效果[6]。湯踴等對深度學習方法在輸電線路部件識別與缺陷檢測中的應用進行了研究，研究結果表明深度學習方法在高壓輸電線路部件的識別與缺陷檢測中的有效性和可靠性都非常高[7]。訓練深度學習方法需要大量的訓練數據，訓練數據不足時，深度模型會產生過擬合問題，造成檢測或識別的精度下降。

距離度量在圖像分類、識別或檢測中起著重要的作用。利用距離度量可以實現目標的檢測或分類識別。文獻[8]提出了一種監督近鄰分類方法。文獻[9]利用貝葉斯分類器和k近鄰分類器的思想，提出了一種新距離度量方法。歐氏距離度量對所有的數據樣本特征都具有同等作用，不會考慮數據樣本特征之間的從屬關系[10]。針對突出數據樣本的不同屬性特征，目前應用較多的是使用馬氏度量[11]代替歐氏度量，例如參考文獻[12]中提出的大區間最近鄰算法，從部分相鄰學習來實現分類效果。文獻[13]提出了一種基于數據樣本圖像到類距離測量的分類算法，該算法借用最近鄰思想測量數據樣本之間的馬氏距離來實現分類。

該文以無人機拍攝的高壓輸電線圖像為研究對象，利用深度學習中的U-Net網絡，實現復雜背景條件下的高壓輸電線防震錘分割，降低復雜背景的干擾。訓練U-Net網絡可用較少的訓練樣本，避免訓練樣本不足時一般深度模型的過擬合問題。再利用橢圓度量學習的方法對小樣本下的防震錘圖像特征進行度量，實現銹蝕的精確識別，節約人力資源，降低成本。

1 基于U-Net網絡的防震錘分割

U-Net網絡[14]如圖1所示，該網絡的一個重要特點是可用較少的數據樣本進行訓練。整個網絡共含有23層卷積層，可以分為兩個部分：壓縮通道與擴展通道。兩個通道相互作用相互促進。整個網絡類似于一個大大的U字母，因此取名為U-Net網絡。整個網絡結構非常簡單，網絡的前半部分的作用是進行特征提取，后半部的作用是進行上采樣操作。具體地，網絡首先將原圖經過2次3*3*64的卷積核的卷積操作變換成568*568*64大小的特征圖，接著進行最大池化操作變換成284*284*64，然后重復上述操作4次之后到達最底層時其特征圖的大小會變換成28*28*1 024。最后，在這基礎上進行4次反卷積上采樣過程，直到獲得輸出388*338*2大小的特征圖。

圖1 U-Net網絡結構示意圖

U-Net語義分割網絡模型是基于FCN的改進和擴展。采用了FCN對于數據樣本語義分割的思想，但結構更加簡單有效，即利用卷積層、池化層進行特征提取，再利用反卷積的操作還原圖像尺寸。U-Net網絡共進行了4次采樣過程，并在同一個層次上使用了跳層連接的操作，從而保證了最后恢復出來的特征能融合更多的低層特征圖。與FCN網絡相比，U-Net網絡直接避免在高層特征中進行監督和損失計算，而是結合了低層的特征圖。采用完全不同的特征融合方式使得不同尺度的特征通過向量拼接形成更加深厚的特征進而得到更加精準的輸出特征圖。利用U-Net網絡對防震錘圖像進行分割的框架如圖2所示。

圖2 防震錘圖像分割框架

2 橢圓度量學習

給定一個可逆對稱矩陣M∈R(n+1)×(n+1)，定義雙線性形式：

(1)

其中，x,y∈Rn是輸入向量。記ω(x,y)為ωxy，令En={x∈Rn:ωxx>0}，定義ρE:En×En→R+，則橢圓型度量如下所示：

k>0

(2)

其中，1/k是橢圓幾何空間的曲率。

根據上述定義可以知道，橢圓度量學習依賴于一個對稱矩陣M，對給定一個對稱矩陣就可以確定一個橢圓-度量。然而數據的統計特性在一定程度上反映了樣本數據的幾何結構，因此可以通過對給定訓練樣本數據的學習，尋找一個橢圓度量矩陣使得相應的度量學習在某種學習準則下能達到最優效果。根據傳統的馬氏度量學習中經常被使用的LMNN準則[15]，可以得到文中橢圓度量學習準則下的最優化問題：

(3)

其中，xj是xi的目標近鄰，記j→i。給定一個二值矩陣yij∈{0,1}來表示樣本數據xi與樣本數據xj的類標簽是否相同，yij=1表示樣本數據類別相同，yij=0表示樣本數據類別不同。μ代表的是平衡參數。ξijl≥0表示的含義是標簽不同的樣本數據xl侵入由xi的目標近鄰xj定義的xi的周圍邊界的數目。即ξijl≥1+dE(xi,xj)-dE(xi,xl)。

為了求解橢圓度量矩陣M，對M進行Cholesky分解[16]：

M=LTL

(4)

因而求解橢圓度量矩陣M就變成求解Cholesky分解后的三角矩陣L。然后該文再通過梯度下降法獲得最優的變換矩陣L，通過變換矩陣L最終可以獲取到橢圓度量學習中的最優橢圓度量的矩陣M=LTL，算法學習流程如下所示：

(1)設置初始度量矩陣M0為單位矩陣，k=0；

(2)對初始度量矩陣M0進行分解，M=LTL；

(3)計算式(3)中的目標函數：

(4)計算Ψ(L)對L的梯度：

(6)收斂后得到L的值并求得橢圓度量矩陣M=LTL。

3 算法流程和步驟

選取無人機拍攝的含有防震錘的輸電線路圖像，為了減少亮度對于圖像的影響，將采集到的圖像進行了歸一化和均衡化預處理。首先，利用U-Net網絡分割出防震錘，提取防震錘圖像的HSV顏色和LBP紋理特征；然后，根據橢圓度量學習算法學習出最優的橢圓度量矩陣；最后，橢圓型度量dE(x,y)計算高壓輸電線路中的研究目標防震錘圖像特征之間的相似性，從而實現防震錘銹蝕的識別。算法流程如圖3所示。

圖3 算法流程

4 實 驗

實驗選用的是180張不同背景下的無人機拍攝的含有防震錘的輸電線路圖像，部分實驗圖像如圖4所示。實驗環境為：CPU Intel(R)Core(TM) i7-6700，GPU Nvidia GeFore GTX TITAN X，32 GB內存，Python3.6和Matlab2016a作為編程語言。

圖4 部分輸電線路圖像

首先利用U-Net網絡算法對輸電線路圖像中的防震錘進行分割，同時和Otsu[17]、圖割[18]以及超像素方法[19]的分割結果進行對比，如圖5所示。從圖中可以看出，文中方法取得了較好的分割結果，其他方法分割的防震錘不完整，信息丟失較多,不利于后續銹蝕識別。

圖5 分割結果對比

分割后得到546個單幅防震錘圖像，其中發生銹蝕的有220幅，正常的有326幅。對其提取HSV顏色[20]和LBP紋理特征[20]，分別利用支持向量機[21]、隨機森林[22]、Adaboost[23]、歐氏度量以及文中橢圓度量方法進行防震錘的銹蝕識別，同時利用常用的深度學習框架中的VGG16網絡[24]直接對防震錘圖像進行銹蝕識別，防震錘銹蝕識別的正確率(識別率)以被預測為實際樣本的數據樣本數除以樣本總數來表示，即實際正樣本被預測正確的概率。實驗結果如圖6所示，從圖中可以看出，文中方法通過度量學習獲得了最優的度量矩陣，因此對銹蝕防震錘特征的識別率最高。

圖6 不同方法識別結果對比

5 結束語

利用U-Net將復雜背景條件下的高壓輸電線防震錘進行完整分割。U-Net網絡在小樣本下具有較優的性能，分割出來的防震錘較為完整。對分割后單個防震錘圖像進行特征提取，結合橢圓度量學習的方法獲取最優的橢圓度量，從而實現防震錘銹蝕缺陷的識別。提出的高壓輸電線路上的防震錘銹蝕識別方法也可以應用于其他電力零部件的銹蝕判別，為電力部門巡檢工作提供了良好的前期準備，方便后續進一步的檢測。