基于深度可分離卷積網(wǎng)絡(luò)的航拍絕緣子檢測

劉昶忻 李目

摘 要：針對傳統(tǒng)電氣絕緣子人工巡檢狀態(tài)效率低下的問題，提出了基于深度可分離卷積網(wǎng)絡(luò)MobileNetV2_SSD的航拍絕緣子目標(biāo)檢測方案。利用航拍無人機(jī)拍攝絕緣子數(shù)據(jù)集，并將其分配為訓(xùn)練集與評測集。通過訓(xùn)練集對MobileNetV2_SSD網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使其學(xué)習(xí)到航拍絕緣子特征。利用測試集對模型進(jìn)行效果評測，評測標(biāo)準(zhǔn)使用平均精確率與召回率，模型對航拍絕緣子定位達(dá)到了92.48%的平均精確率與71.42%的召回率，在含故障絕緣子標(biāo)簽數(shù)據(jù)集上的定位精度達(dá)到了82.47%的平均精確率與81.07%的召回率。得益于深度可分離卷積，有效減小了參數(shù)的運(yùn)算量，模型大小也壓縮至18.2 MB，成功在移動端部署。實(shí)驗(yàn)表明，基于深度可分離卷積網(wǎng)絡(luò)MobileNetV2_SSD的航拍絕緣子檢測方案，不論在檢測精度還是在模型大小上都具有很好的效果與表現(xiàn)。

關(guān)鍵詞：深度可分離卷積;絕緣子;目標(biāo)檢測;航拍圖像

0 引言

絕緣子在電氣傳輸線上有著重要的絕緣控制作用，一旦發(fā)生故障將會影響整條線路的正常運(yùn)行，不僅影響人們的正常生活，還會極大地減少電網(wǎng)的運(yùn)行和使用壽命。因此，亟需提出一個(gè)及時(shí)有效的絕緣子故障檢測方法，以有效減少電力傳輸線故障的發(fā)生。

為了對航拍圖像中的絕緣子故障進(jìn)行檢測與識別，國內(nèi)外已提出過不少相關(guān)的研究方法。傳統(tǒng)方法中，文獻(xiàn)[1]通過HOG提取絕緣子的局部特征，再通過傳統(tǒng)機(jī)器學(xué)習(xí)算法對其進(jìn)行檢測識別。文獻(xiàn)[2]通過絕緣子輪廓提取的方法對絕緣子邊緣進(jìn)行檢測，然而當(dāng)背景存在電塔等干擾時(shí)，邊緣提取也會存在干擾。文獻(xiàn)[3]通過圖像分割的方法，使絕緣子主體與背景分離，然而遇到復(fù)雜背景時(shí)分割效果將受影響。

近年來，深度學(xué)習(xí)在目標(biāo)檢測、圖像識別領(lǐng)域取得了巨大的成果。張倩[4]基于改進(jìn)LeNet_5網(wǎng)絡(luò)結(jié)構(gòu)，通過添加反饋機(jī)制調(diào)節(jié)卷積核的大小和個(gè)數(shù)，使檢測準(zhǔn)確率達(dá)到平均89.20%，然而該方法的網(wǎng)絡(luò)結(jié)構(gòu)相對簡單，在負(fù)樣本不足時(shí)容易陷入過擬合現(xiàn)象。Zhengbing Zhao[5]改進(jìn)了Fast RCNN，對不同長徑比和尺度的絕緣子以及相互遮擋的絕緣子有很好的檢測作用，AP精度達(dá)到81.8%。然而這些模型無法部署在移動終端，電力檢測人員在野外遇到移動信號不穩(wěn)定或者斷網(wǎng)的情況時(shí)，無法對絕緣子狀態(tài)進(jìn)行檢測，實(shí)時(shí)性差。

本文將基于深度可分離卷積網(wǎng)絡(luò)MobileNetV2_SSD對航拍絕緣子進(jìn)行目標(biāo)檢測與識別，其不僅對絕緣子具有優(yōu)秀的檢測精度，同時(shí)也使絕緣子檢測模型能部署于移動端。

1 絕緣子目標(biāo)檢測算法

MobileNetV2通過深度可分離卷積[6]構(gòu)建輕量化神經(jīng)網(wǎng)絡(luò)模型，可有效減小模型大小。通過借鑒ResNet網(wǎng)絡(luò)，使用倒殘差結(jié)構(gòu)，網(wǎng)絡(luò)在具有更深層數(shù)的同時(shí)避免了梯度消失現(xiàn)象的發(fā)生。經(jīng)MobileNetV2對網(wǎng)絡(luò)進(jìn)行特征提取后，由SSD網(wǎng)絡(luò)對目標(biāo)區(qū)域進(jìn)行檢測。這一套由MobileNetV2負(fù)責(zé)特征提取，再由SSD網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測的模型就稱為MobileNetV2_SSD模型。

1.1 ? ?深度可分離卷積

深度可分離卷積將一個(gè)傳統(tǒng)的卷積運(yùn)算分成深度卷積層與點(diǎn)卷積層。深度卷積層用于對輸入圖像的每個(gè)通道進(jìn)行濾波。點(diǎn)卷積層是一個(gè)1×1的卷積層，通過計(jì)算輸入通道的線性組合來構(gòu)建新的特征，用于合并深度卷積層的輸出。標(biāo)準(zhǔn)卷積核如圖1（a）所示，深度卷積核如圖1（b）所示，點(diǎn)卷積核如圖1（c）所示。

深度可分離卷積可以有效減少模型的運(yùn)算量。對于輸入尺寸為DF×DF×M的圖像F，預(yù)期得到輸出尺寸為DF×DF×N的圖像G。其中DF表示圖像的長度與寬度;M表示輸入圖像F的通道數(shù);N表示輸出圖像G的通道數(shù)。

標(biāo)準(zhǔn)卷積核的尺寸為DK×DK×M×N。其中DK表示標(biāo)準(zhǔn)卷積核的長度與寬度;M表示輸入尺寸的通道數(shù);N表示輸出通道數(shù)。輸入圖像經(jīng)標(biāo)準(zhǔn)卷積核進(jìn)行運(yùn)算的運(yùn)算量為：

DF·DF·M·N·DK·DK（1）

在深度可分離卷積中，深度卷積層尺寸為DK×DK×1×M，每次僅對輸入圖像的一個(gè)通道進(jìn)行運(yùn)算，一共進(jìn)行M次。輸入圖像F，經(jīng)深度可分離卷積處理后的總運(yùn)算量等于其經(jīng)深度卷積層與1×1的點(diǎn)卷積的運(yùn)算量之和，即：

DF·DF·M·DK·DK+DF·DF·M·N（2）

基于此，經(jīng)深度可分離卷積，相比標(biāo)準(zhǔn)卷積操作，運(yùn)算量縮小比例為：

故深度可分離卷積可有效降低卷積的運(yùn)算數(shù)量。且MobileNetV2引入線性瓶頸層來去除非線性層帶來的信息缺失，并在瓶頸層中進(jìn)行短接以減少輸入向量。

1.2 ? ?模型結(jié)構(gòu)

MobileNetV2_SSD的模型結(jié)構(gòu)如圖2所示。

MobileNetV2_SSD模型由兩部分組成，其中圖片的特征提取部分由MobileNetV2主體框架完成，SSD負(fù)責(zé)對圖片中的主體進(jìn)行目標(biāo)檢測。MobileNetV2的基本模塊是由深度可分離卷積構(gòu)成的瓶頸層（Bottleneck），對于不同步長的深度可分離卷積，瓶頸層具有不同的結(jié)構(gòu)，如圖3所示。

當(dāng)步長為1時(shí)，使用短接（shortcut）可以提供更好的梯度下降能力;在計(jì)算精度較低時(shí)使用具有更好魯棒性的Relu6作為非線性激活函數(shù);使用3×3的標(biāo)準(zhǔn)卷積核可以較好地控制每層的輸出圖像尺寸。當(dāng)步長為2時(shí)，輸出層尺寸為輸入層的一半。

MobileNetV2_SSD的中MobileNetV2整體網(wǎng)絡(luò)構(gòu)成如表1所示。其中，每行由一個(gè)或多個(gè)完全相同的模塊，用n表示其重復(fù)個(gè)數(shù)。同一行的所有層都包含相同的輸出通道數(shù)C。每行的第一層步長用S表示，其余層的步長都為1，且所有的卷積核大小均為3×3。

2 實(shí)驗(yàn)與分析

本實(shí)驗(yàn)首先對數(shù)據(jù)集進(jìn)行構(gòu)造，將數(shù)據(jù)集分為訓(xùn)練集與評測集，其中包含正常與故障絕緣子。再利用訓(xùn)練集對上節(jié)所述的MobilenetV2_SSD模型進(jìn)行訓(xùn)練，從而學(xué)習(xí)到絕緣子形狀特征。最后利用評測集對模型精度進(jìn)行測評。本實(shí)驗(yàn)數(shù)據(jù)集包括600張的正常絕緣子圖片，248張故障絕緣子圖片，以4：1的比例，通過隨機(jī)打亂的方式將所有的航拍絕緣子數(shù)據(jù)分為訓(xùn)練集680張、測試集168張。通過LabelImg完成數(shù)據(jù)標(biāo)注。

2.1 ? ?評估準(zhǔn)測

通過兩種廣泛使用的目標(biāo)檢測評判標(biāo)準(zhǔn)來對模型檢測性能進(jìn)行定量評估：平均精確率（mean Average Precision，mAP）與召回率（Recall）。兩者的數(shù)值越高代表模型對航拍絕緣子的檢測能力越強(qiáng)，其中作為主要評判依據(jù)的mAP值，可由精確率（Precision）與召回率（Recall）計(jì)算得到。

式中：TP表示檢測為真的結(jié)果中實(shí)際為真的數(shù)量;FP表示檢測為真的結(jié)果中實(shí)際為假的數(shù)量;FN表示檢測為假的結(jié)果中實(shí)際為真的數(shù)量。TP，F(xiàn)P，F(xiàn)N值由交并比（IoU）的權(quán)值決定。

由Precision和Recall繪制出以Recall為橫坐標(biāo)的PR曲線，對于每一個(gè)閾值，都有一個(gè)對應(yīng)的最大Precision。對這些Precision值求平均即可得到精確率均值（Average Precision，AP），將所有的類別對AP值取平均即可得到平均精確率（mAP）。

2.2 ? ?實(shí)驗(yàn)參數(shù)

使用MobileNetV2_SSD對航拍絕緣子訓(xùn)練集進(jìn)行訓(xùn)練，實(shí)驗(yàn)參數(shù)如表2所示。

2.3 ? ?實(shí)驗(yàn)結(jié)果及分析

隨著模型迭代次數(shù)的不斷增加，模型的損失值（loss）呈下降趨勢并收斂，損失曲線如圖4所示，平均精確率曲線如圖5所示，召回率曲線如圖6所示。

其中MobileNetV2_SSD_withfault表示MobileNetV2_SSD模型在含故障絕緣子標(biāo)簽數(shù)據(jù)集上的表現(xiàn)。

由于使用的是便于移植移動端的輕量化網(wǎng)絡(luò)，故僅與同類型的MobileNetV1_SSD進(jìn)行對比，實(shí)驗(yàn)結(jié)果如表3所示。

由表3可以看出，MobileNetV2_SSD對航拍絕緣子的檢測精度達(dá)到了92.5%，召回率達(dá)到71.4%，且模型體積控制在18.2 MB。對于含有故障絕緣子的航拍絕緣子數(shù)據(jù)集，MobileNetV2_SSD的檢測精度為82.47%，召回率為81.07%。不論在模型精度還是模型大小上MobileNetV2_SSD都明顯優(yōu)于MobileNetV1_SSD。其對航拍絕緣子的檢測效果如圖7所示。

通過TF_Lite深度學(xué)習(xí)框架對MobileNetV2_SSD航拍絕緣子檢測模型進(jìn)行移動端移植，開發(fā)環(huán)境使用Android Studio 3.1.2，Java語言。在手機(jī)移動端上的航拍絕緣子狀態(tài)實(shí)時(shí)檢測結(jié)果如圖8所示。

3 結(jié)語

本文基于輕量化目標(biāo)檢測網(wǎng)絡(luò)MobileNetV2_SSD，對航拍圖像的絕緣子進(jìn)行檢測，通過數(shù)據(jù)標(biāo)注的方式創(chuàng)建航拍絕緣子數(shù)據(jù)集，并以4：1的比例合理分配訓(xùn)練集與測試集。將MoblieNetV2_SSD網(wǎng)絡(luò)在訓(xùn)練集上進(jìn)行訓(xùn)練，使其學(xué)習(xí)到絕緣子特征。在測試集上實(shí)現(xiàn)了平均精確率92.48%，召回率71.42%，對故障絕緣子數(shù)據(jù)集的定位達(dá)到了82.47%的平均精確率與81.07%的召回率，有效證明了該模型對航拍絕緣子的高檢測精度。深度可分離卷積的結(jié)構(gòu)設(shè)計(jì)，將模型大小控制在18.2 MB，并在移動端實(shí)現(xiàn)了部署。

[參考文獻(xiàn)]

[1] 黃新波，張慧瑩，張燁，等.基于改進(jìn)色差法的復(fù)合絕緣子圖像分割技術(shù)[J].高電壓技術(shù)，2018，44（8）：2493-2500.

[2] IRUANSI U，TAPAMO J-R，DAVIDSON I E.An active contour approach to insulator segmentation[C]//12th IEEE Africon International Conference，2015：556-560.

[3] QI Y C，XU L， ZHAO Z B，et al.A Cosegmentation Method for Aerial Insulator Images[C]//10th Conference on Image and Graphics Technologies and Applications，2015：113-122.

[4] 張倩，王建平，李帷韜.基于反饋機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)絕緣子狀態(tài)檢測方法[J].電工技術(shù)學(xué)報(bào)，2019，34（16）：3311-3321.

[5] ZHAO Z B，ZHEN Z，ZHANG L，et al.Insulator detection method in inspection image based on improved faster R-CNN[J].Energies，2019，12（7）：1-15.

[6] SANDLER M，HOWARD A，ZHU M，et al.MobileNetV2：Inverted residuals and linear bottlenecks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition，2018：4510-4520.

收稿日期：2020-12-07

作者簡介：劉昶忻（1996—），男，湖北武漢人，碩士研究生，研究方向：故障診斷、深度學(xué)習(xí)。