航拍圖像中絕緣子缺失故障檢測的級聯模型

伋 淼 邢鎮委 張夢龍

（安徽理工大學 電氣與信息工程學院，安徽 淮南232000）

近年來，采用無人機攜帶攝像機對輸電線路關鍵部件進行檢測，具有靈活性強、體積小、成本低等優點，受到越來越多的關注，如圖1 所示[1，2，3]。對于航空圖像中的絕緣子串檢測和絕緣子故障檢測，人們提出了許多基于視覺的方法來實現在線或離線應用中的自動檢測。一些典型的絕緣子故障，如缺失、閃絡和污穢，引起了廣泛關注。如果不能及時發現并修復缺失故障，有可能造成嚴重后果[4，5]。

早期的絕緣子缺損故障檢測方法通常是首先確定絕緣子串的大致位置[6]。在此基礎上，利用顏色、形狀和空間分布等多個特征先驗來檢測絕緣子缺失故障。然而，早期的方法只能在某些特定情況下取得良好的效果，而大多數方法都受到背景干擾、拍攝角度和距離的嚴重影響。此外，這些方法耗時較長，與實時應用相差甚遠[7，8，9]。近年來，深入學習理論的發展使絕緣子缺失故障檢測更加準確、高效。傳統方法采用Faster RCNN 模型來定位絕緣子串。隨后，使用FCN 模型從檢測到的絕緣子串中分割出每個絕緣子片，計算出各絕緣子片的中點，提出了一種基于中點的判斷絕緣子缺失故障位置的判據。然而，該方法的性能完全取決于FCN 模型的性能。為了彌補上述不足，該方法采用改進的Fast RCNN 訓練分類器，可以直接檢測出絕緣子缺失故障。

我們提出了一個新的級聯模型來檢測航空圖像中的絕緣子缺失故障。該模型包含兩個步驟：首先，我們通過整合一個新的SPP（空間金字塔池）模型，改進了我們先前工作中使用的網絡結構。改進后的網絡能夠更準確地檢測出絕緣子串，從而消除航空圖像中的大部分背景干擾。其次，將絕緣子串的檢測區域設置為RoI（感興趣區域），然后采用YOLOv3-tiny網絡來檢測絕緣子缺失故障。與以前的方法相比，我們提出的方法簡單而有效，該方法的平均運行時間僅為30ms 左右，能夠滿足實時應用的要求。

圖1 絕緣子故障無人機檢測

1 檢測方法

1.1 絕緣子串檢測

通過對大量航空影像的觀測，發現這些影像不僅含有絕緣子串，而且含有背景干擾，會影響絕緣子串檢測的準確性。在現實世界中，物體的大小大致可分為三類，即大尺寸、中尺寸和小尺寸。因此，利用同一管道中不同感受野的多尺度局部特征對絕緣子串檢測具有重要意義。隨著網深的增加，最大匯集濾波器尺寸應減小，以防止絕緣子串特性的喪失。本文提出的SPP模型可分為三個部分，第一部分采用四層空間金字塔（1×1、5×5、9×9、13×13）來最大限度地匯集特征地圖，與第一分支中使用的SPP 結構相比，第二部分和第三部分采用兩種不同最大池大小的新組合來提取特征地圖，大小逐漸減小。分別是11、55、77、11 11 和11、33、55、77，我們將其集成到我們的前一個網絡中，在第1、第2 和第3 個檢測報頭前面的第8 和第9、第19 和第20、第30和第31 個卷積層之間，形成網絡，如圖2 所示。F 表示特征圖（feature map）。

1.2 絕緣子缺失故障檢測

本文采用級聯模型檢測絕緣子漏失故障。首先，采用定位航空圖像中絕緣子串的位置。然后，將定位的絕緣子串的位置設置為RoI。最后，利用YOLOv3-tiny 網絡對RoI 內的絕緣子缺失故障進行檢測。

雖然絕緣子缺損故障不是真實的對象，但在固定尺寸的圖像中仍然有一定的維數范圍。為了使YOLOv3-tiny 網絡更易于學習，采用k-means 算法得到絕緣子缺失故障的先驗邊界框，結果如圖3 所示。根據圖4 的觀察，發現k=6 后，平均IOS 值緩慢增加。因此，本工作將絕緣子缺失故障的先驗邊界框先級設為6 個（IoU=83.13%），相應的邊界框優先級按大小升序排列：30，21；37，28；30，36；48，36；50，48；68，62。

圖2 提出的空間金字塔池（SPP）模型的體系結構

圖3 數據集上的聚類框維數

2 實驗結果與討論

2.1 改進特征提取網絡

在這項工作中，實驗是基于Darknet 框架進行的，實驗是在一臺新的PC 上進行的，它采用Intel（R）四核（TM）i7-8700K、3.7GHz CPU、32GB RAM 和NVIDIA GeForce TITAN XP（12 GB）。

2.2 絕緣子串檢測性能

網絡采用在ImageNet 數據集上預先訓練的ResNet50 網絡作為主干，而其他層的參數是隨機初始化的。在訓練階段，網絡的最大迭代次數設置為35000 次，學習率初始化為0.001。此外，經過20000 次和28000 次迭代后，學習率下降了90%。

本文選取了一些典型的絕緣子圖像，測試了絕緣子單個與多個，單個絕緣子是否完整，背景復雜與簡單情況下的檢測結果，以進一步展示所提出網絡的可視化性能。如圖4 所示，該網絡在幾種常見情況下都取得了良好的效果，這意味著它可以為后續的絕緣子缺失故障檢測提供準確的絕緣子串位置。

圖4 絕緣子串檢測網絡的實驗結果

2.3 絕緣子缺損故障檢測的性能

圖5 yolov3 方法和所提出方法的精確度和召回率

本節引入了平均準確率和平均召回率，并在數據集的測試集上驗證了該方法的性能。為了驗證該方法的準確性和魯棒性，我們將其與YOLOv3 進行了比較。圖5 分別顯示了這兩種方法的平均準確率和平均召回率。結果表明，YOLOv3 的平均精度為64.4%，本文比所提出的方法的平均精度為92.1%。這種情況表明，在使用YOLOv3 進行缺損故障檢測時，會產生大量的假陽性樣本，而本文提出的方法生成的假陽性樣本較少。此外，YOLOv3 方法的平均召回率達到59.8%，比本文所提出的方法（92.2%）低32.4%。

本文所提出的方法都取得了良好的效果，我們認為該方法有兩個優點：（1）所提出的級聯模型包含兩個部分，其中第一部分提出的網絡能夠準確定位絕緣子串，同時消除復雜的背景干擾。因此，有可能提高后續缺失故障檢測的準確性。（2）第二部分提出的級聯模型采用基于CNN 的模塊作為缺失故障檢測策略，與傳統算法相比，可以直接捕捉缺失故障的高層特征。綜上所述，在絕緣子缺失故障檢測中，該方法具有更高的精度和魯棒性。

3 結論

提出了一種新的級聯模型來檢測航空圖像中的絕緣子缺失故障。在我們提出的網絡中引入了一種新的空間金字塔結構，以提高絕緣子串檢測的精度。基于上述步驟，絕緣子串的檢測區域被設置為RoI，然后采用Yolo-v3tiny 網絡檢測RoI 中的絕緣子缺失故障。實驗結果表明，該模型在這兩個方面都比以前的方法取得了更好的效果。最重要的是，所提出的級聯模型的平均運行時間約為30 毫秒。因此，可以得出結論，所提出的方法具有應用于絕緣子缺失故障實時檢測的潛力。