基于YOLOv2無人機高壓絕緣子實時檢測研究

王博文，劉興東

(國網湖北省電力有限公司檢修公司，湖北 武漢 430064)

1 引言

在高壓輸電線路中絕緣子為電力線導體提供隔離和機械支撐，對線路的安全穩定運行起著至關重要的作用。在泄漏電流大、污穢或惡劣的環境條件下，絕緣子在電氣和機械應力下持續運行，很容易發生故障或損壞[1]。采用傳統方法(如地面巡邏、儀表測量和爬桿等)監測高壓絕緣子，可能效率低、耗時長和成本高。因此，實施基于視覺的檢查，如直升機和無人機的空中檢測高壓絕緣子已經成為一種趨勢[2]。

對于評估污穢、結冰、疏水性、老化等方面的絕緣子表面評估研究已有很多[3]，但是在評估之前，需要對絕緣子框架進行精確定位，一些研究集中在使用絕緣子的紋理或顏色特征來確定絕緣子位置；然而，航空影像在復雜背景、植被和光照條件變化下的應用面臨困難，使得上述方法在該領域的應用效果不佳[3]，而深度學習神經網絡技術的應用克服了這些挑戰，并取得了良好的效果。

絕緣子實時檢測的深度學習實現面臨訓練數據量有限、組件小、不平衡問題、環境雜亂等挑戰[3]，本文旨在為這些問題提供有效的解決方案。

2 YOLOv2檢測模型

在考慮了速度和精度之后，you only look once version 2(YOLOv2)網絡更適合實時系統中建立，本文利用航空圖像中的YOLO(You Only Look Once)深度學習神經網絡模型來進行高壓絕緣子實時檢測，實現無人機實時自動監測。該架構優于現有卷積神經網絡(CNN)網絡的實現，如VGG、Resnet和單次多盒檢測(SSD)算法。

YOLOv2模型對對象的預測原理就是基于對象在某個邊框界的概率得分。在第一階段，輸入圖像被分割成如圖1(a)所示的S×S網格。如果目標的中心落入網格單元，則該網格單元負責檢測該目標；每個網格單元預測B個邊界框和這些框的置信度得分，如圖1(b)所示；最后的包圍盒使用非最大抑制(NMS)算法找到(見圖1(c))。注意，每個邊框界都有自己的置信度得分(C)，它表示包含一個對象的概率，沒有對象的網格，以及低概率(置信度得分)將被刪除。

圖1 YOLOv2檢測過程

如圖1所示，圖像被一個6×6的網格劃分，每個網格單元的邊界框預測集合數為3，由于只有一類YOLO預測將以下列形式進行:(6，6，3×5＋1)＝(6，6，16)。 YOLOv2網絡與其他 CNN模型的主要區別在于能夠同時進行對目標檢測和分類訓練。第二版YOLO在召回率和定位方面有了顯著提高，但仍有準確的結果。改進是通過批量歸一化、用于邊界框預測的錨框、聚類和擴展特征圖來實現的。

YOLOloss函數由3個主要成分組成:(1)分類；(2)定位；(3)置信度損失。分類損失表示每個單元格檢測目標的概率。定位損失表示檢測到的邊界框位置和大小與地面真值的比較。而置信度損失則是找到的框與真實框之間的結合的交點。

3 實驗結果與分析

基于Yolo2的無人機高壓絕緣子檢測與表面狀態監測的總體流程如圖2所示。利用無人機采集玻璃絕緣子數據集，該數據集由3500張大小為640×480的標記圖像組成，包括植被和塔樓等背景復雜的圖像。為了訓練和驗證YOLOv2模型，需要為每個圖像形成注釋。ViTBAT注釋工具用于生成標簽，即左上角的坐標、寬度和高度[4]。

圖2 基于Yolo2的無人機高壓絕緣子檢測與表面狀態監測的總體流程圖

YOLOv2網絡模型的輸入是邊界框的中心點，寬度和高度，對圖像大小進行歸一化處理，使其值位于 0 和 1 的范圍內。 在{class，x，y，width，height}格式下，一些邊框界位置的例子包括{0，0.5422，0.5552， 0.0625， 0.4104}， {0， 0.4727， 0.5333，0.0609， 0.4042}， {0， 0.3891， 0.4354， 0.0375，0.1125}，{0，0.3742，0.9510，0.0391，0.0896} 和{0，0.3313，0.95，0.0375，0.0958}。

為了避免因數據量不足而過擬合，采用了不同的增強技術:(1)高斯噪聲:圖像用白噪聲大小進行縮放，按定義分布采樣；(2)模糊:高斯(σ介于0～3.0之間)、平均(局部均值)和中值模糊(局部，值大小介于2～7之間)；(3)旋轉和縮放:在圖像邊界方面，旋轉和縮放的使用是相輔相成的，旋轉－45°～45°，對應縮放 80～120%。；(4)加法:在 －45～45鄰域像素之間添加隨機值；(5)乘法:將鄰域像素與隨機數相乘以產生更亮或更暗的效果。如圖3所示。

圖3 絕緣體檢測

算法1:生成圖像增強的隨機組合1:d e f g e n e r a t e A u g I n d(s e l f，n ＝ N o n e):2:i f n i s N o n e:3:n＝4 4:n m a x＝2? ?n 5:A u g I n d ＝ [s e l f.f i l l E l e m(l i s t(b i n(x)[2:])，n，0)f o r x i n r a n g e(n m a x)]6:r e t u r n A u g I n d

數據增強技術是通過算法1隨機組合多個增強器完成的。通過數據增強器處理圖像后，為每張圖像生成帶有相應注釋的標簽，修改強度和噪聲值的圖像保持相同的標簽。

(1)檢測結果:數據增強后，數據集包括56000個樣本。在增強之前，數據集包括3000個正樣本和500個負樣本。然后將數據分割為90%測試和10%驗證:47600幅圖像用于訓練，8400幅用于測試階段。在訓練過程中，對配置文件進行了修改，使數據與定義的圖層類型、過濾器大小、輸入和輸出圖像的大小相匹配。模型的權值根據聯合交集(IOU)、目標條件概率和平均召回率不斷更新。圖3給出了在訓練好的網絡上應用各種數據增強后的絕緣子檢測結果。訓練參數:batch＝32，subdivisions＝8，momentum ＝0.9，decay＝0.0005，angle＝0，saturation＝1.5，exposure＝1.5，hue＝0.1。 平均預測時間為0.04s，平均預測精度約為88%。此處，0.04s顯示了使用無人機視頻拍攝進行實時預測的能力，其準確度為88%，可用于進一步評估絕緣子的狀態。

(2)比較:目前已有幾種絕緣子檢測方法。文獻[5－7]報道的基于CNN的方法使用了非最大抑制(NMS)算法、VGG和ResNet模型，但這些方法僅適用于少量樣本，計算效率低，過于復雜，無法在無人機系統中實現。文獻[8]中的較快版本的遞歸CNN(R－CNN)和U－net只使用了620幅圖像進行訓練，由于采用了選擇性搜索，因此計算時間相當大。近年來，文獻[9－10]提出基于單次多盒檢測(SSD)的級聯架構和用于絕緣子檢測的ResNet模型等在小目標上并不能很好地工作，需要圖像塊分類。最近文獻[11]提出了一種用于絕緣子分割的生成對抗網絡，該系統在適應性方面往往優于其他算法。但它是時間效率低，訓練是耗時長，其性能取決于圖像質量。較低的檢測精度意味著狀態監測變得不太準確，因為有些絕緣子將無法被檢測并排除在評估之外，而本文提出的檢測方法優于現有的所有這些技術。

(3)絕緣子表面狀態評估:絕緣子定位檢測后，可以對絕緣子表面狀態進行評估。為了報告識別絕緣子表面狀態的性能精度，我們利用無人機探測階段獲取的1000幅絕緣子圖像進行了60×60像素的縮放，其中包括干凈、水、雪和冰四種表面狀態的絕緣子。數據分為80%的訓練和20%的驗證。在進行分類之前，對檢測到的航空圖像進行局部均值歸一化去噪濾波。采用CNN、ReLu和softmax的3層神經網絡(NN)、貝葉斯網絡(Bayes net)、Random Forest和AdaBoost.M1等分類器對戶外絕緣子狀況進行分析，如表1所示，其中CNN性能最好，NN性能差。

表1 不同的分類器在清潔、水、雪和冰條件下絕緣子的分類精度

4 結論

本文提出了基于YOLOv2神經網絡模型的無人機高壓絕緣子實時檢測的實現方法，并對清潔、水、雪、冰表面的絕緣子進行狀態分類。該系統在無人機的實時情況下捕獲的航拍圖像上進行了測試，然后利用VitBAT注釋工具手工標記數據離線訓練YOLOv2模型，并使用多種數據增強工具避免訓練數據過擬合。該方法可擴展用于實時多類檢測，包括桿塔、桿塔和電力線的檢測。