基于無人機航拍的絕緣子掉串實時檢測研究

在以架空輸電線為主的電力傳輸中，多數絕緣子安裝在室外的高空環境，受自然條件和動物活動等影響極有可能出現爆裂、掉串和污穢等問題，將危害整條線路的正常運行和壽命，因此能及時發現故障絕緣子具有重要的現實意義.對于目前的電網規模，傳統的人工攀爬巡檢已不適用，而基于無人機的航拍圖像巡檢已成為主流，效率可達人工巡檢的40倍，且安全可靠.

在獲取航拍圖像后，利用機器視覺檢測絕緣子是否出現故障.在絕緣子故障檢測研究中，文獻[1]針對絕緣子爆裂和缺失問題，將最大類間方差法(Otsu)與形態學濾波結合對圖像預處理，用免疫遺傳Snake算法優化提取絕緣子邊界，計算絕緣子片數量后判斷是否出現故障；文獻[2]針對絕緣子自爆問題，基于Alexnet網絡實現檢測能力的提升.文獻[3]將改進的YOLOv3算法和全卷積網絡(FCN)相結合，優化絕緣子多類故障的檢測效果.基于電網不間斷運行的特點，運維人員若能在巡檢過程中通過實時檢測掌握絕緣子的故障所在，將極大提升工作效率，充分做好檢修的前期規劃工作.但實時檢測對算法的檢測速度和精度提出了更高要求.在提升檢測網絡的速度方面，可以通過減小網絡輸入大小(損失了精度)、量化網絡或使用特殊的推理引擎來實現，但這些方法具有較大的局限性，限制了使用場景.目前常用方法是對檢測網絡結構進行優化處理，文獻[4]以YOLOv4算法為基礎，對路徑聚合網絡(PANet)結構和聚焦損失函數進行優化，實現檢測速度和精度的小幅提升；文獻[5]針對交通監管領域的車輛實時監測，將YOLOv3的主干網絡更換為輕量級的EfficientNet網絡，同時改進融合機制，有效提升網絡的檢測精度，并兼顧檢測速度；文獻[6]設計了一種名為GS-YOLO的檢測網絡，基于Ghost模塊并利用模型壓縮技術，與YOLOv4相比在速度、精度和體積方面都有較大提升.

基于無人機平臺的實時檢測絕緣子故障研究很難實現精度、速度和體積3個方面的綜合提升.YOLOv5目標檢測算法具有快速、輕量的特點，為該領域的發展創造了一定條件.本文針對絕緣子掉串這一故障的實時檢測進行研究，嘗試通過高清圖傳實時采集圖像，由車載或手持上位機完成圖像檢測工作.以YOLOv5s檢測網絡為基礎，首先將原PANet網絡替換為雙向特征金字塔網絡(BiFPN)，以提升特征融合能力，引入DIoU對損失函數進行優化；其次對模型中批量歸一化(BN)層通道進行稀疏正則化處理，通過縮放因子()篩選不重要通道并將其剪切，利用微調技術解決修剪后網絡精度的精度丟失問題，在擴增的絕緣子掉串數據集中進行驗證；最后在網絡輸出處進行圖像增強處理，盡可能降低背景對絕緣子的成像干擾，總體上增強算法在絕緣子掉串檢測中的部署能力和可用性.通過上述方法，絕緣子掉串的巡檢過程將更加高效便捷，更好地輔助運維人員完成絕緣子掉串的初檢工作，提前做好檢修規劃，提高工作效率.

1 目標檢測算法

YOLO是一種利用回歸思想處理圖片的目標檢測網絡，其將整張圖片送入網絡，解決了圖像目標的分類和定位問題，是該系列算法的開山之作；相較于前代，YOLOv2在準確性、處理速度和識別種類3方面進行了迭代升級；YOLOv3采用了全新的Darknet-53網絡，在多個方面做出優化，被廣泛應用于工業領域；YOLOv4在前代基礎上，加入許多有效的改進方法，大大提升了算法的綜合性能；相較于前代，YOLOv5在可部署性、速度和體積方面有了更大提升，在公開數據集PASCAL-VOC、Kaggle和COCO中表現優異，基本結構如圖1所示.其中，將輸入圖片轉化640像素×640像素的RGB三通道輸入；CBL為卷積、池化和激活函數組成的功能模塊；CSP由跨階段局部網絡組成(CSPNet)的功能模塊，依照結構和功能分為CSP1和CSP2兩類；骨干和預測部分的數據均為像素值.YOLOv5總體上分為輸入、骨干、頸部和預測4個部分，分別用于輸入預處理、特征提取、特征融合和檢測.

從譯文的語言看，對于原文“And looked down oneasfar as I could”一句，譯文一譯為“極目望去”，譯文二譯為“極目望一徑”，“極目”一詞較好地解釋了asfar as Icould想傳達的感覺，相比之下方版譯文中的“遠遠望去”的效果稍顯不足。

在檢測過程中，大于閾值則算作正確，否則算作錯誤.其中，真陽性(TP)即正確樣本預測為正；假陽性(FP)即錯誤樣本預測為正；假陰性(FN)即正確樣本預測為負，沒有檢測到框；真陰性(TN)即錯誤樣本預測為負.準確率()和召回率()計算如下：

骨干部分負責提取特征映射，通過多次的卷積和池化操作，從輸入中提取不同尺寸的特征圖像.其中切片處理對3層640像素×640像素的輸入圖片進行切片操作，最終獲得32層160像素×160像素的特征圖，切片操作處理效果如圖5所示.該結構可以提高網絡的運行速度.Yolov5設計了兩種CSP結構，以Yolov5s網絡為例，CSP1_X結構應用于骨干的主干網絡，另一種CSP2_X結構則應用于頸部.CSP結構增強了網絡的學習能力，減少了計算和內存消耗.骨干部分通過卷積操作，生成了大小分別為80像素×80像素、40像素×40像素和20像素×20像素的特征圖，頸部結構融合這3種特征圖后可獲得更多上下層信息并減少信息丟失.在融合過程中，采用PANet的特征金字塔結構，如圖6所示.其中，FPN為特征圖金字塔網絡，PAN為像素聚合網絡.

上個世紀50年代至70年代，閩臺方言合唱音樂作品得到了進一步的發展。主要有楊揚的混聲合唱《閩南漁歌》《月光暝》等作品，呂泉生的《六月田水》《兩只蜻蜓》，同時，還有采用歌仔戲曲調創作的閩南語合唱作品《農村酒歌》等[3]。

卷積的層數越深，特征提取程度越深，該層攜帶的語義信息越強，位置信息越弱，如圖7所示.假設在7像素×7像素的特征圖上，每單元的感受野為1，經卷積層1后感受野為3，經卷積層2后感受野為5，此時每個單元能感受原圖中5×5的區域范圍，因此適合檢測圖像中較大的物體，但對相對位置信息的感知變差.所以，FPN結構將強語義特征從深層傳遞至淺層，同時PAN結構將強位置特征從淺層傳遞到深層，這兩種結構共同加強了頸部結構的特征融合能力.在預測部分的檢測過程中，YOLOv5以GIoU為損失函數.IoU函數的示意圖如圖8所示，計算公式如下.

隨著我國信息化技術的不斷發展，許多銀行在日常的運營過程中也都已經運用計算機技術來形成了自身的數據庫管理系統，其對于銀行管理水平的提升也有著非常重要的意義。但是目前許多銀行在信息化技術的應用以及建設過程中還存在有比較多的安全問題，并直接威脅到了該銀行的持續穩定發展。針對這一問題，也就要求各銀行能夠在已有基礎上來對信息化管理系統以及數據庫系統進行不斷的更新與優化，來促使自身的信息管理能力得到進一步的提升。只有在結合客戶實際需求的基礎上進行信息的準確把握跟及時決策，才能夠給用戶進行全方位金融服務的有效提供。

(1)

式中：和分別為真實標注框和算法預測框，當與不相交時，=0，在很大范圍內(不相交的區域)，損失函數沒有梯度，可用GIoU函數解決該問題.假設找到一個最小的封閉形狀，使得可以把和包含在內，計算中不含和的面積占總面積的比率，令IoU值減去這個比率，表示為

(2)

2 算法改進

為同時提升檢測算法的速度、精度以及減小模型體積，本文以輕量的YOLOv5s網絡模型為基礎，采用BiFPN特征融合、DIoU損失函數優化，進行系數通道剪枝和微調技術優化網絡，改進原生網絡的綜合性能，在最后輸出層加入圖像增強技術提升可視化效果，提高算法的實用性.

2.1 BiFPN特征融合和損失函數

算法將PANet結構替換為效果更佳的BiFPN結構，以更好平衡不同尺度的特征信息，PANet只有一條“由上至下”路徑和一條“由下至上”路徑，而BiFPN重復堆疊，獲得更高級的特征融合方式，如果輸入和輸出的結點是同一尺度，則添加一條額外通道，在不損失信息的同時融合更多特征.BiFPN結構如圖9所示，其中～為路徑.

DIoU將目標與目標先驗框之間的距離、重疊率和尺度都考慮在內，使得目標框回歸變得更穩定.與IoU和GIoU不同，DIoU在訓練過程中不會出現發散等問題，更加符合目標框回歸的機制，效果如圖10所示.其中，和分別為預測框(綠色虛線框)和真實框(黑色虛線框)的中心點，為預測框和真實框的距離，最外圍的灰色虛線框為能夠同時包含預測框和真實框的最小包閉區域，為該包閉區域的對角線距離.此時，DIoU的計算公式為

(3)

式中：為計算兩個中心點間歐氏距離的函數.當兩個絕緣子過于接近時，其中一個絕緣子的預測框很可能被濾除，利用DIoU可在一定程度上提升對于靠近物體的檢測效果.

2.2 基于γ系數的通道剪枝和微調

針對多規合一實施建設項目選址機制不完善的問題，基于前述選址模型開發了“多規合一”平臺的項目選址輔助決策系統，利用“多規合一”平臺共享的空間數據，智能引導各類項目從合規性選址到量化優化選址。以基礎設施與服務項目、居住項目、工業項目三種項目選址為例，進行項目落地選址分析，對不同的項目將從因子庫中提取相關影響因子構建具體建設項目的因子評價體系見表4。

在通道稀疏正則化訓練時，需要將其強加到訓練的目標函數中，目標函數為

(4)

′=∑′+∑sign()

(5)

式中：sign為符號函數，此時即可獲取的最小值對縮放因子經過L1正則化并與權重損失函數聯合優化處理后，進入修剪通道階段.

在根據縮放因子修剪通道時，本質上是要剪切所有與該通道相關的輸入和輸出連接關系，獲得一個更窄的網絡，邏輯如圖12所示.

圖12中，縮放因子起到通道選擇的作用，通過的正則項和權重損失函數聯合優化，網絡會自動鑒別不重要的通道(小于閾值)，然后將其移除掉，幾乎不影響網絡的泛化性能.目前，大部分卷積神經網絡采用BN層使得網絡快速收斂并獲得更好的性能，通常BN層使用Mini-batch梯度下降法的統計特性將內部激活值歸一化，與縮放因子結合后，即產生如下所示的轉化：

(6)

本文的訓練環境為Windows10系統，搭載i7-10700FCPU@2.90 GHz、GeForce RTX 3060 GPU和32 GB的隨機存取存儲器，代碼基于PyTorch深度學習框架，Python版本為3.8，編譯所用的集成開發環境為PyCharm.

修剪不重要的通道后，檢測網絡的精度會有所下降，下降程度取決于剪枝率，一般可以通過微調剪枝之后的模型后再訓練使其精度恢復.微調網絡是指將預訓練模型網絡中的全連接層換成實驗數據集類別數的全連接層，且采用預訓練好的網絡參數為訓練的初始值，并在該網絡中采用相對較小的數據集即絕緣子掉串故障數據集進行再訓練，這將節約大量的訓練時間且有助于網絡性能的提高.通過上述方法，便可將通道稀疏正則化、根據縮放因子和微調修剪網絡3個步驟迭代使用，在精度無法提高時結束迭代，此時即可輸出一個緊湊高效的絕緣子掉串故障檢測網絡模型.

2.3 圖像增強

在無人機實際航拍中，實時檢測時的圖像會出現亮度過大、因天氣原因導致圖像不清晰以及背景復雜等問題，為減輕巡檢人員的視覺負擔，同時在一定程度上彌補故障部位檢測精度相對較低的問題，在改進的檢測算法輸出處進行圖像增強處理.將檢測到的絕緣子摳選出來，在其他窗口并行展示.對其進行插值放大處理后，分別采用自動色階算法、反色處理和拉普拉斯算子銳化等方法進行處理.采用上述方法在幾乎不影響實時檢測性能的同時優化缺陷部位的顯示效果，效果如圖13所示.絕緣子本體相對于掉串部位更易檢測，將絕緣子摳選并進行多種圖像增強處理，以此應對可能出現的由多種情況導致的圖像顯示不清晰問題，緩解監控壓力，提升巡檢工作效率.

基于YOLOv5s絕緣子掉串檢測模型在算力較低的上位機端運行時，檢測速度無法滿足要求.通過縮減輸入圖片尺寸可以提升檢測速度，減少運算量，但是這將極大降低檢測效果，同時模型體積依然在14 MB左右，因此需要對模型進行壓縮.在檢測算法的壓縮處理中，基于縮放因子的通道剪枝是一種十分經典的方法，該方案可以減小模型體積和運行時的內存占用，在不影響檢測精度的同時，降低模型計算量.該方法的基本原理如下：首先對輸入網絡初始化，在訓練期間不斷甄別BN層中不重要的網絡通道，將和這個通道有關聯的所有輸入和輸出的連接都剪切，實現通道的稀疏化，進而在幾乎沒有損失的情況下獲得一個緊湊的網絡，基本流程如圖11所示.

3 消融實驗

式中：和分別為輸入和輸出；和分別為輸入激活的平均值和標準偏差值；和為可訓練的仿射變換參數(標度和移位)，可將歸一化的線性激活轉換成任何標度，對應偏置量每個通道激活大小，即和系數正相關，如果接近于0，則激活值也非常小，即可判定該通道為不重要的通道而修剪掉值的界定取決于人為在整個網絡中所有層設置的全局閾值，即剪枝率，被定義為所有縮放因子的一個比率.例如，當要剪掉整個網絡40%的通道時，首先需要對所有縮放因子進行排序，以從小到大的順序排列，將縮放因子增長序列中處在40%處的值定為閾值.

從表2可以看出，隨著乙酸銨與對硝基苯甲腈物質的量比增加至1.05時，產品的收率也得到逐步提高，當達到1.10時，收率變化不大。主要原因是：乙酸銨用量的增加，一定程度上促進了氨氣的釋放，進而促進了反應的正向進行，提高了反應收率；但如果乙酸銨的量過大，反應釋放的氨氣來不及反應就被系統排出，從而導致反應收率偏低。從工業化生產方面來講，乙酸銨用量過大，不僅造成原料成本增加，更重要的是增加了企業的“三廢”，使后處理成本明顯增加。綜合考慮以上因素，選擇乙酸銨與對硝基苯甲腈的物質的量比為1.05。

3.1 數據集擴增

數據集來自上海市電力公司電力科學研究院，從 5 000 張無人機航拍絕緣子照片中人工篩選出501張，其中包括完整絕緣子和出現掉串故障的絕緣子.使用Labelimg工具重新打標，分為絕緣子整體和掉串故障兩類，標簽分別為“Insulator”和“defect”.另外考慮到可能存在特殊天氣下的巡檢問題，使用Imgaug工具包將數據集擴增4倍，包括特殊天氣條件如小雨、積雪和霧霾，效果如圖14所示.最終獲得數據集圖片 2 004 張，圖片分辨率從 1 656 像素×926像素到 5 184 像素×3 456 像素不等.將所有圖片按照約6∶2∶2隨機劃分為訓練集、驗證集和測試集，3個集合的圖片均不相同.

首先在網絡輸入部分，利用馬賽克數據增強技術隨機選取4張圖片，隨機縮放后進行拼接，產生一個即將輸入網絡的訓練圖片，與原始的以4張圖片為輸入相比，該方法增加了小目標數量，非常適合無人機視角下的絕緣子掉串故障檢測場景，并能提升訓練效率.馬賽克數據增強技術處理前后效果如圖2和圖3所示.其中，標簽0和1分別代表標記的絕緣子本體和掉串故障處.在此基礎上還包括光度變換、幾何變換和模擬遮擋等增強手段；在實際檢測過程中，加入了自適應圖片縮放技術，自動計算圖片的最佳縮放系數，對原始圖片自適應添加最少黑邊(本文縮放至640像素×640像素)，效果如圖4所示.

3) 2017年10月5日在應用系統開展診斷監測過程中，發現煉油部供烯烴部重石腦油質量流量計驅動增益和密度劇烈波動，經過系統診斷運算，發現輸送過程中存在流量過小而產生3.64%嚴重氣化現象，確定其管線處于不滿管狀態。為此及時通知調度調整工藝及閥門開度，成功避免了計量結算爭議，確保計量數據精準。

(7)

(8)

以為橫軸，以為縱軸，即可獲取曲線，而平均精準度(AP)即為對曲線上的求均值對于曲線，AP的積分計算如下：

(9)

AP值越大，模型效果越好.現階段，大多目標檢測采用mAP(所有檢測類別的AP取均值即得到mAP作為衡量標準，本文采用mAP(50%)，即閾值為0.5時的mAP值，檢測速度以每張圖片的檢測時間為標準.

（3）灌漿壓力控制在0.3～0.5MPa，灌漿流量70L/min，提升速度控制在12～13cm/min，擺噴速度為5°/s，擺動角度23°。

3.2 測試結果

采用消融實驗驗證算法性能，共測試了6組網絡，分別在有無數據集擴增、DIoU損失函數、BiFPN結構以及γ系數的剪枝微調方面開展.所有網絡的輸入尺寸均為640像素×640像素，預訓練模型均為官方提供的COCO數據集下的訓練結果，超參數設置相同，訓練、驗證與測試均在本文自制數據集進行，以保證結果的有效性.所有訓練結果均達到收斂狀態，從網絡模型的速度、精度和體積3個方面進行對比.

第1組測試使用擴增前的數據集，模型為YOLOv5s的原始網絡；第2組使用擴充后的數據集，其他與第1組相同；第3～5組均在第2組的基礎上，單獨或同時添加BiFPN 和DIoU改進方法；第6組在第5組基礎上增加基于系數的剪枝微調.在第6組實驗過程中，首先進行稀疏訓練，將本來趨于正態分布的BN層權重向0收斂，極小值越多，說明網絡越稀疏.根據迭代情況調整學習率，稀疏訓練前后的BN層權重分布如圖15所示.其中，為BN層權重值，為訓練次數.

根據表1結果分析可知，數據集擴充對平均檢測精度影響較大，在原有網絡模型的基礎上提升了7.3%；在此基礎上，DIoU在精度平均值上小幅提升了0.78%，BiFPN在速度上提升了2.5%，當兩者同時引入時，精度平均值提升了1.5%，但速度卻下降了1.6%，在追求高網絡特征提取能力時損失了部分檢測速度；最后對模型進行系數剪枝微調處理，精簡冗余的網絡參數，精度平均值提升了3.91%，速度提升了25.6%，體積下降了59.1%.

在本文數據集下，將所提模型與YOLOv5n、YOLOv3-tiny、YOLOv5s和YOLOXs輕量檢測網絡模型進行對比，訓練結果和測試數據如圖17和表2所示.可知，改進算法在精度、速度和體積方面均有提升，綜合表現最佳.

本研究育成的甘藍型油菜細胞質雄性不育系9171A育性徹底，且育性不受溫度影響，9171A的育成不僅豐富了雜交油菜的不育材料，同時還提供了油菜雜種優勢利用的新途徑。

1.加強玉米收獲、儲存工作，防止發生霉變。在玉米收獲季節，注意天氣變化，及時收割，不宜過早也不宜過遲。收獲后應盡快曬干（或烘干）。對于因環境變化而無法曬干（或烘干）的，可使用一些防霉劑，如丙酸劑等。

此外，所提算法可正常檢測絕大部分目標，部分檢測結果如圖18所示(未經圖像增強處理).

4 結語

提出一種改進YOLOv5s絕緣子掉串實時檢測算法，方便巡線人員對絕緣子掉串故障快速定位，提升巡線效率.首先將特征融合結構替換為性能更佳的BiFPN結構，引入DIoU函數對損失函數進行優化；其次對模型進行基于γ系數的通道剪枝輕量化處理，并微調回準；最后在網絡輸出部分增加圖像增強處理，緩解巡檢人員的監測壓力.實驗結果表明，與其他輕量網絡模型相比，該改進算法綜合性能更佳；相較于原始的YOLOv5s，模型精度平均值提升了3.91%，速度提升了25.6%，體積下降了59.1%，具有較高的實際意義.另外，針對平臺算力不足問題和便攜性較差等問題，將來考慮引入5G通信技術，將處理工作放在云端，巡檢人員僅需攜帶顯示設備即可，實現智能實時檢測.