基于改進(jìn)型YOLOv4的輸電線路絕緣子識(shí)別與故障檢測(cè)

胡夢(mèng)雪, 王勇

(上海電力大學(xué),計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,上海 200120)

0 引言

隨著無人機(jī)巡檢的普及,電力巡查逐漸從人力巡檢中擺脫出來。現(xiàn)如今更換成機(jī)器巡檢后,由于技術(shù)手段單一、電力設(shè)備所處的復(fù)雜環(huán)境等,如果輸電線路出現(xiàn)故障,依然會(huì)存在線路難識(shí)別定位、故障漏檢等問題。雖然無人機(jī)巡檢是對(duì)傳統(tǒng)人工巡檢的技術(shù)提升,但是巡檢精度下降后就會(huì)導(dǎo)致人力消耗的增加[1]。

絕緣子所處環(huán)境在戶外,極易發(fā)生絕緣子串破損、漂浮懸掛物等問題,從而導(dǎo)致絕緣子的閃絡(luò)或嚴(yán)重放電,對(duì)電網(wǎng)的安全穩(wěn)定運(yùn)行產(chǎn)生干擾。因此,一旦發(fā)現(xiàn)絕緣子瓷瓶發(fā)生脫落、破損或者金屬銷出現(xiàn)銹蝕狀態(tài)將會(huì)為工作人員提供預(yù)警,讓工作人員及時(shí)更換絕緣子[2]。

隨著人工智能技術(shù)的發(fā)展,近年來有不少研究者將深度學(xué)習(xí)算法應(yīng)用到電力系統(tǒng)的檢測(cè),特別是故障檢測(cè)。孫葉等[3]將深度學(xué)習(xí)算法應(yīng)用到電力變壓器的故障檢測(cè)中,實(shí)現(xiàn)了較優(yōu)的實(shí)時(shí)識(shí)別。目標(biāo)檢測(cè)算法YOLO[4]是近年來深度學(xué)習(xí)領(lǐng)域特別受關(guān)注的檢測(cè)算法,它將目標(biāo)領(lǐng)域預(yù)測(cè)和目標(biāo)類別預(yù)測(cè)合二為一,將目標(biāo)檢測(cè)任務(wù)看作目標(biāo)領(lǐng)域預(yù)測(cè)和類別預(yù)測(cè)的回歸問題,實(shí)現(xiàn)了端到端的物體檢測(cè)。楊波等[5]提出了實(shí)時(shí)目標(biāo)檢測(cè)模型,能夠?qū)崟r(shí)地檢測(cè)到鳥巢位置,但該模型在測(cè)試過程中出現(xiàn)了預(yù)測(cè)尺寸框過大、部分漏檢等問題。ZHAO等[6]使用了深層卷積神經(jīng)網(wǎng)絡(luò)對(duì)絕緣子紅外圖像進(jìn)行檢測(cè),但紅外圖像拍攝的這種方式可能會(huì)增加巡檢的計(jì)算量。張子健等[7]提出的圖像檢測(cè)方法是在不同場(chǎng)景下準(zhǔn)確定位絕緣子區(qū)域,通過逐片對(duì)比避免了圖像一致性差的問題。這為本文提出的絕緣子識(shí)別和故障檢測(cè)提供了啟發(fā)。若將該方法應(yīng)用到絕緣子識(shí)別和故障絕緣子檢測(cè)中,那么圖像輪廓必然會(huì)增大一定的計(jì)算量,數(shù)據(jù)量上不可行。張煥坤等[8]使用密集連接網(wǎng)絡(luò)實(shí)現(xiàn)了絕緣子圖像的特征復(fù)用和融合,識(shí)別速度快、準(zhǔn)確率高,為本文提供了思路。

1 問題分析

本文提出一種方法既可以實(shí)現(xiàn)復(fù)雜環(huán)境下輸電線路上絕緣子的識(shí)別,又能夠在無人機(jī)巡檢過程中精確地檢測(cè)到絕緣子的故障。考慮到原有的算法適用于檢測(cè)小目標(biāo)物體,在原有的網(wǎng)絡(luò)結(jié)構(gòu)中加入注意力機(jī)制算法,可以更好地提取到小目標(biāo)特征進(jìn)行特征融合。經(jīng)過數(shù)據(jù)集的準(zhǔn)備和算法研究,得到大致的算法訓(xùn)練流程,如圖1所示。

圖1 算法訓(xùn)練流程

2 改進(jìn)的YOLOv4模型

2.1 YOLOv4算法原理

YOLOv4算法采用深層卷積神經(jīng)網(wǎng)絡(luò),吸收了當(dāng)前很多經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的優(yōu)秀思想,比如Faster R-CNN[9]、Mask R-CNN[10]等。該算法運(yùn)行速度快,在位置檢測(cè)和對(duì)象的識(shí)別方面性能達(dá)到最優(yōu),其平均精度均值(mAP)在VOC數(shù)據(jù)集上達(dá)到63.4%檢測(cè)率的情況下還能進(jìn)行實(shí)時(shí)檢測(cè),尤其是加強(qiáng)了對(duì)小物體的識(shí)別能力,這個(gè)特點(diǎn)與絕緣子故障檢測(cè)的應(yīng)用非常契合。

2.2 YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)

YOLOv4在COCO數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果與EfficientDet、YOLOv3相比,在實(shí)時(shí)檢測(cè)標(biāo)準(zhǔn)上(大于30幀/s的條件下),算法的精度有不小的提升,同時(shí)速度略有減慢。但對(duì)于復(fù)雜環(huán)境下遮擋或重疊的絕緣子,檢測(cè)精度有待提升。

為了實(shí)現(xiàn)絕緣子特征的提取,本文算法模型借鑒了注意力機(jī)制CBAM思想,在Neck模塊的CBL×5卷積層中加入注意力機(jī)制,使得CBL×5輸出部分能傳遞更精確的卷積特征,實(shí)現(xiàn)絕緣子特征的提取。注意力機(jī)制結(jié)構(gòu)如圖2所示。

圖2 CBAM網(wǎng)絡(luò)結(jié)構(gòu)

另一方面,為了獲取更多的特征,本文模型借鑒了特征融合的思想,在Head板塊的輸入部分CBL前加入上采樣,實(shí)現(xiàn)絕緣子多特征的獲取。在原有網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上需要改進(jìn)的部分以及改進(jìn)后的部分如圖3所示。

(a) 原有結(jié)構(gòu)

3 實(shí)驗(yàn)過程

3.1 絕緣子數(shù)據(jù)集的擴(kuò)增與標(biāo)注

本文的訓(xùn)練數(shù)據(jù)很少,采用公開數(shù)據(jù)集得到的初始圖像集僅有648張,因此使用影視分割算法和卷積網(wǎng)絡(luò)U-Net對(duì)原始圖片進(jìn)行分割處理和更換背景來獲取更多的訓(xùn)練樣本(見圖4)。

(a) 擴(kuò)增樣本1

本文使用了圖片標(biāo)注工具LabelImg對(duì)絕緣子的數(shù)據(jù)集進(jìn)行標(biāo)注,主要分為兩大類:絕緣子和絕緣子的故障類型。將圖片中所有的絕緣子標(biāo)注為“insulator”;將圖片中的破損絕緣子標(biāo)注為“defect”;將圖片中絕緣子上的懸掛物標(biāo)注為“hang”。具體的絕緣子樣本標(biāo)注情況如圖5所示,每張圖中均含有對(duì)應(yīng)的標(biāo)簽。

(a) 懸掛物絕緣子樣本標(biāo)注

3.2 k-means聚類算法

YOLOv3中通過聚類COCO數(shù)據(jù)集得到9個(gè)anchor,其VOC數(shù)據(jù)集包含20類目標(biāo)。類似地,本文的數(shù)據(jù)集包含3類目標(biāo),分別是絕緣子、帶懸掛物絕緣子和破損絕緣子。使用模型CBAM-YOLOv4聚類本文的絕緣子數(shù)據(jù)集,計(jì)算出對(duì)應(yīng)的邊框,提高了邊框的檢出率。

3.3 目標(biāo)檢測(cè)模型的訓(xùn)練

使用改進(jìn)后的YOLOv4網(wǎng)絡(luò)進(jìn)行了訓(xùn)練,當(dāng)模型收斂后,在訓(xùn)練的數(shù)據(jù)集上對(duì)其進(jìn)行測(cè)試。實(shí)驗(yàn)中的網(wǎng)絡(luò)訓(xùn)練參數(shù)為:① 激活函數(shù)為Mish;② 優(yōu)化器為Adam;③ 迭代次數(shù)Epochs為300;④ BatchSize(每個(gè)Batch中訓(xùn)練樣本的數(shù)量)為8;⑤ 學(xué)習(xí)率設(shè)置為0.01。

共獲得1193張可供訓(xùn)練的絕緣子圖片,每一張絕緣子圖片中包含一串或多串絕緣子,并且絕緣子上帶有懸掛物或破損的情況。將絕緣子和兩種故障類型的絕緣子數(shù)據(jù)集按照6∶1劃分,其中,訓(xùn)練集約占85.7%,測(cè)試集約占14.3%,即從總數(shù)據(jù)集中隨機(jī)選取200張圖片作為測(cè)試集,最終的標(biāo)注結(jié)果共產(chǎn)生1193個(gè)標(biāo)簽。

實(shí)驗(yàn)環(huán)境是在Windows系統(tǒng)下進(jìn)行配置的,具體的實(shí)驗(yàn)環(huán)境配置如表1所示。

表1 實(shí)驗(yàn)環(huán)境配置

本次實(shí)驗(yàn)的性能指標(biāo)有mAP、準(zhǔn)確率P、召回率R、F1score和幀率(幀/s),如圖6所示。3種模型的實(shí)驗(yàn)結(jié)果性能指標(biāo)對(duì)比如表2、表3所示。

表2 3種模型主要性能指標(biāo)比較

表3 3種模型絕緣子分類其他性能指標(biāo)比較

圖6 3種模型檢測(cè)效果比較

由實(shí)驗(yàn)得出,加入注意力機(jī)制后實(shí)現(xiàn)了絕緣子圖像的特征提取,減少了特征信息的流失,檢測(cè)精度有了很大的提升。同時(shí),YOLOv4的neck部分采用了PANet中的特征金字塔增強(qiáng)模塊,用于增強(qiáng)Backbone提取的特征。加入SPP結(jié)構(gòu)后,網(wǎng)絡(luò)結(jié)構(gòu)會(huì)對(duì)絕緣子是否存在懸掛物和破損的情況進(jìn)行識(shí)別和預(yù)測(cè),檢測(cè)速度得到了很大的提升。

3.4 模型的檢測(cè)效果

圖7為模型的檢測(cè)效果。從圖7可以看出,本算法可以有效地檢測(cè)到絕緣子的位置,還能夠判斷絕緣子是否存在懸掛物或破損的情況,這可以極大地幫助巡檢人員通過直觀結(jié)果來排查絕緣子故障。

4 總結(jié)

YOLOv4是一種有監(jiān)督的深度學(xué)習(xí)網(wǎng)絡(luò),對(duì)于訓(xùn)練數(shù)據(jù)集的數(shù)量和質(zhì)量都有較高的要求。本文在實(shí)驗(yàn)中花費(fèi)了大量時(shí)間在模型的調(diào)整上,希望基于半監(jiān)督或無監(jiān)督的深度學(xué)習(xí)方法可以應(yīng)用在今后的訓(xùn)練工作中能夠節(jié)省大量的時(shí)間。同時(shí),更輕量級(jí)的神經(jīng)網(wǎng)絡(luò)算法模型適應(yīng)于檢測(cè)微小物體,也更適用于移動(dòng)設(shè)備的場(chǎng)景中,這或?qū)⒊蔀闊o人機(jī)巡檢作業(yè)的未來研究方向。