基于深度學習的絕緣子故障檢測仿真研究

張長樂 金鈞

摘要：針對無人機巡檢中采集到的絕緣子圖片受干擾嚴重、檢測精度低的問題，在YOLOv5s算法的基礎上進行優化，基于改進后的YOLOv5s算法進行了絕緣子故障檢測的仿真研究。通過在頸部網絡添加CBAM注意力模塊、運用K-means聚類重新計算先驗框大小、采用MetaAconC作為激活函數3種措施改進了原算法，并基于Python進行了實驗結果分析。實驗結果表明本方案算法平均精度均值mAP達到了96.7%，對比原YOLOv5s模型，平均精度均值mAP提升3.3%；且方案算法訓練出的權重文件大小僅有15.1 M，僅比原YOLOv5s大了0.1 M，仍然保持了輕量化的特點，在智能巡檢工作的部署上有良好前景。

關鍵詞：故障檢測；絕緣子；YOLOv5s網絡；智能巡檢

中圖分類號：TN946.7；[U8] 文獻標志碼：A

本文引用格式：張長樂，金鈞. 基于深度學習的絕緣子故障檢測仿真研究[J]. 華東交通大學學報，2023，40（5）：41-48.

Simulation Study on Insulator Fault Detection Based on

Deep Learning

Zhang Changle，Jin Jun

（School of Automation and Electrical Engineering，Dalian Jiaotong University，Dalian 116028，China）

Abstract：Aiming at the problem of serious interference and low detection accuracy of insulator pictures collected in UAV patrol inspection，the optimization is carried out based on YOLOv5s algorithm，and the simulation research of insulator fault detection is carried out based on the improved YOLOv5s algorithm. The original algorithm is improved by adding CBAM attention module to the neck network，using K-means clustering to recalculate the size of a priori frame，and using MetaAconC as the activation function. The experimental results are analyzed based on Python. The experimental results show that the advantage of the proposed scheme is that the average accuracy of the algorithm mAP reaches 96.7%，which is 3.3% higher than the original YOLOv5s model; In addition，the weight file size of the algorithm training in this scheme is only 15.1 M，which is only 0.1 M larger than the original YOLOv5s. With the lightweight feature，the proposed scheme has a good prospect in the deployment of intelligent patrol work.

Key words： fault detection; insulator; YOLOv5s network; intelligent patrol inspection

Citation format：ZHANG C L，JIN J. Simulation study on insulator fault detection based on deep learning[J]. Journal of East China Jiaotong University，2023，40（5）：41-48.

伴隨著智能巡檢技術的高速發展，智能巡檢將逐漸替代人工巡檢[1]。絕緣子作為電力系統中最重要的部件之一，它的故障與否是巡檢工作的重點，且因為絕緣子通常都掛在野外工作，所以絕緣子很容易出現掉串、破損、閃絡等故障；因此研究基于圖像識別的絕緣子故障檢測算法對于智能巡檢工作具有重要意義[2-3]。

針對絕緣子的故障識別，目前已有一定的研究。如黨宏社等[4]提出了通過更換主干網絡、重新計算先驗框尺寸、更改激活函數3種方法改進YOLOv4目標檢測算法，并用以檢測絕緣子掉串故障，改進后算法mAP和FPS有所提高，但是文件大小較大，有46.4 M，不滿足輕量化的要求；鄭濤[5]，劉燦等[6] 采用脈沖耦合神經網絡來處理高空巡檢中航拍獲得的絕緣子圖像。此算法不需要全局的精確訓練，具有良好的脈沖傳播特性，利用了圖片切割思想，成功實現了絕緣子的識別定位，但是此算法存在對計算機硬件要求很高，計算量過大的問題；彭闖等[7]提出了一種基于YOLOv3的絕緣子串檢測方法，通過提取合適的先驗框大小，成功將每張圖像的識別時間減少了8～10 ms，但是此方法對于原算法的改進程度較小，僅起到了提升檢測速度一個作用；賴秋頻等[8]將YOLOv2網絡結合垂直投影等方法進行檢測，成功做到了輸電線路絕緣子在線識別與缺陷診斷，可是此方法存在優化過程過于冗長，導致算法計算過程長，掌握難度大等問題。

上述方法均能夠檢測到絕緣子的缺陷，但存在各種各樣的問題，對于本文的借鑒意義有限。同時，目前的無人機巡檢會產生大量的圖片和無效信息，因此減小文件內存、提升算法準確度十分有必要，由于YOLOv5s本身就具有輕量化的特點，所以本文的研究主要在于提升其檢測準確度。

基于上述分析，在YOLOv5s的基礎上進行優化，基于改進后的YOLOv5s對絕緣子進行故障檢測。通過K-means[9-10]算法聚類得到全新先驗框大小，添加CBAM[11-12]注意力機制，引入MetaAconC作為激活函數，成功提升了算法準確率，且仍然保持YOLOv5s輕量化的特點，有利于智能巡檢工作的展開。

1 基于改進YOLOv5s網絡的故障絕緣子檢測算法

1.1 用K-means算法對先驗框進行優化設計

K-means算法是一種迭代求解聚類算法，用以對真實標注框進行聚類，得到更加適合的先驗框大小。

YOLOv5s的初始先驗框尺寸來源于對通用目標檢測數據集 COCO進行K-means維度聚類，但由于通用數據集中有80種大小不一，類別不一的物體，而本文中的絕緣子故障種類只有3個類別，分別為Damage破損、Flash閃絡、Dirt臟污，且由于都是發生在單片絕緣子上，大小差距不大，故重新設計先驗錨框大小非常有必要。

聚類的分布結果如圖1所示，其中五角星代表聚類數據的中心，各種圓點代表數據的各類實際標注框大小。

受文獻[13]啟發，本文選用9個聚類中心，并等分到3個大小不同的預測分支上，確定的先驗框大小和默認的先驗框大小如表1所示，本文輸入圖像大小均為640×640像素。

1.2 添加CBAM注意力模塊對特征提取能力進行優化設計

CBAM是一種簡單且有效的注意力機制，可以在通道和空間兩個維度上推斷出權重系數，達到提升重要特征的權重，減少不重要特征權重的目的。現階段研究中，在網絡具體哪個位置中引入CBAM模塊能最大程度提升準確率尚無定論。受到文獻[14]的啟發，本文將CBAM融入到網絡的3處不同位置之中，并將訓練后的各項數據進行對比。

本文分別在 YOLOv5s 的骨干網絡、頸部單獨引入 CBAM模塊，在每個卷積層中引入CBAM模塊，從而產生3種基于YOLOv5s的改進算法，CBAM-YOLOv5s-backbone，CBAM-YOLOv5s-neck，CBAM-YOLOv5s-conv，CBAM模塊在網絡中的具體位置如圖2所示。圖2（a）中將CBAM模塊引入到骨干網絡的每一個C3模塊后，圖2（b）中將CBAM模塊引入到 YOLOv5s 的頸部C3層后，圖2（c）中在 YOLOv5s 骨干網絡的每一個卷積模塊CONV中融入CBAM模塊，這個新模塊命名為CONV_cbam。

在三個不同位置融合CBAM模塊以及原始YOLOv5s的對比結果如表2所示。mAP（mean average precision） 表示平均精度均值，越高代表模型越準確，均采用0.5的 IoU閾值。以下實驗皆采用相同數據集、驗證集、測試集以及訓練輪次、初始學習率等相關參數。

根據表2可得，在YOLOv5s 的各個部分融合CBAM模塊后，總體的準確率在CBAM-YOLOv5s-neck算法中提升最大，增加了3.3%，僅在CBAM-YOLOv5s-backbone算法有所提升，而在CBAM-YOLOv5s-conv中，算法的性能不僅沒有提升，反之 mAP 減少了1.9%，且文件大小大了0.5 M。

為了驗證CBAM-YOLOv5s-neck算法對原算法的提升，對帶有破損故障的圖片進行熱力圖仿真，結果如圖3所示，從圖3可以看出YOLOv5s未能對故障處形成有效聚焦，受環境的干擾很強。CBAM-YOLOv5s-neck對故障處聚焦明顯大于周圍環境，有效提升了復雜環境下對待檢目標的聚焦能力。

1.3 引入MetaAconC函數對特征傳遞能力進行優化設計

為將提取到的特征更有效地傳遞，引入MeatAconC函數作為激活函數。對于AconC，函數如下所示

式中：p1和p2分別負責控制函數的上下限；σ表示 Sigmoid函數；參數β控制著激活函數是線性還是非線性。β是常量的情況明顯不適合深度學習，為其設計一個自適應函數來動態的學習β，其中包含了Channel-wise，Pixel-wise，Layer-wise這3種空間，分別對應的是通道、像素、層。

本文選擇了Channel-wise，即對通道進行自適應學習，如下所示

式中：H為特征圖的高；W為特征圖的寬；C為特征圖的通道數；W1W2代表了兩個卷積層，添加了自適應學習函數的AconC稱作MetaAconC，即本文使用的激活函數，在參數量相同的情況下，此激活函數對噪點的抗干擾性和魯棒性都高于大多數同類函數。改進后的網絡整體如表3所示。

2 基于改進YOLOv5s的絕緣子故障檢測算法的仿真分析

2.1 數據準備過程

本文的仿真數據集來自中國電力線路絕緣子數據集，由無人機拍攝故障絕緣子圖像共1 600張。共有1 428個破損故障、1 385個閃絡故障、806個臟污故障。

為避免因圖片數量不足導致檢測效果差的問題，通過隨機矩形遮擋、翻轉、調整色調等方式將圖像擴充至4 640張，部分圖像數量擴充操作如圖4所示。其中臟污故障由于采集到的圖片較少，故在擴充圖片的過程中有意增加臟污故障的數量，使得3種故障圖片的數量大致相同，以平衡算法的檢測準確性。擴充后數據的規模得到了有效的增大，從而提高了算法的泛化能力，使得算法對于未參與訓練的陌生絕緣子破損、閃絡、臟污故障圖片的檢測能力有明顯提升。

本文隨機將訓練集、驗證集、測試集的比例劃分為10∶1∶1，即訓練集3 868張，驗證集386張，測試集386張；其中訓練集包含3 353處破損故障，3 452處閃絡故障，3 233處臟污故障；驗證集包含了308處破損故障，302處閃絡故障，293處臟污故障；測試集包含了302處破損故障，299處閃絡故障，278處臟污故障。為保證檢測的有效性，訓練集、驗證集、測試集中的圖片均相互獨立，無任何重合的圖片。

使用 LabelImg標注軟件進行標注操作，將破損標注為Damage、閃絡標注為Flash、臟污標注為Dirt，具體的操作如圖5所示。

2.2 模型訓練過程

本文使用的顯卡為NVIDIA GEFORCE RTX 2060、Cpu為英特爾Core i7-10875H@2.30GHz八核。為了實現模型的最佳性能，本文將迭代次數設置為150，初始學習率設置為0.000 1，置信度設置為0.25，圖片尺寸為640×640像素，由于有很多故障會重合，為了減少無用的錨框，將Nms（non maximum suppression）非極大值抑制設置的較低為0.15。mAP變化如圖6所示。

mAP0.5在0到80輪時迅速上升，80輪后開始趨于平緩，達到120輪后就幾乎不再上升，最終在142輪時穩定在0.96附近，達到了模型的最優狀態。

2.3 本文算法對比其他算法進行性能評估

使用訓練得到的權重文件識別測試集中386張有故障的絕緣子圖片，部分結果如圖7所示，示例結果中有5處破損故障，3處閃絡故障，2處臟污故障，全部識別正確。

為客觀驗證算法性能，在同一數據集情況下，將本文算法與幾種主流目標識別算法性能進行了對比，實驗結果以3種故障單獨的mAP、3種故障的總mAP、文件大小總計5項評價指標來分別進行評價以及對比。

以下實驗皆采用相同數據集、驗證集、測試集以及訓練輪次、初始學習率等相關參數，具體對比結果如表4所示。

由表4可知，本文算法對三種故障總計平均檢測精度達到96.7% ，遠高于Faster R-CNN和SSD，比YOLOv2和YOLOv5s分別增加了5.4%和3.3%。

文件大小比Faster R-CNN、SSD、YOLOv2明顯減小。除此之外，在加入3處改進后，僅比YOLOv5s大了0.1 M，僅大了0.67%，仍然保持了YOLOv5s輕量化的特點。

2.4 消融實驗對不同優化措施有效性進行驗證

本文在原YOLOv5s的基礎上，使用K-means算法重新設計先驗框尺寸，且在頸部網絡加入CBAM注意力模塊，并且引入MetaAconC激活函數。為了驗證各個模塊的影響，進行了消融實驗，將改進后的YOLOv5s模型中的改進機制逐個添加并進行訓練，驗證模型的改進機制是否具有正面影響。消融實驗具體結果由表5所示。以下實驗皆采用同一數據集，由于文件大小和檢測速度差距不大，故實驗中僅用mAP作為評估指標。

實驗結果表明，每個模塊單獨應用均能對最終結果產生正向優化，其中CBAM注意力模塊對于識別準確率的貢獻相對較為明顯，僅一個模塊mAP增加了2.1%。不同的兩個模塊組合也對模型有提升作用，最明顯的是CBAM模塊和MetaAconC兩個模塊組合，mAP增加了2.6%。所有模塊的同時應用對于mAP增加最大，最終對算法的mAP增加了3.2%。

3 結論

改進算法利用K-means重新設計先驗框大小，加速了算法收斂；在頸部網絡中融合CBAM注意力機制，提升了易忽略目標的權重，減少了漏檢率；引入了MetaAconC函數作為激活函數，加強了網絡的辨別能力。在完成上述三處改進后，進行了基于python的仿真結果分析，用完成訓練后的權重文件檢測了386張帶有故障的絕緣子圖片。結果如下。

1） 改進后算法能準確識別絕緣子破損、閃絡、臟污3類故障，算法的改進有效。

2） 改進后算法的mAP相比于原網絡增加了3.2%，達到了96.7%，其中單獨添加CBAM模塊對mAP增加最大，達到了2.1%。

3） 訓練后的權重文件大小僅15.1 M，相比原網絡僅大了0.1 M，遠遠小于其他同類算法，達到了輕量化的效果。

4） 故障檢測在下雪、霧霾情況下漏檢、錯檢概率明顯增加，說明在不同的天氣、光線、障礙物干擾時檢測準確率還有提升空間。后續工作中應繼續擴大訓練集容量，覆蓋各種可能有的惡劣環境，使模型得到充分訓練，在各種情況下都可以達到高準確率。

參考文獻：

[1] 史雨馨，朱繼杰，凌志剛. 基于特征增強YOLOv4的無人機檢測算法研究[J]. 電子測量與儀器學報，2022，36（7）：16-23.

SHI Y X，ZHU J J，LING Z G. Research on UAV detection algorithm based on feature enhancement YOLOv4[J]. Journal of Electronic Measurement and Instrumentation，2022，36 （7）：16-23.

[2] RIDDIFORD L J，GRUTTER A J，PILLSBURY T，et al. Understanding signatures of emergent magnetism in topological insulator/ferrite bilayers[J]. Physical review letters，2022，128（12）：126802.

[3] 劉宇紅. 絕緣子在運行中的常見故障原因及預防措施[J]. 內蒙古煤炭經濟，2016（1）：114-116.

LIU Y H. Common fault causes and preventive measures of insulators in operation[J]. Inner Mongolia Coal Economy，2016（1）：114-116.

[4] 黨宏社，薛萌，郭琴. 基于改進的YOLOv4絕緣子掉片故障檢測方法[J]. 電瓷避雷器，2022（1）：211-218.

DANG H S，XUE M，GUO Q. Based on the improved YOLOv4 insulator chip failure detection method[J]. Porcelain arrester，2022（1）：211-218.

[5] 鄭濤. 基于PCNN的航拍絕緣子圖像的分割及定位研究[D]. 大連：大連海事大學，2011.

ZHENG T. Study on segmentation and location of aerial image of insulator based on PCNN[D]. Dalian：Dalian Maritime University，2011.

[6] 劉燦，林志強，劉燕，等. 基于PCNN模型的圖像分割研究[J]. 網絡安全技術與應用，2009（4）：61-64.

LIU C，LIN Z Q，LIU Y，et al. Research on image segmentation based on PCNN model[J]. Network Security Technology and Application，2009（4）：61-64.

[7] 彭闖，張紅民，王永平. 一種基于YOLOv3的絕緣子串圖像快速檢測方法[J]. 電瓷避雷器，2022（1）：151-156.

PENG C，ZHANG H M，WANG Y P. A fast detection method of insulator string image based on YOLOv3[J]. Porcelain Arrester，2022（1）：151-156.

[8] 賴秋頻，楊軍，譚本東，等. 基于YOLOv2網絡的絕緣子自動識別與缺陷診斷模型[J]. 中國電力，2019，52（7）：31-39.

LAI Q B，YANG J，TAN B D，et al. Insulator automatic identification and defect diagnosis model based on YOLOv2 network[J]. China Power，2019，52（7）：31-39.

[9] BHATTACHARYA A，FREUND Y，JAISWAL R. On the K-means/median cost function[J]. Information Processing Letters，2022（8）：106252.

[10] JIANG H，LEARNED-MILLER E. Face detection with the faster R-CNN[C]//Washington DC：2017 12th IEEE nternational Conference on AutomaticI Face & Gesture Recognition，2017.

[11] REN S Q，HE K M，GIRSHICK R，et al. FasterR -CNN： towards real-time object detection with region proposal?networks[J]. IEEE Transactions on Pattern Analysis and?Machine Intelligence，2017，39（6）：1137-1149.

[12] 張錦，屈佩琪，孫程，等. 基于改進YOLOv5的安全帽佩戴檢測算法[J]. 計算機應用，2022，42（4）：1292-1300.

ZHANG J，QU P Q，SUN C，et al. Helmet wearing detection algorithm based on improved YOLOv5[J]. Computer?Applications，2022，42（4）：1292-1300.

[13] MIAO L，LI N，ZHOU M，et al. CBAM-YOLOv5： Improved YOLOv5 based on attention model for infrared ship detection[C]//Harbin：International Conference on Computer Graphics，Artificial Intelligence，and Data Processing（ICCAID 2021），2021.

[14] LIN T Y，GOYAL P，GIRSHICK R，et al. Focal loss for dense object detection[J]. IEEE Transactions on Pattern?Analysis & Machine Intelligence，2017（99）：2999-3007.

第一作者：張長樂（1996—），男，碩士研究生，研究方向為電力系統故障辯識。E-mail：350587231@qq.com。

通信作者：金鈞（1970—），男，副教授，碩士生導師，博士，研究方向為軌道交通電氣化與自動化。E-mail：jinjun@djtu.edu.cn。

（責任編輯：吳海燕）