基于YOLOv3的航拍輸電通道航拍絕緣子檢測方法研究

摘" 要：針對已有絕緣子檢測算法在航拍圖像檢測中絕緣子檢測精確度低、泛化能力差的問題，提出一種基于YOLOv3改進的輸電線路航拍絕緣子檢測方法。在YOLOv3模型的基礎上使用ResNet50-vd替換主干網絡，并組合使用CoordConv、DropBlock及SPP等技巧提取復雜背景中的絕緣子特征，然后利用該文收集的絕緣子數據集對改進后的網絡進行訓練。實驗結果表明，改進后的YOLOv3網絡模型相較于改進前精確度提升5.5%，有效提升航拍圖像絕緣子檢測的準確率。

關鍵詞：目標檢測；YOLOv3；絕緣子；ResNet50-vd；檢測方法

中圖分類號：U225.4+3" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）11-0034-04

Abstract： Aiming at the problems of low detection accuracy and poor generalization ability of existing insulator detection algorithms for aerial images， an improved method based on YOLOv3 for aerial image insulator detection of transmission lines is proposed. Based on the YOLOv3 model， ResNet50-vd is used to replace the backbone network， and CoordConv， DropBlock， SPP and other techniques are combined to extract insulator features from complex background， and then this paper collects insulator data sets to train the improved network. The experimental results show that the accuracy of the improved YOLOv3 network model is 5.5% higher than that before the improvement， and effectively improves the accuracy of insulator detection in aerial images.

Keywords： target detection; YOLOv3; insulator; ResNet50-vd; test method

當今，世界電網已開始逐步向智能化方向發展[1]，我國的智能化電網在以特高壓為主要形式的“西電東送”任務中得到充分發展。絕緣子作為輸電線路中的重要元器件，能夠起到關鍵的電氣絕緣和機械固定作用，這對維護輸電線路穩定，避免發生重大輸電安全事故有著重要意義。絕緣子在輸電線路中應用廣泛，但由于其工作環境較為惡劣，受到天氣和人為等相關因素影響，容易出現磨損、侵蝕和破裂等問題，進而導致發生嚴重的安全事故和經濟損失。因此，在輸電線路巡檢的過程中，需要重點關注和檢測絕緣子的運行狀態。隨著無人機技術的快速發展，輸電線路傳統人工巡檢的方式因其效率低，成本高，已經無法滿足大量的巡檢需求。目前我國主要的輸電線路巡檢方式是無人機巡檢[2]，其大大提升了巡檢過程中的安全性，提高了線路巡檢的效率及發現故障后及時維護的響應速度。無人機巡檢是利用無人機拍攝大量的輸電線路圖像，然后對圖像進行檢測，因此如何能夠快速準確地檢測出圖像中的絕緣子已成為如今研究的熱點話題。

傳統的絕緣子識別主要利用圖像處理方法對絕緣子進行檢測。Zhai等[3]提出利用自適應形態學算法檢測圖像中的絕緣子。王偉等[4]對圖像進行邊緣檢測，從而識別出圖像中的絕緣子。姚春雨等[5]根據絕緣子與背景區域像素特征有一定差異的特點，分別計算兩區域的灰度特征值，并依據統計結果設計分類決策條件從而達到絕緣子檢測的效果。這些方法大多受圖像背景影響過大，只適用于背景簡單的絕緣子圖像檢測，但現實中絕緣子圖像背景存在樹木、河流和塔架等事物，背景較為復雜，會嚴重影響檢測的效果。近年來，隨著深度學習技術的不斷發展，輸電線路巡檢也逐漸向人工智能方向靠近。馬鵬等[6]針對電力小部件檢測準確率低的問題，提出了一種基于遷移學習的單階段檢測算法，同時利用軟性懲罰非極大值抑制方法對原始非極大值抑制方法進行了優化?；赟SD目標檢測模型提出兩階段微調訓練策略，有效提高了不同種類絕緣子的識別效果。深度學習算法的檢測準確率相比于傳統檢測算法有了較大的提高，但其對于復雜背景下絕緣子的檢測效果還有待提升。

本文針對復雜背景下絕緣子圖像的檢測任務，選用在目標檢測領域表現優秀的YOLOv3算法作為基礎框架，利用ResNet50-vd改進其主干網絡，結合CoordConv、DropBlock及SPP等技巧來提取更加魯棒有效的航拍絕緣子特征，在不損失效率的前提下，提高YOLOv3算法對航拍絕緣子的檢測性能。

1" 算法

近年來，YOLO系列目標檢測算法逐漸取代其他算法成為工業最常用算法，其擁有較高檢測精度及較快的運行速度，被廣泛應用于實時檢測系統。2016年學者Redmon等人發布了YOLOv1目標檢測算法，其主要對雙階段目標檢測算法進行了改進，去除了候選框提取分支，直接對輸入圖像的特征進行預測，大幅提升了檢測速度，考慮到YOLO網絡直接預測的結構特點，將目標檢測算法分為了單階段檢測算法和雙階段檢測算法。相較于雙階段檢測算法，其在檢測速度上有了較大的提升，但在目標的檢測和定位準確率方面，仍遠遠不及雙階段檢測算法。針對這一問題，學者Redmon和Farhadi通過增加批量歸一化、高分辨率分類器等方法對YOLOv1算法進行了改進，在2017年發布了YOLOv2算法，相比于最初算法，YOLOv2算法在公開數據集上的檢測精度提升了12.4%。2018年，學者Redmon和Farhadi在YOLOv2網絡的基礎上進行了改進，提出將DarkNet-53網絡作為主干網絡，并在網絡中增加了特征金字塔融合結構，改進后的網絡模型即YOLOv3采用端到端的方式使得模型的性能有了進一步的提升，并強化了對中小型目標的檢測與識別。本文以YOLOv3為基礎模型進行航拍巡檢圖像絕緣子檢測，在此基礎上運用CoordConv、DropBlock及SPP等技巧來提取絕緣子特征，有效提高了航拍絕緣子的檢測效果。檢測流程圖如圖1所示。

改進YOLOv3的總體結構如圖2所示。在最初的YOLOv3中，采用DarkNet-53來提取不同尺度的特征圖。由于航拍絕緣子圖像往往包含復雜的背景，所以對絕緣子的特征提取就尤為重要。隨著目標檢測模型的網絡結構逐漸加深，理論上模型的性能會逐漸增強，但實驗表明當網絡達到一定的深度后，繼續增加網絡的層數并不能帶來性能上的提升，反而會使得網絡訓練收斂過程更加緩慢，最終的檢測效果也會降低，實驗表明殘差網絡可以有效解決上述問題。由于近年來ResNet的性能受到了廣泛的認可，在此基礎上通過改進也出現了許多更加優秀的方法。因此，在本文中利用ResNet50-vd主干網絡對原有主干網絡DarkNet-53進行了替換，并將階段3、4、5的輸出表示為C3、C4、C5。然后使用FPN特征金字塔結構對主干網絡提取的不同尺度的特征圖進行融合，特征圖C3、C4、C5被輸入到FPN模塊，得到輸出特征映射P3、P4、P5，FPN的詳細結構如圖2所示。YOLOv3的檢測頭由2層卷積層組成，采用3×3卷積層和1×1卷積層進行最終預測。每個最終預測的輸出通道為3（K+5），其中K是類數，4個通道是對目標框的預測，最后一個通道是對置信度的預測。對于分類和定位，分別采用交叉熵損失和L1損失，客觀性損失用于監督置信度評分，判斷目標框內是否存在對象。

CoordConv是一種考慮坐標信息的卷積層。卷積神經網絡擁有權重共享、局部連接和平移等變性等良好特性，但由于檢測任務中包含了對預測框的坐標建模，普通卷積層中卷積核無法對自己的當前位置進行定位，故絕對的平移等變性反而變成了障礙，不利于邊框坐標位置預測同時也嚴重影響了模型的檢測效果。CoordConv可以通過在特征圖中增加包含坐標信息的通道對輸入坐標進行卷積訪問，也可以通過網絡學習完全的平移不變性或不同程度的平移依賴。CoordConv會在原卷積層的基礎上額外添加2個輸入通道，難免導致參數量增大，為了盡可能地保證模型的檢測速度，本文在不改變特征提取部分的基礎上，使用CoordConv對特征金字塔結構中的1x1卷積層和預測層中的第一卷積層進行了替換，具體使用位置如圖2中淺灰色塊所示。

DropBlock是網絡訓練中集合性質的丟棄形式。當深度模型被過度參數化，經歷權重衰減和dropout等手段訓練時，通常會表現出良好的性能，因此dropout常常被用于全連接層來防止模型過擬合，但對卷積層使用dropout方法時，發現網絡性能并未提升。其原因可能是神經網絡卷積層中的神經元在空間結構上存在一定的相關性，盡管使用了dropout，包含被去除神經元相關信息的相鄰神經元依舊可以在網絡中傳遞。因此，需要加入一種局部多單元dropout的方式對網絡中的卷積層進行優化。本文引入了DropBlock對絕緣子特征圖的某個局部區域中的神經元進行整體去除，該方法對特征圖中的連續區域進行了集合處理，這樣更加有利于去除特征圖中絕緣子復雜的背景信息，使網絡能夠更加關注所需識別絕緣子的自身特征，可以使目標檢測網絡表現出更佳的性能，對超參數的選擇也更加穩健。本文將DropBlock應用于FPN，具體使用位置如圖2中深灰色塊所示。

SPP是一種空間金字塔池化技巧。目前神經網絡模型都對網絡輸入的圖像大小有一定的要求，也就是限制了輸入圖像的長寬比和比例。當面對不同巡檢設備所采集到不同尺度的絕緣子圖像時，所采用的常規方法大多通過裁剪、扭曲等手段將輸入圖像調整到固定尺寸。但是裁剪后的區域可能不包含目標絕緣子的完整主體，而扭曲可能會導致絕緣子主體產生不必要的幾何變形，檢測精確度會受到內容缺失、幾何變形所帶來的不利影響。SPP使用3種不同大小的卷積核對提取出的特征圖進行池化操作，然后將3種情況下采樣后的結果與原輸入特征進行融合相加，進而得到固定大小特征圖的輸出，用最大合并操作提取不同尺寸的空間特征信息，可以提升模型對于空間布局和絕緣子物體變性的魯棒性。

2" 實驗與結果分析

本文采用Python編程語言， Pytorch深度學習框架，訓練顯卡為NVIDIA Tesla T4 GPU，操作系統為Ubuntu18.04。實驗采用3 200張絕緣子圖像作為實驗數據集，并對其進行訓練集和測試集劃分，隨機選擇3 000張作為訓練集，剩余200張作為測試集。為有效衡量本文改進算法的性能，采用精確度（precision）和召回率（recall）作為算法模型性能評價指標，公式如下

precision ，

式中：TP代表了正值正樣本；FP代表了負值正樣本；FN代表了負值負樣本。改進后的模型能準確標識出航拍圖像中的絕緣子，檢測效果如圖3所示。

為了證明本文所提基于改進YOLOv3的絕緣子檢測算法的可靠性，分別用不同的網絡模型對測試數據集進行了檢測，結果見表1，改進后的YOLOv3網絡相較于Fast RCNN、Faster RCNN和YOLOv3網絡準確率分別提升了5.17%、3.88%、3.03%，召回率分別提升了10.5%、8.5%、5.5%。檢測速度相比YOLOv3和Faster RCNN略微降低，但總體性能可以滿足電力巡檢要求。

本文分別設置了5種不同的模型訓練實驗，進一步驗證了不同改進策略對模型帶來的提升效果，檢測結果見表2。

表2結果展示了不同模型改進策略對最終檢測效果的影響。實驗2和實驗1相比，用CoordConv代替FPN中的1×1卷積層和檢測頭中的第一卷積層使精度提升了0.96%，可以更為精確地提取絕緣子特征，提升了網絡檢測的魯棒性。實驗3和實驗1相比，采用DropBlock丟棄局部語義信息使精度提升了1.07%，并且有效防止模型過擬合。實驗4和實驗1相比，在模型中加入空間金字塔池化結構使得檢測精度提升了1.91%。根據實驗5可知，利用3種改進策略對模型進行同時改進，改進后的檢測精度相較于原始網絡提升最大，為 4.21%。綜上所述，利用本文所提改進策略對YOLOv3模型進行改進，有效提升了模型針對航拍圖像絕緣子檢測的精度。

3" 結論

為了解決航拍圖像中絕緣子檢測精度較低的問題，本文提出了基于YOLOv3改進的絕緣子檢測模型，模型采用ResNet50-vd替換了原有的主干網絡DarkNet-53，提取復雜背景中的絕緣子特征。采用CoordConv、DropBlock及SPP技巧提高訓練穩定性及困難樣本檢測率。實驗結果表明，改進后YOLOv3網絡的絕緣子檢測精度相較于改進前提升了5.5%。但改進后網絡的檢測速度有所下降，且數據集中絕緣子樣本較少，故后續將在本文工作基礎上對數據集增強方法、模型輕量化設計進行探索和研究，進一步優化網絡，提高模型泛化能力和檢測精確度。

參考文獻：

[1] 陳樹勇，宋書芳，李蘭欣，等.智能電網技術綜述[J].電網技術，2009，33（8）：1-7.

[2] 湯明文，戴禮豪，林朝輝，等.無人機在電力線路巡視中的應用[J].中國電力，2013，32（1）：35-38.

[3] ZHAI Y， WANG D， ZHANG M， et al. Fault detection of insulator based on saliency and adaptive morphology[J].Multimedia Tools and Applications，2016，76（9）：1-14.

[4] 王偉，劉國海.絕緣子圖像的邊緣檢測[J].微計算機信息，2008（27）：308-309，154.

[5] 姚春雨，金立軍，閆書佳.電網巡檢圖像中絕緣子的識別[J].系統仿真學報，2012，24（9）：1818-1822.

[6] 馬鵬，樊艷芳.基于深度遷移學習的小樣本智能變電站電力設備部件檢測[J].電網技術，2020，44（3）：1148-1159.