基于多尺度密集网络的配网架空输电线路绝缘子识别 下载: 684次
1 引言
绝缘子作为配网架空输电线路的重要组成部分之一,具有良好的电气绝缘隔离和机械保护支撑作用[1]。绝缘子长期暴露在户外和恶劣气候环境下,容易出现破裂、污损等缺陷,其结构的完整性直接影响了配网架空输电线路的稳定性和安全性[2-3]。由于城乡配电网络的覆盖区域越来越广,人工巡检线路的工作效率低,且山区、农田、水塘等线路的巡检难度大[4]。无人机具有安全、高效和准确等特点,已成为配电线路巡检的重要方式[5]。利用无人机采集绝缘子图像并将计算机视觉技术应用到巡检图像中可以减少人工肉眼识别的工作量,提高巡检效率,也可以避免误判和漏检情况[6]。应用于配网架空输电线路上的绝缘子有多种类型,如瓷质、悬式绝缘子和复合绝缘子,这些绝缘子的构成材料及外观结构不同,出现的故障类型也有所差异。如悬式绝缘子的自爆、掉串故障;瓷质绝缘子有放电痕迹;复合绝缘子的伞裙破损。因此,如何快速精准地对航拍配网架空输电线路图像中的绝缘子进行识别分类是实现绝缘子运行状态智能检测与故障诊断的基础[7]。
传统的绝缘子检测技术主要通过手工设计的特征描述符提取图像特征,如支持向量机(SVM)[8]、可变型部件模型(DPM)[9]和方向梯度直方图(HOG)[10]算法。赵俊梅等[11]提出了一种利用像素统计法对绝缘子图像进行二值分割的算法,Qi等[12]提出了一种基于轮廓分割的绝缘子检测算法。这些传统算法复杂度高、计算量大、实时性低,且鲁棒性和通用性较差,在工程应用中难以实现。深度卷积神经网络(CNN)具有适用性强、目标检测效率高等优点,自提出后迅速取代了传统算法在图像处理领域中的地位[13],基于深度学习的模型也逐渐被应用到电网航拍巡检图像的目标检测与缺陷诊断上。李军锋等[14]将随机森林与CNN相结合,首先用AlexNet对电力设备图像进行特征提取,然后用训练好的随机森林算法对该网络提取的特征进行分类,完成了多类电力设备的检测。程海燕等[15]直接利用Faster 区域卷积神经网络(R-CNN)模型对航拍绝缘子图像数据进行训练和检测,但该算法对较小的绝缘子目标存在漏检等问题。赵振兵等[16]针对绝缘子遮挡等问题,在R-CNN模型中加入对抗空间网络(ASDN)对特征图部分生成掩码,得到了更多遮挡的样本,从而提高模型对遮挡样本的检测效果。Wang等[17]采用一种基于候选区域的单目多框检测(SSD)算法对绝缘子缺陷进行定位和识别。Chen等[18]利用二级全卷积网络(SOFCN)对绝缘子进行故障检测,该算法在不需要特征提取和分类器选择的情况下,能有效抑制复杂背景的干扰,获得较高的识别精度。
对于航拍巡检图像中绝缘子的识别与故障诊断,已有研究多关注高压输电线路上绝缘子串的自爆与缺陷检测,对配网架空输电线路上的绝缘子检测研究较少;且航拍配网输电线路上的图像背景复杂,绝缘子目标较小,容易出现漏检和误判。针对上述问题,本文用适用性较强的YOLOv3(You only look once)网络作为基础网络,提出了一种基于多尺度(Multi-scale)密集网络的配网架空输电线路绝缘子识别算法,并构建了航拍配网架空输电线路绝缘子图像数据集进行训练和测试。实验结果表明,本算法能准确识别出巡检图像中的绝缘子,且鲁棒性和实用性较强。
2 YOLOv3网络模型
航拍巡检数据集的图像背景和形态在不同拍摄角度下是复杂多样的,因此,需要选择一种稳定且高效的目标检测网络对其进行识别。Redmon等[19]提出的YOLO网络用CNN直接预测不同目标的位置与类别。YOLOv2网络[20]给所有卷积层(Conv)添加批标准化(BN),可抑制更多的冗余信息,但在目标重叠遮挡情况下的检测效果不佳。YOLOv3网络[21]通过引入特征金字塔、残差结构以及改变模型结构等操作,使模型性能得到显著提升,其网络结构清晰,能在准确率较高的情况下对目标进行快速分类,可应用于实际工程中。
3 检测算法
航拍配网架空输电线路图像中的绝缘子目标较小且背景复杂,在实际巡检任务中,传统目标检测算法存在漏检和误判等情况,识别精度不高。考虑到电网巡检任务的应用需求,选用目前通用性较强、检测精度和实时性较好的YOLOv3网络进行改进并测试。首先,用K-means算法对数据集中的目标框进行聚类分析,获取合适的anchor;其次,将基础网络的残差块替换为自定义的密集连接网络,以增强图像的特征提取和复用;然后,添加空间金字塔池化(SPP)模块、优化多尺度特征融合以对绝缘子进行预测;最后,用一种融合交叉熵函数和Focal损失函数的损失函数替换原始损失函数,解决了训练阶段数据集样本类别和复杂度不均衡的问题。
3.1 数据集目标框的改进
原始YOLOv3网络定义的anchor可适用于COCO数据集,由于航拍巡检数据集中绝缘子目标框的宽高和原始定义不同,直接使用时会影响网络对绝缘子目标的检测速度和精度。合适的anchor不仅能消除候选框带来的误差,还可以加快损失函数的收敛。因此,利用K-means算法对航拍配网架空输电线路数据集中的绝缘子目标框进行聚类分析。
K-means算法采用欧氏距离作为判别依据,获得的anchor会使大包围框产生的误差比小包围框更大。IOU为真实框(GT)与预测框(predicted box)的交并比,可衡量预测边界框的准确性,可表示为
式中,G为真实框,Pe为预测框。重新定义Xbox与Xcentroid之间的距离,可表示为
式中,Xbox为数据集样本的目标框,Xcentroid为簇的中心。目标聚类分析的依据为平均重叠度Avg IOU,其目标函数f可表示为
式中,nk为第k个聚类中心的样本个数,n为样本的总个数,k为簇的个数,a、b分别为样本和聚类中心样本的序号。
3.2 密集连接网络
在航拍绝缘子图像中,受背景和光照的影响,难以识别有些过度曝光图像中的目标,且有些绝缘子目标较小。Darknet-53在每次降采样中只使用较少的维度,会丢失很多特征信息,导致检测层特征图上目标信息量不足。本算法借鉴DenseNet[25]的思想,通过对图像特征的重复利用达到更好的识别效果。更密集的网络结构,不仅可以进行层与层之间的信息传递,每一个卷积层还可以得到前面所有卷积层的信息,具体网络结构如
将原始YOLOv3网络中的残差网络模块替换为自定义的密集连接网络模块,构建一个有紧密连接的网络,使网络在预测之前能接收密集连接块输出的多层特征卷积,实现特征的复用与融合。密集连接块的输出可表示为
式中,x0为模块的输入特征图,xn为第n层的输出,[x0,x1,…,xn-1]为输入层到n-1层特征图的拼接,对于一个n层网络,共包含n(n+1)/2个连接。Hn为第n层的卷积结构,即CBL。密集连接结构如
3.3 空间金字塔池化
SPP是一种可以将局部特征映射到不同维度空间并将其融合的池化方法,能产生固定大小的特征向量,使网络结构适应制作数据集过程中裁剪等因素导致的比例、尺寸不同的输入图像。SPP模块全部为池化操作,通过步长为1的卷积操作和padding方式使输入前后特征图的尺寸一致,如
3.4 改进损失函数
用均衡交叉熵函数和Focal损失函数改进原始损失函数,针对配网架空输电线路绝缘子数据集中存在的前景和背景复杂度不均衡现象以及绝缘子数据不同类别中样本数量的不均衡现象,Lin等[26]提出了Focal损失函数,通过减少易分类样本的权重,使网络在训练过程中更专注稀疏的难分类样本,防止算法只学习到某一类样本信息,从而影响损失函数的梯度更新方向。原始损失函数可表示为
式中,lxy为边界框定位损失函数(x、y为位置坐标),lwh为边界框尺度损失函数(w×h为边界框的尺寸),lc为置信度损失函数,lcls为类别损失函数。实验用Focal损失函数(LFL)替换lc损失函数,可表示为
式中,pt=1/[1+exp(-x)]为模型对检测目标的预测概率,x为全连接层的输出,α 和γ 为超参数,分别为0.25和2。LFL的反向传播过程可表示为
由于航拍配网架空输电线路图像中每张图像可能含有多种类型的绝缘子,每个标签都是独立分布且互不影响。因此,用均衡交叉熵函数对lcls进行改进,单独对每个类别进行计算,每个类别只有两种可能值,是一个二项分布,可表示为
式中,m为样本总量,n为类别数,sij为图像第j类的真实框,如果是该类为1,否则为0;pij为图像第j类预测框的置信度。改进后的损失函数由lxy、lwh、用Focal损失函数改进的LFL、用均衡交叉熵改进的Lcls组成。
3.5 本算法的网络结构
通过引入自定义的DenseNet和SPP模块,优化多尺度融合预测机制等策略改进原始算法的网络结构,将网络结构定义为多尺度密集网络DSM(DenseNet-SPP-multi-scale)-Darknet,其结构如
4 实验结果及分析
4.1 构建配网架空输电线路绝缘子图像数据集
为了验证本算法的鲁棒性,需构建一定数量的绝缘子图像数据集,使训练中获得更多准确的特征参数。实验使用的数据集图像为南方电网提供的无人机巡检图像,包含绝缘子图像的有5120张。数据集样本图像中的绝缘子用途及形态结构包括玻璃悬式绝缘子(GS)、瓷质悬式绝缘子(PS)、瓷质针式绝缘子(PPin)、瓷质支柱绝缘子(PPost)、瓷横担绝缘子(PC)、复合绝缘子(R)6类,图像背景复杂多样,且存在互相遮挡、杆塔、房屋、丛林等干扰信息,
图 7. 绝缘子数据集。(a) GS;(b) PS;(c) PPin;(d) PPost;(e) PC;(f) R
Fig. 7. Insulator data set. (a) GS; (b) PS; (c) PPin; (d) PPost; (e) PC; (f) R
构建的数据集根据VOC的建库方式,借鉴文献[
27]的数据增广方法,对已有绝缘子图像进行水平镜像翻转、裁切、随机旋转等处理并剔除效果较差的图像后,建立了包含13500张绝缘子图像的数据集。为了提高模型的泛化能力,将60%的图像作为训练集(Train)、15%的图像作为训练验证集(Train Val)、25%的图像作为测试集(Test),数据集中6类绝缘子的类别分布情况如
表 1. 数据集中不同类别的数目
Table 1. Number of different categories in the data set
|
4.2 参数设置与评估指标
训练参数:输入图像的尺寸为512 pixel×512 pixel,每次训练迭代的batch为128,共8个批次,最大训练迭代次数为60000次;用随机梯度下降(SGD)法更新权值,权值衰减和动量分别为0.0005和0.9,初始学习率为0.001,学习率策略使用step,当网络迭代至30000次和45000次时,学习率分别降为0.0001和0.00001。
用目标检测常用的模型评价指标评价本模型,包括准确率(Precision)和召回率(Recall),并根据多次实验数据绘制出PR(Precision-Recall)曲线,具体计算公式可表示为
式中,P为检测到绝缘子目标图像中包含真正目标的比例,R为包含绝缘子目标图像中被成功检测出的比例,TP为预测为正的正样本数,FP为预测为正的负样本数,FN为预测为负的正样本数。结合PR曲线和受试者工作特征曲线(ROC)展示本算法的分类性能,每秒传输帧数(FPS)也是目标检测中的重要性能指标,可表示为
式中,T为总时间,F为帧数。
4.3 数据目标框的聚类分析
K的值是对配网架空输电线路绝缘子图像数据集中的绝缘子目标框进行K-means聚类分析得到,对于K个聚类中心,取其最优值并绘制K与Avg IOU之间的关系,结果如
4.4 不同改进对实验结果的影响
为了验证添加DenseNet、引入SPP模块、优化多尺度特征融合、改进损失函数、输入尺寸与改进anchor对算法的影响,进行了对比实验,结果如
表 2. 不同策略对算法结果影响
Table 2. Different strategies influence the results of the algorithm
|
从
4.5 不同算法的对比实验
为了验证本算法的优势,用目前主流的深度学习目标检测网络在配网架空输电线路绝缘子图像数据集上进行训练和测试实验,包括Faster R-CNN、SSD、RetinaNet和YOLOv3网络,将迭代次数达到稳定后的检测结果进行对比,结果如
表 3. 不同算法的检测结果
Table 3. Test results of different algorithms
|
为了直观展示本算法的检测效果和鲁棒性,给出了不同场景下本算法的检测效果,如
5 结论
绝缘子作为输电线路重要的设施之一,对其进行准确识别分类是实现配网架空输电线路绝缘子故障诊断和缺陷检测的重要前提。为了对绝缘子进行准确识别,提出了一种基于多尺度密集网络的配网架空输电线路绝缘子识别算法。通过K-means聚类分析数据集并改进其anchor、增大输入图像的尺寸、添加密集连接网络、引入SPP模块、优化多尺度特征融合预测机制和改善损失函数等策略对原始网络进行改进。构建绝缘子图像数据集进行测试,实验结果表明,本算法能准确识别出配电网架空线路上的绝缘子,相比原始算法,准确率提高了约12个百分点,且鲁棒性更强,在电力检修方面有很大的应用前景。下一步将在此基础上实现绝缘子的缺陷、裂缝识别以及复合绝缘子伞裙破损等故障的诊断。
[4] Cheng HY, ChenR, Wang JN, et al.Study on insulator recognition method based on simulated samples expansion[C] //2018 Chinese Control And Decision Conference (CCDC), June 9-11, 2018, Shenyang, China.New York: IEEE Press, 2018: 2569- 2573.
[5] Zhao ZB, Xu GZ, Qi YC, et al.Multi-patch deep features for power line insulator status classification from aerial images[C] //2016 International Joint Conference on Neural Networks (IJCNN), July 24-29, 2016, Vancouver, BC, Canada.New York: IEEE Press, 2016: 3187- 3194.
[8] Prakash N, Singh Y. Fuzzy support vector machines for face recognition: a review[J]. International Journal of Computer Applications, 2015, 131(3): 24-26.
[9] Felzenszwalb P F, Girshick R B, McAllester D, et al. Object detection with discriminatively trained part-based models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(9): 1627-1645.
[10] DalalN, TriggsB. Histograms of oriented gradients for human detection[C] //2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05), June 20-25, 2005, San Diego, CA, USA.New York: IEEE Press, 2005: 886- 893.
[11] 赵俊梅, 张利平. 绝缘子图像的多种特征提取技术的研究[J]. 电测与仪表, 2013, 50(12): 37-41.
[12] Qi YC, XuL, Zhao ZB, et al. A cosegmentation method for aerial insulator images[M] //Wang S, Ma H, Di K, et al. Advances in Image and Graphics Technologies. IGTA 2015. Communications in Computer and Information Science, Berlin, Heidelberg: Springer, 2015, 525: 113- 122.
[13] 段仲静, 李少波, 胡建军, 等. 深度学习目标检测方法及其主流框架综述[J]. 激光与光电子学进展, 2020, 57(12): 120005.
[14] 李军锋, 王钦若, 李敏. 结合深度学习和随机森林的电力设备图像识别[J]. 高电压技术, 2017, 43(11): 3705-3711.
Li J F, Wang Q R, Li M. Electric equipment image recognition based on deep learning and random forest[J]. High Voltage Engineering, 2017, 43(11): 3705-3711.
[15] 程海燕, 翟永杰, 陈瑞. 基于Faster R-CNN的航拍图像中绝缘子识别[J]. 现代电子技术, 2019, 42(2): 98-102.
[16] 赵振兵, 崔雅萍, 戚银城, 等. 基于改进的R-FCN航拍巡线图像中的绝缘子检测方法[J]. 计算机科学, 2019, 46(3): 159-163.
[17] Wang WG, Wang ZL, LiuB, et al.Typical defect detection technology of transmission line based on deep learning[C] //2019 Chinese Automation Congress (CAC), November 22-24, 2019, Hangzhou, China.New York: IEEE Press, 2019: 1185- 1189.
[18] Chen J W, Xu X, Dang H S. Fault detection of insulators using second-order fully convolutional network model[J]. Mathematical Problems in Engineering, 2019, 2019: 1-10.
[19] RedmonJ, DivvalaS, GirshickR, et al.You only look once: unified, real-time object detection[C] //2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 27-30, 2016, Las Vegas, NV, USA. New York: IEEE Press, 2016: 779- 788.
[20] RedmonJ, FarhadiA. YOLO9000: better, faster, stronger[C] //2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), July 21-26, 2017, Honolulu, HI, USA. New York: IEEE Press, 2017: 6517- 6525.
[22] He KM, Zhang XY, Ren SQ, et al.Deep residual learning for image recognition[C] //2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 27-30, 2016, Las Vegas, NV, USA.New York: IEEE Press, 2016: 770- 778.
[23] 鞠默然, 罗海波, 王仲博, 等. 改进的YOLOv3算法及其在小目标检测中的应用[J]. 光学学报, 2019, 39(7): 0715004.
[24] 陈景明, 金杰, 王伟锋. 基于特征金字塔网络的改进算法[J]. 激光与光电子学进展, 2019, 56(21): 211505.
[25] HuangG, LiuZ, van der MaatenL, et al. Densely connected convolutional networks[C] //2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), July 21-26, 2017, Honolulu, HI, USA.New York: IEEE Press, 2017: 2261- 2269.
[26] Lin T Y, Goyal P, Girshick R, et al. Focal loss for dense object detection[J]. 2017 IEEE International Conference on Computer Vision (ICCV), 2017: 2999-3007.
Article Outline
陈志豪, 肖业伟, 李志强, 刘洋. 基于多尺度密集网络的配网架空输电线路绝缘子识别[J]. 激光与光电子学进展, 2021, 58(8): 0815003. Zhihao Chen, Yewei Xiao, Zhiqiang Li, Yang Liu. Insulators Identification for Overhead Transmission Lines in Distribution Networks Based on Multi-Scale Dense Network[J]. Laser & Optoelectronics Progress, 2021, 58(8): 0815003.