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。

图1为基于YOLOv3网络的配网架空输电线路绝缘子检测算法原理,首先,将输入图像的尺寸缩放至416 pixel×416 pixel;然后,将图像划分为S×S个网格后输入深度神经网络进行训练;最后,检查每个网格的边界框和置信度。YOLOv3网络采用Darknet-53的基础网络对图像进行特征提取,包含了53个卷积层,可获得更深层次的特征,如图2所示;同时借鉴残差网络(ResNet)^[22]的思想,在网络中加入5个残差块(Residual block),每个残差块中包含不同数量的残差单元^[23],并通过CBL模块进行残差操作。其中,CBL模块包括卷积、BN和带泄露修正线性单元(Leaky ReLU)。基于特征金字塔网络(FPN)^[24]的思想,本网络增加了多尺度的特征融合,获得最小特征图后再进行两次上采样,然后在13×13、26×26、52×52三个尺度下进行特征融合与预测。

图 1. 基于YOLOv3网络的绝缘子检测

Fig. 1. Insulator detection based on the YOLOv3 network

下载图片 查看所有图片

图 2. Darknet-53的结构

Fig. 2. Structure of the Darknet-53

下载图片 查看所有图片

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

XIOU=G⋂PeG⋃Pe,(1)

式中,G为真实框,P_e为预测框。重新定义X_box与X_centroid之间的距离,可表示为

D(Xbox,Xcentroid)=1-XIOU(Xbox,Xcentroid),(2)

式中,X_box为数据集样本的目标框,X_centroid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

f=argmax∑a=1k∑b=1nkD(Xbox,Xcentroid)n,(3)

式中,n_k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,具体网络结构如图3所示。该网络与ResNet一样可以减轻梯度消失,加强图像特征的传递,泛化能力更好,且一定程度上可以减少参数量,使网络能更好地识别巡检图像中目标较小的绝缘子,获取更细致的特征,达到更好的分类效果。

图 3. DenseNet的结构

Fig. 3. Structure of the DenseNet

下载图片 查看所有图片

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

xn=Hn[x0,x1,…,xn-1],n=1,…,8,(4)

式中,x₀为模块的输入特征图,x_n为第n层的输出,[x₀,x₁,…,x_n-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。H_n为第n层的卷积结构,即CBL。密集连接结构如图4所示,其中每个Des unit由两个不同尺寸的CBL组成。

图 4. 密集连接网络的结构

Fig. 4. Structure of the densely connected network

下载图片 查看所有图片

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,如图5所示。由下往上操作时,分别用步长为1,尺寸为3×3、5×5、7×7的卷积核对尺寸为8×8的特征图进行池化,得到大小为6×6、4×4、2×2的特征图。然后,通过padding方式将特征图的尺寸还原为8×8,再经过池化并叠加初始特征图,得到4个维度为2048的特征图,从而消除目标尺寸不同导致的有效特征信息不一致问题,提升绝缘子的分类准确率。文献[ 25]在网络结构中加入SPP模块,在COCO数据集测试中的平均精度比原始算法高5%,验证了加入SPP模块对提升绝缘子目标检测精度的有效性。

图 5. SPP模块的结构

Fig. 5. Structure of the SPP module

下载图片 查看所有图片

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

L=lxy+lwh+lc+lcls,(5)

式中,l_xy为边界框定位损失函数(x、y为位置坐标),l_wh为边界框尺度损失函数(w×h为边界框的尺寸),l_c为置信度损失函数,l_cls为类别损失函数。实验用Focal损失函数(L_FL)替换l_c损失函数,可表示为

LFL=α(1-pt)γlg(pt),(6)

式中,p_t=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。L_FL的反向传播过程可表示为

dLFLdx=dLFLdptdptdx=α(1-pt)γ[γ(lgpt)pt-(1-pt)]=αexp(-x)1+exp(-x)γγlg11+exp(-x)11+exp(-x)-exp(-x)1+exp(-x)。(7)

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l_cls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

Lcls=-∑i=1m∑j=1n[sijlg(pij)+(1-sij)lg(1-pij)],(8)

式中,m为样本总量,n为类别数,s_ij为图像第j类的真实框,如果是该类为1,否则为0;p_ij为图像第j类预测框的置信度。改进后的损失函数由l_xy、l_wh、用Focal损失函数改进的L_FL、用均衡交叉熵改进的L_cls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,其结构如图6所示。为进一步提取绝缘子数据集的细粒度特征,首先,将输入图像的尺寸由416 pixel×416 pixel提高至512 pixel×512 pixel,以保留更多的目标信息。其次,针对巡检图像中绝缘子目标存在多尺度的问题,优化了网络中的多尺度融合预测机制,即将原网络只由{13×13、26×26、52×52}三个尺度特征图进行预测拓展为{8×8、16×16、32×32、64×64}四个尺度。从图6可以发现,经上采样操作与网络的特征图融合,再经一次卷积后进行预测,可增强特征的融合与复用,使小目标绝缘子的特征信息直接传递到深层特征中,避免了小目标特征在深层网络中的丢失问题,从而提升小目标绝缘子的检测精度。

图 6. DSM-Darknet的结构

Fig. 6. Structuref the DSM-Darknet

下载图片 查看所有图片

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为不同类型的绝缘子数据样本。

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

下载图片 查看所有图片

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所示。

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

P=TP/(TP+FP),(9)R=TP/(TP+FN),(10)

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,T_P为预测为正的正样本数,F_P为预测为正的负样本数,F_N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

XFPS=1T/F,(11)

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,结果如图8所示。可以发现,Avg IOU随K的增大越来越平稳,当K=9时,交并比为94.3%,继续增大K时,Avg IOU的变化较小。得到的9个anchor分别为{(15, 18), (20, 26), (29, 48), (45, 63), (53, 64), (62, 55), (72, 59), (86, 63), (91, 67)},实验时需将anchor数据设置到配置文件中。

图 8. K-means聚类的结果

Fig. 8. Results of the K-means clustering

下载图片 查看所有图片

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所示,其中√表示采用了对应的改进策略。可以看出,数据集在原始YOLOv3网络上的测试精度较低,原因是测试数据集上的绝缘子目标较小、类别数目不均衡、背景复杂。对于瓷质针式绝缘子,原始YOLOv3网络的准确率低于75%,原因是其形状外观和瓷质支柱绝缘子类似,且目标较小、背景复杂。相比原始YOLOv3网络,本算法的平均精度(mAP)提高了约12个百分点,对瓷质针式绝缘子、瓷质支柱绝缘子、复合绝缘子的检测精度均有明显提高,平均精度提升了约15个百分点;对玻璃悬式绝缘子、瓷质悬式绝缘子、瓷横担绝缘子的精度提升较小,平均精度仅提升了约8个百分点。

从表2可以发现,使用K-means聚类算法对目标框重新定义可明显提高算法的检测精度,此外,将原始网络中的残差模块替换为自定义的密集连接网络模块时,其检测精度也有大幅度提高,这验证了本算法的有效性。在网络中引入SPP模块和优化多尺度特征融合预测机制时,网络的mAP均有所提升,这表明池化模块可提升算法的检测精度。改进的损失函数也解决了瓷质针式绝缘子数目较少导致的检测精度低问题。图9为本算法和原始YOLOv3网络算法的平均训练损失函数曲线,可以发现,随着迭代次数的增加,两者均逐渐趋于平稳,但本算法的训练损失明显低于原始算法。

图 9. 绝缘子数据集的训练损失曲线

Fig. 9. Training loss curve of the insulator data set

下载图片 查看所有图片

图10和图11为本算法在测试集上每个类别的PR和ROC,可以发现,添加密集连接模块可进一步加强网络多层特征的复用和融合;增加SPP模块并优化多尺度特征融合预测机制可提高网络对图像深层特征的提取能力,从而克服原始网络容易漏检小绝缘子目标的缺点;改进原损失函数可提升网络整体的检测精度,使网络具有更好的鲁棒性和检测精度。

图 10. 不同绝缘子的PR曲线

Fig. 10. PR curves of different insulators

下载图片 查看所有图片

图 11. 不同绝缘子的ROC

Fig. 11. ROC of different insulators

下载图片 查看所有图片

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和图12所示。可以发现,相比SSD、YOLOv3网络等算法,本算法的精度、回归率、mAP均得到了明显提高,虽然FPS有所下降,但比部分算法的检测速度快。随着迭代次数的增加,本算法的精度逐渐趋于平稳,可达到93.4%。

图 12. 不同算法的mAP

Fig. 12. mAP of different algorithms

下载图片 查看所有图片

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,如图13所示。可以看出,在马路、村庄、森林和鱼塘等复杂背景和绝缘子出现遮挡的情况下,本算法依然可以准确识别出各类绝缘子,且在不同光照和有噪声图像下的检测效果较好,没有漏检和误判情况。这表明本算法能精准识别出配网架空输电线路图像中的绝缘子目标,且鲁棒性较好。

图 13. 多尺度密集网络的检测效果

Fig. 13. Detection effect of the multi-scale dense network

下载图片 查看所有图片

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。