基于YOLO算法的无人机航拍图片绝缘子缺失检测

杨罡 张娜 晋涛 王大伟

摘 要：输电线路上的绝缘子，长时间暴露在自然环境下，容易产生自爆缺失故障，进而容易损害整个输电线路的使用安全和运行寿命。对此，本文提出一种基于深度学习目标检测算法的端到端绝缘子缺失检测方法，利用深度卷积神经网络的强大学习能力，以及适当量的标注样本，学习到如何直接从无人机航拍照片中检测绝缘子，并自动区分完整绝缘子和缺失绝缘子。

关键词：绝缘子 深度学习 目标检测 卷积神经网络

中图分类号：TP391.4 文献标识码：A 文章编号：1672-3791（2018）08（c）-0030-02

输电线路中的绝缘子是一种特殊绝缘控件，通常是陶瓷或玻璃材质的，能够在输电线路中起到关键作用，一旦失效就会损害整个输电线路的使用安全和运行寿命[1]。

我国疆域辽阔，输电线路经常需要横跨山川河流，为了解输电线路运行情况以及解决输电线路潜在的隐患，电力部门慢慢用无人机巡线代替了人工巡线[2，3]。利用无人机巡检输电线路不受地理、气候等因素的影响，节约了大量的人力与物力。在巡检中，无人机拍摄大量的照片，基于这些照片，进行绝缘子检测是一种较为新颖的技术路线。

其中有研究提出了一种改进的FCM算法对绝缘子所在的区域进行分割，进而通过连通域标记算法对每片绝缘子进行标记，最终有效地计算出了绝缘子的个数；也有文献在相关研究中提出了一种利用梯度信息进行绝缘子的定位方法，在实现绝缘子定位的基础上建立单个绝缘子的特征描述子，最终实现绝缘子的故障检测；在多尺度的基础上引入了多特征描述符表达绝缘子的局部特征，随后构建了绝缘子的视觉特征库，针对待检测图像通过“粗-细”特征匹配策略消除背景噪声，最终确定了航拍图像中绝缘子的位置。

目前，大部分的研究工作是人工设计特征，提取特征，然后设计分类器，区分绝缘子区域，确定位置。本文基于目前速度和准确率兼顾的深度学习目标检测框架YOLO，设计了从输入图像直接到检测结果的端到端绝缘子缺失方法。

1 基于YOLO的绝缘子检测方法

传统的目标检测算法一般分为两步：首先，提取一定数量的目标候选框，具体提取方法有滑动窗口、选择搜索等；其次，是对目标候选框内的图像按照一定的方法提取特征，对特征进行分类，确定目标候选框内是否有某物体。YOLO算法将这两步合二为一，用一个深度卷积神经网络实现，在保证精度的同时，由于没有了提取目标候选框等耗时步骤，达到了较快的运行速度。

1.1 联合检测

如图1a所示，首先将图像分为SXS的网格。如果绝缘子的中心落入某格子，则格子就负责检测该绝缘子。每一个栅格负责预测B个包围盒，以及这些包围盒的置信分数。这个置信分数反映了模型对于这个栅格的预测：该栅格是否包含绝缘子，以及这个包围盒的坐标预测有多准确。如果这个栅格中不存在绝缘子，则置信分数为0，否则应该为预测出的包围盒与正式绝缘子包围盒的IOU（intersection over union，IOU）。包围盒由x、y、w、h4个值确定。坐标（x，y）代表预测包围盒的中心与栅格边界的相对值，坐标（w，h）代表了预测的包围盒的宽高与整幅图像宽高的比例。在预测包围盒的同时，如图1（b）所示，每个栅格还需要预测3个条件类别概率。即对每一个栅格，分别预测其属于背景，完整绝缘子、缺失绝缘子的概率。在一个栅格包含绝缘子时，预测它属于完整绝缘子或缺失绝缘子的概率应该最大，在栅格不包含绝缘子时，预测它属于背景的概率应该最大。在图1（b）中，深灰色栅格表示预测属于缺失绝缘子，浅灰色栅格表示预测属于完整绝缘子，黑色栅格表示预测背景。

1.2 网络设计

整个模型的卷积神经网络主体架构中所采用的Darknet-19。与VGG网络相似，该网络主要采用3×3的卷积核并且每次池化后，扩大一倍通道数。同时，该网络借鉴了NIN（Network in Network，NIN）的思想，在3×3的卷积之间使用（1×1）的卷积核来压缩特征图。与其中的处理相同，保持网络前面的卷积层不变，用来提取图像特征，只是将最后几层全连接层进行修改，根据卷积层提取的图像特征来预测绝缘子在图像中的位置和是否缺失的类别概率值。

2 实验结果与分析

2.1 数据集

深度学习算法通常需要大量的标注数据来训练模型，通过反向传播算法，使得模型学习到较好的参数来拟合从输入到输出间的映射。基于此，我们人工标注了大约700张无人机航拍照片作为训练数据集。

2.2 实验

实验结果示例图像如图2所示，导线、塔杆等表示完整绝缘子，方框标出来表示缺失绝缘子。结果表明，基于YOLO的绝缘子检测算法，能够较准确地检测出无人机航拍照片中的绝缘子，同时能够正确地区分出完整与缺失绝缘子。

对测试集中的100张无人机航拍照片的实验结果如表1所示。统计结果表明，本文的方法，在保持检测准确率较高的同时，检测每张图像平均只需要0.69s，达到了较快的速度。出现误检的主要原因是训练数据集的照片数量不充足。目前，本文只使用了719张照片进行训练，并且，这些照片中有许多是相同绝缘子。这些因素导致模型没有足够的泛化能力。

3 结语

绝缘子缺失检测的精度和速度关系到输电线路运行的稳定性，本文针对无人机航拍照片，提出基于YOLO的绝缘子检测算法，根据实验效果表明，其能够高效、准确地识别航拍照片中的完整绝缘子和缺失绝缘子，能够满足工程应用的要求。

参考文献

[1] Zhai Yong-Jie，Wang Di，Wu Yang， et al. Two-stage Recognition Method of Aerial Insulator Images Based on Skeleton Extraction[J]. Journal of North China Electric Power University（Natural science edition），2015（3）：105-110.

[2] 李勛，张欣，黄荣辉，等.无人机在电力行业的应用及需求分析[J].电气应用，2015（S2）：773-775.

[3] 彭向阳，刘正军，麦晓明，等.无人机电力线路安全巡检系统及关键技术[J].遥感信息，2015（1）：51-57.