输电线路悬挂点检测技术研究

李伟性，郑武略，王朝硕，王 宁，赵航航

（1.中国南方电网超高压输电公司广州局，广州 510000；2.中国南方电网超高压输电公司信通中心，广州 510000）

0 引言

输电线的巡检是电网的基本任务，利用巡检来发现输电线的安全隐患是保障电力安全输送的重要措施。早期的输电线巡检基本采用人眼来观测，效率低而且需要花费大量的经费。随着卫星图像分辨的提高，以及无人机技术的不断发展，利用高分辨率的卫星影像和无人机影像来进行输电线自动巡检逐渐成为了目前的主要作业方式[1]。卫星的优势是覆盖范围大，但是容易受到天气影响，而且重访的周期也比较长。无人机能够灵活的设定航线进行低空飞行，图像分辨率高，还能从不同角度对输电线进行拍摄，能够为巡检提供丰富的影像数据。由于无人机影像数据量较大，人工目视解译的方式的工作量巨大，因而如何自动地从影像数据中发现和定位输电线中的安全隐患（如绝缘子自爆[2]、树障、电力塔上的鸟巢等）就成为目前研究的热点。输电线自动检测研究集中于输电线的识别与分割[3]，主要用于输电线的三维建模与可视化管理。随着研究的深入，对安全隐患的自动检测与识别也开始增多。其中，绝缘子串的检测与自爆识别方面有了大量的研究和应用。传统的方法一般借助颜色或者形状的识别来进行检测[4,5]，随着深度学习技术的不断成熟，基于深度学习来进行绝缘子自爆检测成为目前研究的主流[6-10]。本文的研究以深度学习为基础，首次对绝缘子下方的悬挂点目标进行自动检测，目前的研究中还很少涉及这方面的工作，本文尝试用目前主流的检测方法进行悬挂点的检测，并对不同的方法进行比较。

1 相关工作

1.1 传统的输电线安全隐患检测

输电线安全隐患主要包括：绝缘子自爆脱落、电力塔顶端的鸟巢、输电线附近的树障等。鸟巢目标比较明显，只要样本量足够，采用深度学习都可以较好地解决；树障一般采用激光雷达直接获取三维坐标来进行检测。由于绝缘子自爆区域出现位置随意，绝缘子的种类也不止一种，因而绝缘子自爆的检测比较复杂。传统的基于视觉的绝缘子自爆区域检测的一般思路是：采用边缘提取或者分割的方法，将绝缘子串与图像背景进行分离，然后采用椭圆提取或形态学处理来定位自爆绝缘子的位置。张少平等[11]提出一种玻璃绝缘子自爆缺陷的检测及定位方法，该方法首先在色度空间（HSI）分别对色度和饱和度分量用最大类间方差法（OTSU）进行分割获取绝缘子连通区域，然后给予直方图对检测到的前景轮廓的倾角和面积分布进行统计来识别绝缘子轮廓，最后利用绝缘子串轮廓之间的距离来标记自爆绝缘子的位置。姜浩然等[12]利用最大类间方差分割图像，检测图像边缘后对Hough 变换进行改进来快速检测不完整椭圆，根据椭圆参数来识别绝缘子串，最后基于绝缘子串的位置信息实现了绝缘子的故障诊断。廖圣龙等[12]提出一种提取局部特征和直线拟合的检测方法，提取绝缘子的局部特征并通过特征匹配将航拍图像中的绝缘子分割出来，对绝缘子中提取出来的特征点进行直线拟合获得绝缘子的倾斜角度，最后对矫正后的绝缘子区域进行垂直投影，根据投影判断是否破损以及破损位置。

1.2 基于深度学习的目标检测

R-CNN[14]是第一个将深度学习技术应用到目标检测的技术，该技术分为3 个步骤：首先，提取候选的目标框，然后利用CNN 来提取特征，最后用SVM 来进行分类。由于每个候选框的特征都利用CNN 来单独计算，因而R-CNN的计算量较大，而且3 个步骤是彼此独立的，所以也不能进行端到端的优化。Faster R-CNN[15]是对Fast R-CNN[16]的进一步提升，将候选框的提取用RPN（Region Proposal Network）来实现候选框的提取，然后将候选框作为输入来训练Fast R-CNN，这样就把候选框的提取和类型识别都用神经网络来实现，提高了运算的速度。RPN 本身其实就是一个独立的深度网络结构，可以用来判断一个候选框是否是感兴趣的目标并进行打分，同时还可以根据标定的基准数据（Ground Truth）来对候选框进行坐标回归。SSD[17]以及类似的检测方案不再单独预测目标框，而是使用一个网络来直接预测类别和目标框的回归值。相比Faster R-CNN，SSD 的网络结构更简单。此外SSD 在不同尺度的特征图上都进行了目标检测，能够充分地利用不同特征图像下的不同感受视野的特征信息。SSD 的速度比Faster R-CNN 快，但是对小目标的检测不如Faster R-CNN。YOLO[18]的网络设计比SSD 更简单，而且只用最后一个特征层来进行目标识别和坐标回归，速度更快，但是检测的精度比SSD 要差些。YOLO9000[19]则是对YOLO 进行了改进（改进后的版本为YOLO2），去掉了YOLO 中的全连接层而改为卷积层，增加了Batch Normalization 来解决过拟合的问题，并采用不同分辨率的网络来训练参数，同时还把聚类获得最优的Anchors 的技术也引入到检测中。因此，提高了检测的精度。此外，YOLO9000 还创新地提出了一种将分类数据库和标记数据库组合进行训练的方式，实现了多达9000 类目标的检测与识别。YOLO2 包含23 个卷积层，5 个池化层（缩小2 倍）。YOLO 的第3 个版本在2018 年发布，YOLO v3 在YOLO2 的基础上，加入了多分辨率的机制，将不同分辨率的特征层用于目标检测，有效地提高了小目标检测的正确率，同时还保证了检测的效率。

文献[20]总结了常用的目标检测方案，并重点对比了Faster R-CNN,SSD（Single Shot Multibox Detector），R-FCN（Region-based Fully Convolutional Networks）3 种算法。这3 种算法都借助已有的图像识别架构来从图像中获取抽象的影像特征，然后进一步进行目标位置提取。深度学习中常用的网络架构包括：VGG[21]，Resnet[22]，Inception V2，Inception V3，Inception Resnet (v2)，MobileNet[23]等。文 献[20]将目标检测的3 种方案与特征提取网络进行组合，并进行训练和测试，结果表明Inception Resnet (v2)的检测精度最高，当降低候选框的数量时，Faster R-CNN + Resnet的组合也能够获得较高的运行效率和识别精度。

1.3 基于深度学习的输电线部件检测

陈庆[24]等在5 个卷积池化模块和2 个全连接模块组成的经典架构的基础上，对网络进行改进，实现在复杂航拍背景中绝缘子检测。同时，在训练的网络模型中抽取绝缘子的特征融入自组织特征映射网络中，实现显著性检测，结合超像素分割和轮廓检测等图像处理方法，对绝缘子进行数学建模，提出一种针对绝缘子自爆故障的识别算法。王万国[25]详细描述了Faster R-CNN 算法流程，并在无人机输电线巡检图像部件检测中使用，然后分别对DPM、SPPnet 和Faster R-CNN 识别方法进行了对比分析，利用实际采集的电力小部件巡检数据构建的数据集，对3 种方法进行测试验证，并讨论了不同参数对识别结果的影响。实验结果表明，基于深度学习的识别方法实现电力小部件的识别是可行的,而且利用Faster R-CNN 进行多种类别的电力小部件识别定位可以达到每张近80 ms 的识别速度和92.7%的准确率。黄文琦[26]基于Faster R-CNN 进行绝缘子识别的探索与应用，通过对来源于不同场景的百量级绝缘子图像进行实验，验证了Faster R-CNN 模型在百量级图像中的可用性和鲁棒性。陈景文等[27]提出一种基于深度学习U-net 网络的航拍绝缘子检测方法，自动分层特征提取，通过叠加的方法将浅层特征与高维特征相融合。其中，浅层的高分辨率特征图用来进行像素定位，深层高维特征图进行像素分类，避免了目标位置等细节信息的丢失，提高了定位精度，能够有效检测出复杂背景下的绝缘子，准确率达到88.9%。

图1 Faster R-CNN网络示意图Fig.1 Faster R-CNN Network diagram

图2 SSD网络结构图Fig.2 SSD Network structure

2 悬挂点检测

目前，主流的算法主要分为两个类型：1）two-stage 方法：如R-CNN 系算法，其主要思路是先通过启发式方法（selective search）或者CNN 网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage 方法的优势是准确度高；2）one-stage 方法：如Yolo 和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN 提取特征后直接进行分类与回归。整个过程只需要一步，所以其优势是速度快，但是均匀的密集采样的一个重要缺点是训练比较困难。这主要是因为正样本与负样本（背景）极其不均衡，导致模型准确度稍低。

相比绝缘子，鸟巢等目标，悬挂点目标较小，而且纹理也不丰富。为了评价不同检测算法的性能，本文采用two-stage 系列的Faster R-CNN 和one-stage 系列的SSD 和YOLO V3 来进行悬挂点检测，并进行精度比较分析。

2.1 Faster R-CNN检测框架

Faster R-CNN 在Fast R-CNN 的基础上，将候选目标框的生成也用神经网络来完成。RPN（Region Proposal Network）用来进行候选目标框额提取，RPN 与目标框包含目标的分类采用相同的特征提取层。特征提取层可以选择早期VGG，ZF 网络，或者其他在图像分类中取得很好效果的卷积神经网络结构，如残差网络(Resnet)，GoogLeNet 等。Faster R-CNN 的训练包括对RPN 的训练以及分类网络的训练，在实际操作时可以采用迭代训练的方式来进行。Faster R-CNN 可以看作是两步检测的方法，准确度较高，但是训练比较复杂。Faster R-CNN 的网络结构见图1。

2.2 SSD检测框架

SSD 采用CNN 来直接进行检测，而且采用不同尺度的特征图来进行检测。大尺度特征图（较靠前的特征图）可以用来检测小物体，而小尺度特征图（较靠后的特征图）用来检测大物体。SSD 借鉴了Faster R-CNN 中anchor 的理念，每个单元设置尺度或者长宽比不同的先验框，预测的边界框（bounding boxes）是以这些先验框为基准的，在一定程度上减少训练难度。一般情况下，每个单元会设置多个先验框，其尺度和长宽比存在差异。在特征提取方面，SSD 采用VGG16 作为基础模型，然后在VGG16 的基础上新增了卷积层来获得更多的特征图以用于检测。SSD 网络结构见图2。

2.3 YOLO检测框架

YOLO 采用一步检测的方案，相比两步检测的方案速度快。到目前为止，YOLO 已经经过了三代的迭代和提升，速度和精度都有了巨大提高。YOLO 将检测建模为回归问题，它将图像分成S×S 的网络，并且每个网格单元预测B个边界框，这些边界框的置信度以及C 个类别概率，这些预测被编码为SxSx（B*5+C）的张量。第二个版本的YOLO受Faster R-CNN 的启发，加入了anchor 的思想，在卷积特征图上进行滑窗操作，每一个中心可以预测9 种不同大小的建议框，并去掉了后面的一个池化层以确保输出的卷积特征图有更高的分辨率。第3 个版本则加入了不同分辨率来进行检测的机制，将深层特征上采样后，与浅层特征融合，分别形成多个尺度，输出特征图进行检测，每个尺度对应3 种不同大小的anchor，负责预测不同大小的目标。第一个版本的网络结构见图3。

3 实验与分析

图3 YOLO V1网络价格Fig.3 YOLOV1 Network price

表1 Faster R-CNN检测效果Table 1 Faster R-CNN detection effect

表2 SSD检测效果Table 2 SSD Detection effect

表3 YOLO-V3检测效果Table 3 YOLOV3 Detection effect

图4 3种算法的PR曲线Fig.4 PR Curves of the three algorithms

图5 悬挂点检测效果图Fig.5 Suspension point detection effect diagram

本文采用Faster R-CNN，SSD，YOLO-V3 来进行悬挂点检测试验。训练集样本为2350 张，测试集为260 张。为了评价不同算法的检测效果，计算了不同阈值对应的正确率，召回率和F1-Score，见表1、表2 和表3。

根据表1 ～表3 的结果，可以绘制PR 曲线来直观评价3 种算法对悬挂点的检测效果。

从PR 曲线可以看出，YOLO-V3 的检测效果最好，Faster R-CNN 次之，SSD 的检测效果最差。为了显示观测悬挂点的检测效果，将检测效果与实际拍摄图像进行叠加，效果见图5。

4 结论

本文对输电线悬挂点目标进行检测，并对比目前主要3 种基于深度学习的算法的检测效果，实验表明YOLO-V3的检测效果最好，SSD 最差，Faster R-CNN 介于二者之间。实验结果也证明YOLO-V3 相比前面的两个版本，在小目标检测方面有了明显地提升。悬挂点的检测与对比实验较少，本文的研究与结果也为输电线系统进行小目标检测提供了有益的参考。迁移学习是近年来的研究热点，可以解决小样本导致的网络训练慢和不收敛的问题，结合输电线样本量整体较少的情况，在后续的研究中将结合迁移学习来提高训练的效率和精度。