多模型融合的输电线路绝缘子自爆故障检测

林志成，缪希仁，江 灏，陈 静

(福州大学电气工程与自动化学院,福建 福州 350108)

0 引言

绝缘子是架空输电线路中广泛应用的关键部件之一，主要起到支撑与绝缘作用.由于受外界自然环境等因素影响，绝缘子易发生自爆、污秽、裂纹等故障，严重威胁输电线路的安全可靠运行[1].因此有必要在输电线路巡检过程中及时对故障绝缘子进行检测识别.其中，绝缘子自爆是架空输电线路中常见故障类型之一.由于巡检图像中绝缘子自爆区域较小，目标背景较为复杂,给绝缘子自爆故障检测研究带来一定挑战.

近年来，无人机在架空输电线路巡检中开始逐步应用，有效提高了架空输电线路巡检工作效率[2].现阶段，无人机巡检主要通过机载相机采集海量输电线路关键部件图像，传输至本地巡检数据库后，通过分析巡检图像实现输电线路关键部件故障检测.目前，在绝缘子识别与故障检测方面，Oberweger等[3]运用椭圆描述算子实现绝缘子目标检测，然后运用离群因子检测方法实现绝缘子故障检测.Zhai 等[4]结合故障绝缘子显著性特征并利用自适应形态学算法实现输电线路中绝缘子识别及故障检测.韩正新等[5]通过对巡检图像进行色彩转换及基于最大类间方差与最大熵值分割方法实现巡检图像中绝缘子识别，进一步通过空间序列关系建立的特征检测算法实现绝缘子自爆检测.随着近几年深度学习在图像目标识别与检测领域的发展，基于深度学习的绝缘子识别与故障检测方面的研究也逐步推进.Chen等[6]使用一阶全卷积网络分割绝缘子区域，经过形态学重建处理后，再次使用全卷积网络检测故障绝缘子.Zhao等[7]提出一种多区域联合的深度卷积神经网络结构以提取巡检图像中绝缘子特征，再利用支持向量机实现绝缘子故障状态检测.Xian等[8]提出一种基于深度卷积神经网络的级联结构，将绝缘子故障检测问题转为两级对象检测问题，实现巡检图像中绝缘子故障检测.但目前绝缘子识别与故障检测研究主要集中于单一方法检测，所提算法较少综合考虑巡检图像中绝缘子故障检测实际特点，因此，有必要开展并深入多模型融合检测算法在绝缘子故障检测方面的研究.

针对以上问题，为有效实现输电线路中绝缘子自爆故障检测，通过分析对比现有目标检测算法的绝缘子自爆故障检测差异性特点，选取差异性较为明显的三个目标检测算法，利用融合算法，融合各模型绝缘子自爆故障检测结果，最后实现输电线路巡检图像中绝缘子自爆故障检测.

1 绝缘子自爆故障检测原理

图1 绝缘子自爆故障检测原理图Fig.1 Insulator self-explosion fault detection schematic

针对电力巡检图像中绝缘子自爆区域较小，目标背景较为复杂的特点，为有效实现电力巡检图像中绝缘子自爆故障检测，提出一种多模型融合计算的输电线路绝缘子自爆故障检测方法，原理如图1所示.故障检测主要分为训练和检测两个阶段.训练阶段主要利用打标处理后的数据分别对三个模型进行训练，当损失值趋于稳定时固化各网络模型；检测阶段首先利用三个训练好的目标检测网络实现巡检图像中绝缘子自爆故障区域检测，其次利用多模型融合计算各模型检测得到的绝缘子自爆故障区域框信息及置信度值，实现无人机电力巡检图像中绝缘子自爆故障检测.

1.1 目标检测算法原理

所用目标检测算法可分为One stage与Two stage两种，One stage目标检测算法主要有： YOLOv3[9]、SSD[10]、Retinanet[11]等；Two stage目标检测网络主要有： R-CNN[12]、Faster RCNN[13]、Mask RCNN[14]等.

1.1.1Onestage目标检测算法原理

One stage目标检测算法具有检测速度较快的特点，核心思想就是直接将目标边框定位的问题转化为回归问题处理.One stage目标检测基本流程如图2所示.1) 利用基础特征提取网络实现输入图像深度特征提取；2) 直接回归计算目标框坐标位置与类别概率.

1.1.2Twostage目标检测算法原理

与One stage目标检测相比，Two stage目标检测效率较低，但是检测准确率较高.Two stage核心思想是在特征图上先生成一系列区域候选框，再通过卷积神经网络对区域候选框进行分类及框坐标微调.Two stage目标检测基本流程如图3所示.1) 通过深度卷积神经网络实现图像深度特征提取；2) 利用RPN网络生成一系列区域候选框并对目标框进行分类与位置初预测；3) 运用全连接层对候选区域框中位置坐标进行修正与目标类别判断.

图2 One stage 目标检测流程Fig.2 One stage object detection process

图3 Two stage 目标检测流程Fig.3 Two stage object detection process

1.1.3目标检测模型特性分析

以YOLOv3和Retinanet为代表的One stage目标检测网络通过直接在图像中的回归操作，在保证检测精度基础上，大大提高了检测速度.YOLOv3网络结构如图4所示.它将图片划分为网格区域，在包含目标中心点的网格中预测目标的矩形定位框与类别，通过引入锚点框(Anchor)机制使每个网络可预测多类别与多尺度目标，有利于图像中小目标物体的检测.然而，在直接回归算法中生成的大部分区域候选框只包含背景，易使训练样本出现类别不平衡问题，正样本形成的损失无法有效训练网络参数.

图4 YOLOv3目标检测网络Fig.4 YOLOv3 object detection network

为有效解决上述问题，Retinanet通过引入改进的交叉熵(Focal loss)损失函数为

FL(pt)=-at(1-pt)γln(pt)

(1)

其中：y∈{+1-1}为真实框的类别；p∈[0,1]为类别y=1的预测概率；at∈[0,1]为控制系数主要调节正负样本对总的损失值的共享权重；(1-pt)γ为调制系数，主要控制易分类与难分类样本的权重，假设γ不为0时，当某一样本易被分错时pt较小，则调制系数趋近于1对原来损失值影响较小，若pt趋近于1说明该样本属于易分类样本，则调制系数为0，当前样本对总的损失值贡献变小.

Retinanet目标检测网络通过引入Focal loss损失函数，有效减少大批量负样本损失，最终实现网络既能保证高检测精度，又能显著提升网络模型检测效率.Retinanet网络结构如图5所示.

图5 Retinanet目标检测网络Fig.5 Retinanet object detection network

Two stage目标检测网络采用区域候选网络(region proposal networks，RPN)代替Selective Search算法，实现了端到端的计算.RPN的核心思想是利用卷积层生成的特征图,判断预设的多尺度多比例候选框是否含有待检测目标，在区域提取和检测定位、分类上共享卷积层，在检测速度上大大提升.RCNN系列算法在目标检测领域中得到了广泛应用，主要得益于其优异的网络设计，较高的检测精度，但是其中也存在着一个最大的问题，即大量的候选框需要对其目标进行判断和定位，算法解算效率较低.

Two stage目标检测网络比较有代表性的是Mask RCNN网络，其网络结构如图6所示.Mask_RCNN在Faster RCNN的基础上将RoiPooling替换为RoiAlign,RoiAlign对特征图上ROI的获取不再使用取整操作，而是使用双线性插值来精确获取每个块对应的特征，使每个ROI能有效对齐输入图像上的ROI区域，进一步提高了图像中小目标物体的检测.

图6 Mask RCNN目标检测网络Fig.6 Mask RCNN object detection network

1.2 多模型融合计算原理

各单一模型检测后分别生成一系列包含置信度值与预测目标框坐标信息，为滤除重叠框并进一步融合各绝缘子自爆故障检测模型的检测结果.首先运用非极大值抑制(non-maximum supression，NMS)滤除重叠边框得到各模型预测目标框，其中边框置信度计算公式如下式所示.

(2)

滤除各模型重叠预测框后，运用下式进一步融合每张巡检图像中各模型预测框.

(3)

图7 多模型检测融合效果Fig.7 Multi-model detection fusion effect

各单一模型检测结果融合计算主要核心思想就是根据预测框置信度值融合各模型检测结果中重叠率高的预测目标框，最后生成新的预测目标框.多模型融合效果如图7所示，通过式(3)融合计算公式，最后生成的预测框能够根据各单一模型预测框置信度，有效融合各模型生成的预测框，进一步提高绝缘子自爆故障检测精度.

2 实验结果与分析

实验计算平台的软硬件配置如下： Ubuntu 18.04 LTS，Intel Core i7-6850K @ 3.60 GHz 12 CPUs，NVIDIA

GeForce GTX1080 Ti，CUDA版本9.0，cuDnn版本6.0，内存共32 G.

绝缘子故障检测数据集为： 训练集中650张巡检图像均含有绝缘子自爆故障，自爆区域大小及在图中分布位置不同，且自爆区域背景多样；测试集中100张巡检图像用于模型训练过程测试；验证集100张巡检图像中绝缘子自爆区域与自爆区域背景分布多样，用于验证所提方法有效性.

评价指标主要由平均准确率(average precision,AP)、召回率(recall,R)、准确率(precision,P)、评价值(validation value,VAL)构成，VAL计算公式为

VAL=0.5 AP+0.3R+0.2P

(4)

其中： AP、P、R主要用来评估目标检测模型性能；VAL值为评估输电线路巡检故障目标检测综合评价值.

2.1 绝缘子自爆故障检测结果与分析

所提绝缘子自爆故障检测方法要包含两个部分： 1) 使用多模型实现巡检图像中绝缘子自爆区域检测，得到各个模型检测得到的目标框坐标及置信度；2) 运用设计的加权融合算法实现绝缘子自爆故障检测.

2.1.1各模型训练与测试

表1 单模型绝缘子自爆故障检测结果

训练Mask RCNN、Retinanet、YOLOv3目标检测模型，三个目标检测模型的基础网络分别为Inception_Resnetv2、Resnet101与Darknet53，数据批训练大小设置为16，初始学习速率设置为0.001,速度衰减因子为0.000 5，批训练步数设置为80 000步.当各模型损失值趋于平稳，网络收敛时，固化各网络最优模型并进行测试,测试结果如表1所示.Retinanet模型综合评价指标值高于其他两个模型，综合性能较好；其中Mask RCNN模型AP值最高，预测框回归较为准确；各模型对绝缘子自爆故障检测准确率较高.各模型检测结果如图8所示，三个模型均能较好实现巡检图像中多类型、复杂背景下绝缘子自爆故障检测；其中如图8(a)所示，Mask RCNN对部分较小自爆区域的检测性能稍差，误检率相对较高；如图8(b)所示，Retinanet模型能较好均衡不同类型自爆区域的检测；如图8(c)所示，YOLOv3对小目标检测效果较好，能够有效检测出巡检图像中相对较小的绝缘子自爆故障区域.

图8 各模型检测结果Fig.8 Individual model test results

2.1.2多模型融合测试

根据式(3)融合Mask RCNN、Retinanet、YOLOv3三个具有一定差异性模型的预测框坐标信息与各预测框的置信度值得到新的预测框坐标，计算各项评价指标值，最后得到输电线路绝缘子自爆故障检测AP值为93.52%，R值为93.69%，P值为99.04%，VAL值为94.68%.由计算结果可见，多模型融合计算后的各评价指标值均高于单个模型检测值.实验结果表明，通过融合具有一定差异性的故障检测模型能有效提高绝缘子自爆故障检测的各项指标值.

2.1.3多模型融合测试结果与分析

绝缘子自爆故障检测结果如图9所示.虽然输电线路巡检图像中故障绝缘子种类多样，环境背景较为复杂、自爆区域相对巡检图像占比较小,给绝缘子自爆故障检测研究带来一定挑战，但是利用多模型融合检测能有效综合各模型优点，显著提升绝缘子自爆故障检测各评价值，且检测得到的绝缘子自爆故障区域预测框与真实标注框IOU均大于0.5，预测框坐标回归较为准确.由实验结果图及计算表明，所提方法能有效解决输电线路巡检图像中绝缘子自爆的故障检测.

图9 绝缘子自爆故障检测结果Fig.9 Insulator self-explosion fault detection results

2.2 不同模型融合对故障检测结果的影响

共选取6个性能具有一定差异性的目标检测模型： Mask RCNN、YOLOv3、Retinanet、Faster RCNN、SSD、R-FCN(模型编号依次为： A、B、C、D、E、F).分别利用单个模型检测测试集中所有图片，经过计算发现SSD与R-FCN两个模型在绝缘子自爆故障检测方面性能较差，因此最后只选取编号为ABCD四个模型进行组合分析.不同模型组合故障检测结果如表2所示.

表2 不同模型融合效果对比

由实验结果可见，多模型融合故障检测比单模型故障检测VAL值高，特别是准确率提高明显；其中模型编号为A+B+C的模型融合效果最好，平均准确率、召回率、准确率值都有大幅提升，多模型融合能够更加有效地实现输电线路巡检图像中绝缘子自爆的故障检测.

2.3 不同绝缘子自爆故障检测方法对比

表3 绝缘子自爆故障检测方法对比结果

为验证本方法的有效性，分别与其他6种目标检测模型Faster RCNN、Mask RCNN、Retinanet、SSD、YOLOv3、R-FCN作对比，在保证训练数据与测试数据一样的情况下，绝缘子自爆故障检测对比结果如表3所示.

通过对比实验数据可以发现，SSD与R-FCN虽然准确率都达到90%以上，但是平均准确率与召回率较低，绝缘子自爆故障检测精度较差；Retinanet的VAL值最高，但是召回率比Mask RCNN低；Faster RCNN除准确率外的其他三个评价值都比YOLOv3高，但是YOLOv3能够有效检测到较小的绝缘子自爆区域；通过综合分析各模型特点，针对巡检图像中绝缘子自爆区域背景复杂、目标小等问题，利用提出的融合算法实现Mask RCNN、YOLOv3与Retinanet三个模型检测结果融合，有效提高了绝缘子自爆故障检测平均准确率、召回率、准确率及VAL值.

3 结语

针对架空输电线路无人机巡检图像中部分绝缘子自爆区域小、背景复杂及故障绝缘子类别多样等特点，利用性能差异较为明显的Mask RCNN、Retinanet、YOLOv3三个目标检测模型计算的预测框坐标与置信度值，运用融合计算方式，实现绝缘子自爆故障检测，综合评价VAL值为94.81%，与其他单一模型对绝缘子自爆故障检测相比，所提多模型融合计算方法检测精度较高.实验结果表明，所提方法能够综合各模型特点，显著提升绝缘子自爆故障检测各评价值，较为准确地实现架空输电线路无人机巡检图像中绝缘子自爆故障检测，对输电线路智能化巡检故障诊断具有一定参考价值.