APP下载

航拍图像中绝缘子缺失故障检测的级联模型

2021-03-06邢镇委张梦龙

科学技术创新 2021年4期
关键词:级联绝缘子图像

伋 淼 邢镇委 张梦龙

(安徽理工大学 电气与信息工程学院,安徽 淮南232000)

近年来,采用无人机携带摄像机对输电线路关键部件进行检测,具有灵活性强、体积小、成本低等优点,受到越来越多的关注,如图1 所示[1,2,3]。对于航空图像中的绝缘子串检测和绝缘子故障检测,人们提出了许多基于视觉的方法来实现在线或离线应用中的自动检测。一些典型的绝缘子故障,如缺失、闪络和污秽,引起了广泛关注。如果不能及时发现并修复缺失故障,有可能造成严重后果[4,5]。

早期的绝缘子缺损故障检测方法通常是首先确定绝缘子串的大致位置[6]。在此基础上,利用颜色、形状和空间分布等多个特征先验来检测绝缘子缺失故障。然而,早期的方法只能在某些特定情况下取得良好的效果,而大多数方法都受到背景干扰、拍摄角度和距离的严重影响。此外,这些方法耗时较长,与实时应用相差甚远[7,8,9]。近年来,深入学习理论的发展使绝缘子缺失故障检测更加准确、高效。传统方法采用Faster RCNN 模型来定位绝缘子串。随后,使用FCN 模型从检测到的绝缘子串中分割出每个绝缘子片,计算出各绝缘子片的中点,提出了一种基于中点的判断绝缘子缺失故障位置的判据。然而,该方法的性能完全取决于FCN 模型的性能。为了弥补上述不足,该方法采用改进的Fast RCNN 训练分类器,可以直接检测出绝缘子缺失故障。

我们提出了一个新的级联模型来检测航空图像中的绝缘子缺失故障。该模型包含两个步骤:首先,我们通过整合一个新的SPP(空间金字塔池)模型,改进了我们先前工作中使用的网络结构。改进后的网络能够更准确地检测出绝缘子串,从而消除航空图像中的大部分背景干扰。其次,将绝缘子串的检测区域设置为RoI(感兴趣区域),然后采用YOLOv3-tiny网络来检测绝缘子缺失故障。与以前的方法相比,我们提出的方法简单而有效,该方法的平均运行时间仅为30ms 左右,能够满足实时应用的要求。

图1 绝缘子故障无人机检测

1 检测方法

1.1 绝缘子串检测

通过对大量航空影像的观测,发现这些影像不仅含有绝缘子串,而且含有背景干扰,会影响绝缘子串检测的准确性。在现实世界中,物体的大小大致可分为三类,即大尺寸、中尺寸和小尺寸。因此,利用同一管道中不同感受野的多尺度局部特征对绝缘子串检测具有重要意义。随着网深的增加,最大汇集滤波器尺寸应减小,以防止绝缘子串特性的丧失。本文提出的SPP模型可分为三个部分,第一部分采用四层空间金字塔(1×1、5×5、9×9、13×13)来最大限度地汇集特征地图,与第一分支中使用的SPP 结构相比,第二部分和第三部分采用两种不同最大池大小的新组合来提取特征地图,大小逐渐减小。分别是11、55、77、11 11 和11、33、55、77,我们将其集成到我们的前一个网络中,在第1、第2 和第3 个检测报头前面的第8 和第9、第19 和第20、第30和第31 个卷积层之间,形成网络,如图2 所示。F 表示特征图(feature map)。

1.2 绝缘子缺失故障检测

本文采用级联模型检测绝缘子漏失故障。首先,采用定位航空图像中绝缘子串的位置。然后,将定位的绝缘子串的位置设置为RoI。最后,利用YOLOv3-tiny 网络对RoI 内的绝缘子缺失故障进行检测。

虽然绝缘子缺损故障不是真实的对象,但在固定尺寸的图像中仍然有一定的维数范围。为了使YOLOv3-tiny 网络更易于学习,采用k-means 算法得到绝缘子缺失故障的先验边界框,结果如图3 所示。根据图4 的观察,发现k=6 后,平均IOS 值缓慢增加。因此,本工作将绝缘子缺失故障的先验边界框先级设为6 个(IoU=83.13%),相应的边界框优先级按大小升序排列:30,21;37,28;30,36;48,36;50,48;68,62。

图2 提出的空间金字塔池(SPP)模型的体系结构

图3 数据集上的聚类框维数

2 实验结果与讨论

2.1 改进特征提取网络

在这项工作中,实验是基于Darknet 框架进行的,实验是在一台新的PC 上进行的,它采用Intel(R)四核(TM)i7-8700K、3.7GHz CPU、32GB RAM 和NVIDIA GeForce TITAN XP(12 GB)。

2.2 绝缘子串检测性能

网络采用在ImageNet 数据集上预先训练的ResNet50 网络作为主干,而其他层的参数是随机初始化的。在训练阶段,网络的最大迭代次数设置为35000 次,学习率初始化为0.001。此外,经过20000 次和28000 次迭代后,学习率下降了90%。

本文选取了一些典型的绝缘子图像,测试了绝缘子单个与多个,单个绝缘子是否完整,背景复杂与简单情况下的检测结果,以进一步展示所提出网络的可视化性能。如图4 所示,该网络在几种常见情况下都取得了良好的效果,这意味着它可以为后续的绝缘子缺失故障检测提供准确的绝缘子串位置。

图4 绝缘子串检测网络的实验结果

2.3 绝缘子缺损故障检测的性能

图5 yolov3 方法和所提出方法的精确度和召回率

本节引入了平均准确率和平均召回率,并在数据集的测试集上验证了该方法的性能。为了验证该方法的准确性和鲁棒性,我们将其与YOLOv3 进行了比较。图5 分别显示了这两种方法的平均准确率和平均召回率。结果表明,YOLOv3 的平均精度为64.4%,本文比所提出的方法的平均精度为92.1%。这种情况表明,在使用YOLOv3 进行缺损故障检测时,会产生大量的假阳性样本,而本文提出的方法生成的假阳性样本较少。此外,YOLOv3 方法的平均召回率达到59.8%,比本文所提出的方法(92.2%)低32.4%。

本文所提出的方法都取得了良好的效果,我们认为该方法有两个优点:(1)所提出的级联模型包含两个部分,其中第一部分提出的网络能够准确定位绝缘子串,同时消除复杂的背景干扰。因此,有可能提高后续缺失故障检测的准确性。(2)第二部分提出的级联模型采用基于CNN 的模块作为缺失故障检测策略,与传统算法相比,可以直接捕捉缺失故障的高层特征。综上所述,在绝缘子缺失故障检测中,该方法具有更高的精度和鲁棒性。

3 结论

提出了一种新的级联模型来检测航空图像中的绝缘子缺失故障。在我们提出的网络中引入了一种新的空间金字塔结构,以提高绝缘子串检测的精度。基于上述步骤,绝缘子串的检测区域被设置为RoI,然后采用Yolo-v3tiny 网络检测RoI 中的绝缘子缺失故障。实验结果表明,该模型在这两个方面都比以前的方法取得了更好的效果。最重要的是,所提出的级联模型的平均运行时间约为30 毫秒。因此,可以得出结论,所提出的方法具有应用于绝缘子缺失故障实时检测的潜力。

猜你喜欢

级联绝缘子图像
铀浓缩厂级联系统核安全分析
基于Mask RCNN的绝缘子自爆缺陷检测
基于生成对抗网络的CT图像生成
浅析p-V图像中的两个疑难问题
零值绝缘子带电检测方法探讨
巧用图像中的点、线、面解题
浅析输电线路绝缘子防污闪技术
直流电场法和谐波电场法检测绝缘子内缺陷的分析研究
整体级联式增压空气冷却器的进气模块
一种改进的脉冲级联分离中间组分