基于串联Faster R-CNN的绝缘子自爆检测识别

严 波，任仰勋，方登洲，夏令志，陈 江

(1.国网安徽省电力有限公司，安徽 合肥 230601；2.安徽大学 电子信息工程学院，安徽 合肥 230601；3.安徽南瑞继远电网技术有限公司，安徽 合肥 230088)

0 引 言

在电网系统中，利用无人机对高压输电线路进行智能巡检，对保障输电线路安全具有极其重要的意义。绝缘子是输电线路的重要组成部分，是唯一的电气绝缘件和重要的结构支撑件[1]。中国的超高压输电线路近30年来发生了多次大面积污闪事故，其中绝缘子自爆是造成大面积污闪事故的主要原因之一。因此，对高压输电线路上的绝缘子的自爆进行检测和识别就显出其重要价值。目前，结合计算机视觉技术处理高压输电线路上的零部件已成为智能电网研究热点，在图像处理技术的基础上，绝缘子的自爆检测与识别研究也取得了一些进展。

文献[2]通过图像空间到参数空间的映射转换，分析了Hough变换椭圆检测的基本原理，并对检测的准确性给出了相应的判定标准，实现了立式绝缘子盘面的视觉检测。文献[3]使用最大类间方差法对绝缘子进行分割，然后提取绝缘子不变矩特征值，最后使用Adaboost分类器定位绝缘子位置。文献[4]首先基于水平梯度特征提取绝缘子各瓷片轮廓并对瓷片轮廓内像素进行复原，然后计算瓷片间距和灰度相似度，并与设置的阈值进行比较以区分正常绝缘子和缺陷绝缘子。这些经典的输电线绝缘子及自爆识别方法大部分都是基于手动提取绝缘子的特征，由于高压输电线的环境复杂，手动提取的绝缘子颜色、纹理等特征已经不能满足现在电力系统绝缘子自爆检测的需求。随着深度学习技术的发展，卷积神经网络在图像识别和分类中的应用日益广泛。基于深度学习的目标检测算法主要分为两类：一类是YOLOv3[5]、SSD[6]等，该类算法将目标检测转化为回归问题，对原始图片直接输出目标位置和类别。文献[7]首先采用Focal Loss函数和均衡交叉熵函数改进YOLOv3算法的损失函数，然后选择冻结层并采用多阶段迁移学习策略来训练网络，从而实现端对端绝缘子串的定位与状态识别。文献[8]以ResNet网络替代SSD结构中原有的VGGNet使网络的特征提取能力增强，然后通过卷积神经网络检测出的绝缘子位置和绝缘子缺陷位置进行重叠面积计算，确定绝缘子缺陷位置。该类算法检测速度较快，但对小目标检测准确率较低。另外一类是利用Faster R-CNN网络进行目标检测的算法，该类算法生成候选区域，对区域加以分类以实现检测，其检测准确率较高。文献[9]通过公开数据集ImageNet预训练VGGNet，并将VGGNet作为特征提取网络，预训练后用其参数初始化Faster R-CNN，通过绝缘子数据集再进行训练，最终用来识别绝缘子目标。文献[10]采用多尺度特征融合方法改进传统的Faster R-CNN方法，实现绝缘子小目标的精准识别；然后，结合图像处理方法实现自爆绝缘子的识别和定位。由于机巡检过程中获取的图像存在光线明暗不定、背景复杂、小目标等问题，直接使用Faster R-CNN网络对无人机图像中绝缘子自爆进行检测和识别，精确度不高。

因此，文中以无人机拍摄的高压输电线图像为研究对象，给出一种基于串联Faster R-CNN网络的无人机图像中绝缘子检测和自爆识别的算法。该算法分为两个阶段，分别串联使用深度学习中具有强大目标检测能力的Faster R-CNN[11]网络实现对无人机高压输电线路图像中绝缘子自爆的检测和识别。第一阶段使用Faster R-CNN网络检测出无人机高压输电线路图像中绝缘子，第二阶段使用Faster R-CNN网络对检测出的绝缘子图像进行自爆识别，提高对绝缘子检测和自爆识别的性能，从而节约人力资源，降低成本。

1 Faster R-CNN网络

目标检测的通用算法中，Faster R-CNN将特征提取、生成候选框、边框回归、分类于一个网络中，不仅速度有明显提升，而且对小目标具有较高的检测精度。Faster R-CNN网络结构如图1所示，文中基于Faster R-CNN网络设计的算法对输入图片的长宽限制在600到1 000之间，将经过Retinex算法[12]增强处理后的训练数据送入特征提取网络FPN[13]生成特征图，将输出的特征图送入区域建议网络生成候选区域，再将提取的候选区域的特征经RoI Pooling层处理为固定大小的特征向量，送入后面的全连接层实现分类和边框回归。

图1 Faster R-CNN网络结构

文中在FPN中抽取绝缘子多尺度特征的卷积神经网络是ResNet[14]。传统的卷积神经网络或者全连接网络在信息传递过程中或多或少会存在信息丢失或损耗，同时还可能导致梯度消失或者梯度爆炸问题，导致很深的网络无法训练。ResNet通过直接将输入信息绕道传到输出，保护信息的完整性，整个网络只需要学习输入、输出差别的那一部分，简化学习目标，降低学习难度，加速神经网络的训练，模型的准确率也有较大的提升。文中选择的ResNet-101去掉了原网络中最后的全连接层和池化层，利用它来提取绝缘子的特征。

区域建议网络的输入为特征金字塔网络生成的多层特征图，输出为目标候选区域的矩形框合集。区域建议网络通过在FPN输出的特征图上使用单个3×3卷积直接提取候选区域，特征金字塔网络输出的每层特征图上通过3×3卷积之后每个像素点映射回原始图像对应的坐标点，以该点为中心生成3种比例和3种尺度，共计9种不同大小的候选区域(anchor)。区域建议网络的候选区域采用的是[0.5，1，2]三种基础尺度的长宽比例。

2 串联Faster R-CNN网络

Faster R-CNN具有检测速度快、精度高、训练方便的优点，但由于无人机巡检过程中获取的图像存在光线明暗不定、绝缘子自爆目标小等问题，直接使用Faster R-CNN网络对无人机图像中绝缘子自爆进行检测和识别，精确度不高。另外，在所获取的无人机图像中，背景物体包括了树枝树叶、石块土壤、飞翔的鸟类和其他各种复杂形状的物体，这些背景物体和前景目标在颜色、纹理上和自爆后的绝缘子具有很高的一致性，增加了对目标的特征提取和检测的难度。文中利用串联Faster R-CNN网络实现无人机图像中绝缘子自爆检测和识别算法。该算法分为两个阶段，第一阶段使用Faster R-CNN网络检测出无人机高压输电线路图像中的绝缘子，第二阶段使用Faster R-CNN网络对检测出的绝缘子图像进行自爆识别。第二阶段使用第一阶段训练出来的模型参数作为模型的初始参数，类似于迁移学习方法，提高了模型的运算速度和检测精确性。

如图2所示，在第一部分中，利用无人机图像和绝缘子的标签数据构建数据集对Faster R-CNN中的特征提取网络进行预训练，预训练后的特征图输入区域建议网络进行区域建议。分类器基于构造的CNN的分类部分。根据所获得的绝缘子的边界框，对图像进行裁剪以保留绝缘子的区域并去除背景。然后将绝缘子的区域用作第二部分的输入。第二部分中的其他结构和设置与第一部分中的类似，第二阶段的Faster R-CNN模型的初始参数使用第一阶段训练出来的模型参数，Faster R-CNN模型的输入为没有背景信息且已经标注过自爆标签的绝缘子图像，经过特征提取网络提取出自爆绝缘子的抽象特征，输入区域建议网络实现绝缘子自爆检测。

图2 串联Faster R-CNN网络结构

Faster R-CNN模型的损失函数可用式(1)表示：

(1)

其中，Lcls为分类损失函数，Lreg为回归损失函数，定义式分别为式(2)和式(3)：

(2)

(3)

(4)

另外，针对自爆绝缘子图像样本中自爆区域较小且存在前景与背景不均衡的现象，文中采用Focal Loss函数[15]改进Faster R-CNN中区域建议网络的分类损失，通过对交叉熵损失增加权重，解决了正负样本分布不平衡以及简单样本与困难样本不平衡的问题。Focal Loss函数表达式如式(5)所示：

(5)

其中，p为激活函数Sigmoid的输出值；γ≥0为聚焦参数，文中取γ=2；(1-p)γ为调节因子;0≤α≤1，为类别权重因子，文中取α=0.25；γ和α为固定值，不参与训练；y为标签值。无论是前景类还是背景类，p越大，权重(1-p)γ就越小，lg(p)就越大，对困难样本的检测效果越好。

3 算法流程

由于无人机在拍摄输电线路图像时存在拍摄角度变化等造成的光照不均问题，因此，文中串联Faster R-CNN网络的无人机图像中绝缘子自爆检测和识别算法首先采用Retinex算法对图像进行增强预处理，减小光线不均对检测性能的影响；随后对训练样本进行标注，除了在图像中标注出绝缘子的位置用于第一阶段绝缘子检测网络Faster R-CNN模型的训练，同时需要将样本中的绝缘子截取出来并标注自爆类型，用于第二阶段Faster R-CNN模型对绝缘子自爆识别的训练。在测试时，将无人机图像首先送入训练好的Faster R-CNN网络中检测出绝缘子的位置，然后送入第二阶段的Faster R-CNN模型中进行的绝缘子自爆识别，文中算法总体结构框图如图3所示。

图3 算法结构框图

4 实验结果与分析

文中实验软件环境为Ubuntu 16.04 LTS 64位操作系统，使用Python3.6和Matlab2016a作为编程语言，模型网络结构实现采用的是当前主流的深度学习框架Tensorflow，并使用NVIDIA GeForce GTX titan x GPU加速训练过程，CUDA版本为9.0。

实验训练集图像选用的是800幅不同背景下的输电线路图像，在绝缘子检测实验中，将数据集按照4∶1随机划分为训练集和测试集，即其中640幅作为训练集，160幅作为测试集。部分输电线路图像如图4所示。

图4 部分无人机拍摄的含有绝缘子的输电线路图像

实验均采用批(batch)训练方式，将训练集和测试集分为多个批次，每个batch大小设置为64，即每批输入图像为64张进行训练。在绝缘子检测实验中，整个网络的训练过程使用采用随机梯度下降优化算法(stochastic gradient descent，SGD)优化模型，学习率为0.001，每隔2 000迭代次数保存一次训练参数文件，最大迭代次数设置为50 000。在绝缘子自爆识别实验中，初始参数采用第一阶段获得的模型参数，在初始参数的基础上，同样使用SGD优化模型，学习率设置为0.000 1，每隔200迭代次数保存一次训练参数，最大迭代次数为10 000。

利用文中算法对输电线路图像的绝缘子进行检测，部分检测结果如图5所示。将检测出来的绝缘子再进行自爆识别，绝缘子自爆识别结果如图6所示。

图5 绝缘子检测结果

图6 绝缘子自爆识别结果

常用的性能评价指标主要有精确率(precision)、召回率(recall)、平均精确率(average precision，AP)以及平均精确率均值(mean average precision，mAP)。AP表示为以单类目标在测试集的召回率为x轴，精确率为y轴，利用插值绘制出PR曲线图，PR曲线下面积即为该类目标的AP值。mAP则表示为对N个类别的AP值求平均值，mAP的值越大表示该模型的定位与识别的准确率越高。其定义式如公式(6)所示：

(6)

文中均使用mAP@0.5作为评价指标来进行绝缘子自爆检测和识别精度的描述，其中@0.5表示当检测框与目标框IoU值大于0.5时算正类样本。同时和YOLOv3、Faster R-CNN以及SSD方法进行对比，实验结果如图7所示。YOLOv3和Faster R-CNN方法利用目标检测算法同时完成检测和分类工作，虽然工作量较少，但精度较低。文中所提绝缘子自爆检测方法可以将绝缘子完整地剪切出来，且不包含过多复杂的背景，再通过第二阶段的Faster R-CNN网络进行自爆识别，因此获得了较高的自爆识别精度。

图7 绝缘子自爆在主流算法下的检测精度对比

5 结束语

以无人机输电线路图像中的绝缘子为研究对象，文中建立了一种基于串联Faster R-CNN网络的绝缘子检测和自爆识别的模型。首先利用Faster R-CNN模型对无人机拍摄的输电线路图像进行绝缘子检测，然后采用串联Faster R-CNN网络模型对绝缘子的自爆进行识别。实验结果表明，所提的绝缘子自爆检测和识别模型具有更好的检测和识别精度，能为电力设备的智能巡检提供帮助。