基于YOLOv3 的输电工程智能检测与分析技术研究

周云浩，郭达奇，周 鑫，王 楠，周 迎

（国网北京市电力公司电力建设工程咨询分公司，北京 100021）

随着人们生活水平的提高以及人工智能技术的不断改进，输电工程质量检测手段越发丰富。而工程质量的优劣，将直接影响项目投产的进度与输电的安全性。当前针对输电工程质量的检测大多依赖于人工经验，存在人工成本高且效率较低的问题[1-4]。近年来随着卷积神经网络（Convolutional Neural Networks，CNN）的持续改进，利用深度学习（Deep Learning，DL）进行目标检测的方法取得了良好的应用效果。文献[5]采用YOLO 识别算法对目标进行检测和分析，使得该算法的应用成为可能。文献[6]基于Faster-RCNN（Faster-Regions Convolutional Neural Networks）算法进行输电线路防震锤识别检测，改善了传统方法识别精度差的问题。但在上述研究中，大部分集中于对输电线路缺陷的识别和分析，而识别精度仍有待进一步提高[7-11]。综上所述，文中基于YOLOv3 开展了输电工程质量智能检测与分析技术研究。

1 YOLOv3 目标识别算法

1.1 图像数据采集

在不同的环境下，利用高清摄像头或人工拍摄的方法采集输电工程的现场图片，进而增加数据集的多样性[12-14]。通常需要采用随机旋转的方式进行翻转，以得到扩展的数据集，并增加数据样本的多样性，从而提高检测模型的泛化能力。随后，用矩形框标注样本数据的质量问题，并在图片左上角注释问题的类别，以形成标准的测试集。其中，训练集与测试集的比例通常为7∶3。最终将整个图片作为输入数据，并在坐标系内注明所属类别。

在输电工程质量检测过程中，当发生数据样本采集与检测异常时，就会出现异常数据，而处理该数据是提高检测精度的重要手段。其基本思路是在检测到图像区域内存在拐点数据时，就对此处的数据进行多次迭代计算，直至删除凸包拐点数据。假设为三组输入数据样本，当检测到中存在异常数据时，若向量之间的向量角偏小时，加权余弦值可表示为：

式中，‖ ‖·2表示L2 范数的内积，Wcos(·)表示加权余弦。

1.2 算法流程

YOLOv3[15-16]由YOLO 算法改进而来，其通过不断优化自身及其他模型的优点，将回归思想输入整张图像以得到目标的位置与类别，进而实现端对端的目标检测。该算法将输入信息分成s×s的网格，利用网格中目标的坐标来实现检测。这一过程会形成B个边界框，其预测位置信息与准确度的乘积即为置信度，可表征如下：

式中，con 表示置信度；P(object)表示目标可能性，若网格中包含该目标，其值为1，否则为0；为边框准确度，当该值为1 时，表示真实标注框与预测框为重合状态。

设P(class)为网格预测类别class 的概率，为了得到边界分类信息，计算出置信度评分的概率如下：

在模型训练的过程中，按照高低顺序对置信度进行评分，将小于阈值的得分设置为0，应用非极大值置信度删除重复度较高的数据，并保留评分大于0的数据。再采用多尺度融合方法进行目标检测，对输电工程的位置和类别加以预测，从而提高检测准确度。

在对输电工程质量进行检测时，使用目标检测技术识别工程的优劣，保证多尺度目标检测准确率。检测的算法流程，如图1 所示。采集输电工程的实时检测图片并提取单帧图像，且将其输入至目标识别模型中，统计检测到的目标数量，进而实现工程质量的检测与分析。

图1 输电工程质量检测算法流程

1.3 改进目标检测网络结构

当输入的数据数量越多时，训练过程中将出现梯度消失等问题，此时可利用残差网络进行调和，并通过对比残差和前后的特征，提取到图片的特征信息。YOLOv3 使用多尺度融合方法可提高图片的检测效率。在进行输电工程质量检测的过程中，采用K-means 算法聚类分析时存在目标普遍较小的问题。因此为了提高检测的实时性，在目标检测模型中加入了输电工程的位置及类别，以使其适应检测。

2 输电工程质量智能检测与分析

2.1 图像非线性自适应增强

在采集输电工程图像时，图像质量会受到雨雪、大雾等天气的影响，造成其灰度值偏低和有效信息丢失等情况。针对上述情况，需进行非线性自适应增强处理以提高图像的质量，该处理流程如图2所示。

图2 非线性自适应增强算法流程

为提高图像的对比度，则采用指数增强函数对图像进行处理，该函数可表示为：

式中，Iin表示归一化灰度值，其值在0～1 之间；T(·)表示图像灰度函数；p表示灰度常数，其定义如下：

其中，c1、c2为常数，可根据实验测试得到；ε表示误差常数；Iave是边框准确度的均值。

为了提升输电工程图像的质量，基于图像的位置领域信息，选取高斯双边函数计算其均值信息。再利用卷积算法对输电工程验收图片进行滤波处理，并保留在滤波过程中残留的边缘信息。

2.2 Faster-RCNN算法改进

为提高算法的实用性，对传统的Faster-RCNN算法进行改进，即在特征层中添加高层语义，将FPFRCNN（Feature Pyramid-Faster Regions Convolutional Neural Networks）模型嵌入至密集连接结构内代替传统的感兴趣区域（Region of Interest，ROI）池化，以建立输电工程质量检测算法，并扩展算法的适用性。该算法的关键点在于特征金字塔的有效连接，可体现各数据层之间的空间特征；而对于池化层而言，则需连接ROI Align 层与预测层。算法需要通过压缩金字塔结构以及修改Dense Net 的网络结构，进而压缩两个神经元之间的间隙，并对相邻神经元的精度进行重新校核，再建立特征塔网络结构，从而完成数据的采样分析。该结构建立流程如图3 所示。

图3 金字塔网络结构构建流程

对于输入且存在瑕疵的输电工程质量图片，首先需利用卷积算法识别该工程中质量不佳的特征块；并采用Softmax 激活函数计算出该特征点属于低质量特征的概率；然后确定候选区域，剩下的区域则传递至目标建议区域，以此进行初步分类和定位；接着将目标数据传入到池化层，获得目标建议块后再输入后续边框区域；最终，利用边框回归函数达到识别低质量特征的目的。

2.3 模型训练

在测试实验中，从不同的位置搜集输电工程的验收图片作为数据样本集。经过颜色空间转换，去除复杂背景且仅保留存在质量不佳特征的有效图片。将图像尺寸归一化为600×500 像素，为了便于卷积神经网络对图片中含锈蚀的特征块进行提取，需对经过数字图像处理的所有图片实现人工标注。标注采用了LabelImg 作为一个可视化的图像标定工具。对目标图像进行标注后会生成相应带标签的xml 文件，且遵循PASCAL VOC 的格式。标注的形式为采用矩形框对图像中所有含锈蚀区域的部分进行标注。数据集则使用VOC2007 的制作格式，其包含图片、标签、集合共三个文件夹，最终得到部分数据集。

3 算例分析

算例分析在硬件环境为Ubuntu16.04 64 位操作系 统、i5 处理器、主 频2.8 GHz、8 GB RAM 内 存、RTX2060 显卡、6 GB 独显的环境下测试完成，开发环境为Tensorflow1.12.0+OpenCV3。同时，经测试将迭代次数根据实际情况设置为50 000 次；图片大小统一设置为20 像素，即每20 次输出一次Loss 值；学习率为0.000 1，权重衰减率是0.000 5，非极大值抑制前后候选区域的个数分别是6 000 个和300 个，处理时间则为3.5 h。

该次测试将图片分为四类：输电工程质量极好、较好、一般及较差像素的数目。由于在电力输电工程行业中，项目类型与质量的评价标准、方向不一，且无人机在巡检过程中所拍摄的图像呈现多角度、多方向的特点，其远近程度也各不相同。由此得到的目标检测模型具有对真实场景下质量工程的识别能力，故可用来检测模型在该环境下的适用性与实时性。然而不同的锈蚀部分拍摄的角度及所摄背景也存在较大差异，进而可分别检测输电工程的主要类别和工程施工难度，最后再统计检测效果。根据测试结果评价检测效果，评判标准采用正确率、错误率、召回率以及部分漏识别率（图片中存在锈蚀区域未识别的部分也记为漏识）。统计结果如表1所示。

表1 锈蚀图像的检测结果

从表1 可以看出，经过检测得到的目标网络对于实际巡检过程中所获得的输电工程质量极好的图片正确率高达84.19%，错误率为10.08%，其漏识别率为5.73%。由此说明，目标检测模型在一定程度上具有较优的检测效果。

为验证所述方法的有效性，在不同的算法框架下对该数据样本进行测试，通过更改损失函数的种类定位目标数据的位置。不同类别下的测试结果，如表2 所示。由表2 可知，在Logistic 情形下L1 损失函数的AP 值最高，且高达98.78%

表2 损失函数验证

在Logistic 情形下利用平滑L1 损失函数进行交叉验证，且设置多组样本数据来进行验证，进而检测输电工程质量的优劣，并进行精确度对比。基于YOLOv3 的输电工程质量检测对比结果，如表3 所示。从表中可看出，所提方法的输电工程质量检测在目标检测与识别精确度方面均展现了更优的性能，且实时处理时间最短，目标识别精度高达99.35%。

表3 故障缺陷识别精度对比

4 结束语

该文研究了基于YOLOv3 的输电工程质量智能检测与分析技术，通过监控到的输电工程现场图片实现工程质量的检测与分析。此外，该方法还缩短了处理速度并且提升了检测精度。算例分析表明，与Xception 等方法相比，YOLOv3 算法具有更优的检测速度及精度。但针对于极端恶劣天气环境，该算法仍存在检测效果不佳的现象，故还需进一步完善数据处理和改进算法，以提高其普适性与实用性。