基于SSD算法的輸電線路上絕緣子缺陷檢測方法研究

李偉性，鄭武略，王 寧，趙航航

（1.中國南方電網(wǎng)超高壓輸電公司 廣州局，廣州 510000；2.中國南方電網(wǎng)超高壓輸電公司 信通中心，廣州 510000）

0 引言

隨著智能電網(wǎng)和電力系統(tǒng)自動(dòng)化的發(fā)展，計(jì)算機(jī)視覺技術(shù)越來越多地應(yīng)用于電力設(shè)備的智能檢測和在線監(jiān)測。目標(biāo)設(shè)備的識(shí)別和定位成為檢測技術(shù)的關(guān)鍵。輸電線路的基本部件包括：塔架、電線、絕緣子、防震錘和均衡環(huán)等。據(jù)國家電力公司統(tǒng)計(jì)，因?yàn)榻^緣子斷裂引起的事故目前已成為電力系統(tǒng)故障率的第一位[1]。

目前在輸電線路部件的故障診斷領(lǐng)域，目標(biāo)如何精確定位成為了學(xué)者們研究的熱門問題[2]，以最常研究的絕緣子的目標(biāo)定位問題為例，絕緣子目前主要有陶瓷絕緣子、復(fù)合絕緣子和玻璃絕緣子3個(gè)大類別，分別使用點(diǎn)特征[3]，紋理特征[4]，形態(tài)特征[5]和多特征組合[6]檢測方法。但是，每種方法都有其局限性。使用特征點(diǎn)的方法需要高圖像清晰度，使之難以大規(guī)模使用。使用紋理特征的方法主要用于檢測復(fù)合絕緣子，其易受背景噪聲的影響，其它類型絕緣子則無良好效果。

隨著計(jì)算機(jī)硬件性能和相關(guān)算法的提高，深度學(xué)習(xí)技術(shù)[7]逐漸取代了經(jīng)典的機(jī)器學(xué)習(xí)方法。在圖像目標(biāo)識(shí)別和檢測、語音識(shí)別、自然語言處理和自動(dòng)駕駛領(lǐng)域已經(jīng)實(shí)現(xiàn)了顯著的效果。其中，在目標(biāo)檢測領(lǐng)域，包括日常物體檢測[8]、人臉檢測[9]、文本檢測[10]等。基于深度學(xué)習(xí)的方法遠(yuǎn)遠(yuǎn)超過傳統(tǒng)方法。深度學(xué)習(xí)算法通過收集大量訓(xùn)練數(shù)據(jù)來學(xué)習(xí)更強(qiáng)大的模型，并使用巧妙的訓(xùn)練技術(shù)來提高算法的準(zhǔn)確性。在現(xiàn)實(shí)生活場景中，由于照明、拍攝距離、拍攝角度等的差異，相同類型的目標(biāo)在圖像中表現(xiàn)形式是千差萬別的。因此，當(dāng)使用機(jī)器學(xué)習(xí)來執(zhí)行目標(biāo)檢測時(shí)，需要大量的訓(xùn)練樣本，其可以覆蓋不同的角度，不同的比例和不同的照明情況。

目前的各種研究可以發(fā)現(xiàn)，傳統(tǒng)的輪廓提取、圖像匹配方法不適用于復(fù)雜背景下的電力小部件檢測。在2016年劉偉博士提出了基于SSD[11]的目標(biāo)檢測的方法，該方法具有檢測速度快、識(shí)別精度高等優(yōu)點(diǎn)，SSD在公開數(shù)據(jù)集VOC上的檢測精度已經(jīng)高于其他開源的深度學(xué)習(xí)方法。

因此，本文在上述研究的基礎(chǔ)上，結(jié)合SSD算法對(duì)輸電線路上的絕緣子和絕緣子缺陷進(jìn)行檢測，并參考了絕緣子和其缺陷的位置關(guān)系進(jìn)行關(guān)聯(lián)計(jì)算，提高了絕緣體缺陷檢測的精度，增強(qiáng)了整個(gè)網(wǎng)絡(luò)的魯棒性。

1 原理

有缺陷的輸電線路絕緣子的圖像數(shù)據(jù)的數(shù)量相對(duì)較少，并且還需要手動(dòng)標(biāo)記分類標(biāo)簽。為了解決因數(shù)據(jù)量少會(huì)導(dǎo)致模型泛化能力弱的問題，本文進(jìn)行了兩方面的處理。首先，利用數(shù)據(jù)增強(qiáng)的方法，包括：圖像平移、旋轉(zhuǎn)、縮放和顏色變換；其次，用公共數(shù)據(jù)集預(yù)先訓(xùn)練模型，獲得初步模型，并使用輸電線路圖像數(shù)據(jù)調(diào)整模型。算法流程主要分為3個(gè)階段：樣本構(gòu)建階段、模型訓(xùn)練階段和目標(biāo)檢測階段。

1）樣本構(gòu)造階段。對(duì)輸電線路原始圖像中絕緣子和缺陷絕緣子2類目標(biāo)進(jìn)行標(biāo)記，根據(jù)標(biāo)注結(jié)果，生成2類目標(biāo)的樣本。

2）模型訓(xùn)練階段。首先定義神經(jīng)網(wǎng)絡(luò)模型，將SSD中VGGNet使用ResNet-101神經(jīng)網(wǎng)絡(luò)進(jìn)行替換。使用ResNet-101進(jìn)行模型的預(yù)訓(xùn)練后，可以使自制數(shù)據(jù)集在訓(xùn)練模型過程中快速收斂。

3）目標(biāo)檢測階段。對(duì)于任意圖像，經(jīng)過訓(xùn)練好的模型檢測后得出圖像中的絕緣子和缺陷的位置，并計(jì)算二者的重疊區(qū)域，得出缺陷的位置。

1.1 數(shù)據(jù)源

輸電線路圖像庫的原始數(shù)據(jù)是由南方電網(wǎng)公司在日常輸電線路小部件巡檢過程中獲得的。其中1200多張圖片中包含缺陷的絕緣子，每張圖片中均包含絕緣子。在經(jīng)過數(shù)據(jù)增廣后，得到12000余張圖片，其中2400多張包含缺陷絕緣子。由于拍攝期間的背景、光線變化、拍攝角度、距離和焦距，不同圖像中各種物體的顏色、角度和比例會(huì)有所差異。

1.2 算法整體流程

目前，工業(yè)界和學(xué)術(shù)界出現(xiàn)的目標(biāo)檢測算法主要分為3大類：1）傳統(tǒng)的目標(biāo)檢測算法，Cascade + HOG/DPM +Haar/SVM；2）將候選區(qū)域與深度學(xué)習(xí)分類相結(jié)合，提取候選區(qū)域，并通過深度學(xué)習(xí)方法對(duì)相應(yīng)區(qū)域進(jìn)行分類。如 RCNN、SPP- Net、Fast R- CNN、Faster R- CNN等；3）基于深度學(xué)習(xí)的回歸方法，如SSD、YOLO系列算法等。本文選擇的SSD算法是基于深度學(xué)習(xí)的回歸方法，SSD算法主要有以下優(yōu)點(diǎn)：

◇ SSD是一個(gè)單次的目標(biāo)檢測識(shí)別方法，與YOLO類似，只需要處理圖片一次就可以做到多目標(biāo)的檢測識(shí)別，準(zhǔn)確度比YOLO更高。

◇ 利用不同尺度的深度網(wǎng)絡(luò)特征圖預(yù)測每個(gè)位置上的目標(biāo)，保證了在檢測和識(shí)別的精度上可以和基于區(qū)域建議的方法相比。

◇ 即使圖像為低分辨率圖像，SSD算法依然可以實(shí)現(xiàn)高精度檢測和識(shí)別。

SSD 框架如圖1所示，使用全卷積層的 VGGNet作為主干網(wǎng)絡(luò)直接作用于feature map預(yù)測多目標(biāo)類別和包圍框。為權(quán)衡檢測的準(zhǔn)確性和實(shí)時(shí)性，SSD采用單點(diǎn)多框的檢測方法，而不是 Faster R-CNN中使用的候選區(qū)域方法。即使對(duì)于分辨率輸入相對(duì)較低的圖像，也具有良好的檢測效果。

為突破網(wǎng)絡(luò)在深層網(wǎng)絡(luò)精度退化和網(wǎng)絡(luò)深度上的限制，HE[12]等人提出了一種深度殘差模型，該模型使用多層網(wǎng)絡(luò)擬合殘差映射來解決退化問題。設(shè)H（X）表示目標(biāo)最優(yōu)解映射，并將另一個(gè)映射F（X）利用堆棧的非線性層擬合，如圖2所示，可用公式（1）表示：

此時(shí)，原始的最佳解映射H(X)與F(X)+X是等價(jià)的，即圖2所示的前饋網(wǎng)絡(luò)中的快速連接實(shí)現(xiàn)?？焖龠B接的方式可以用公式（2）表示，公式（2）中，X代表模塊的輸入向量，Y代表模塊的輸出向量。Wi表示權(quán)重圖層參數(shù)，在出現(xiàn)輸入和輸出尺寸一致的情況時(shí)，則需要線性投影Ws以匹配維度。

圖1 SSD框架Fig.1 SSD Framework

圖3 基于ResNet-101的改進(jìn)SSD檢測框架Fig.3 Improved ResNet-101 based SSD detection framework

圖2 殘差學(xué)習(xí)模塊Fig.2 Residual learning module

SSD是基于VGGNet為基礎(chǔ)網(wǎng)絡(luò)進(jìn)行檢測的，本文在保留原有的目標(biāo)檢測基礎(chǔ)網(wǎng)絡(luò)上，特征提取網(wǎng)絡(luò)換成了ResNet-101，如圖3所示，它在一定程度上加深了網(wǎng)絡(luò)的整體結(jié)構(gòu)，增強(qiáng)了網(wǎng)絡(luò)提取特征的能力。

網(wǎng)絡(luò)訓(xùn)練時(shí)的損失函數(shù)還是依據(jù)SSD的結(jié)構(gòu)由兩部分組成，第一部分是回歸位置的損失，一部分是分類損失，總的損失函數(shù)可以表示為式（3）：

其中，N是真實(shí)框與標(biāo)記框匹配的數(shù)量，N為權(quán)重因子，一般默認(rèn)設(shè)置為1；c為每一類的置信度；l和g分別為默認(rèn)框和真實(shí)框的參數(shù)，包括中心位置坐標(biāo)和寬高。為了分類置信度損失，使用多類別Softmax損失，用來回歸bounding boxes的中心位置以及寬高。

2 實(shí)驗(yàn)結(jié)果與性能分析

2.1 基于Caffe的模型訓(xùn)練

本文將樣本集分為訓(xùn)練樣本與測試樣本，訓(xùn)練圖片12000余張，測試圖片1200張。檢測輸電線路中的絕緣子和絕緣子缺陷。檢測在型號(hào)為GTX1080的GPU上進(jìn)行，使用的深度學(xué)習(xí)框架是Caffe，批處理大小設(shè)置為8。訓(xùn)練過程中判斷正負(fù)樣本的IOU閾值為0.5。經(jīng)過10萬次的模型訓(xùn)練迭代，并經(jīng)過日志分析選擇最好的模型，并在測試集上進(jìn)行測試。

2.2 評(píng)價(jià)指標(biāo)

查準(zhǔn)率 P（%）表示經(jīng)深度學(xué)習(xí)預(yù)測的檢測框中檢測正確的比例，召回率R（%）表示預(yù)測框正確框在所有標(biāo)注框中的比例，可以表示為：

式中，TP為檢測到的相關(guān)數(shù)量，F(xiàn)P表示檢測到不相關(guān)數(shù)量，F(xiàn)N表示未檢測到不相關(guān)數(shù)量。AP（average precision）是PR曲線在查準(zhǔn)率基礎(chǔ)上對(duì)召回率的積分，mAP（mean average precision）表示多類物體的平均AP值，代表了測量網(wǎng)絡(luò)對(duì)目標(biāo)物體的敏感度。mAP值越高，代表卷積神經(jīng)網(wǎng)絡(luò)具有越高的識(shí)別精確度。

表1 不同網(wǎng)絡(luò)模型的檢測精度Table 1 Detection accuracy of different network models

2.3 實(shí)驗(yàn)結(jié)果和分析

表1是本文將SSD中原始的VGGNet網(wǎng)絡(luò)替換為殘差模塊ResNet-101網(wǎng)絡(luò)后得到的對(duì)比結(jié)果。通過表1可以看出，ResNet-101+SSD模型對(duì)絕緣子和絕緣子缺陷檢測的平均精度均有提升。

實(shí)驗(yàn)中發(fā)現(xiàn)缺陷絕緣子誤檢率偏高，且誤檢部分很多不在絕緣子上，比如在桿塔和圖片背景上，根據(jù)缺陷部分和絕緣子的物理關(guān)系可以計(jì)算二者的IOU，實(shí)現(xiàn)優(yōu)化缺陷部分的檢測。設(shè)絕緣子面積為area(insulator)，缺陷絕緣子面積為area(insulatord)，二者的重疊區(qū)域比例為式（6）：

如果IOU＞0.9，則認(rèn)為檢測出的此缺陷絕緣子位置有效。引入重疊區(qū)域的計(jì)算后，檢測準(zhǔn)確率結(jié)果展示為表2。

對(duì)比了SSD下VGGNet和Resnet卷積神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)檢測的正確率，可以得出在本文應(yīng)用的缺陷絕緣子檢測的場景中，Resnet比VGGNet準(zhǔn)確率更高。同時(shí)引入了絕緣子和缺陷絕緣子部位的位置關(guān)系，提高了缺陷位置檢測的穩(wěn)定性。

3 結(jié)論

本文研究了針對(duì)實(shí)際航拍圖像中對(duì)于多尺度目標(biāo)的檢測方法，針對(duì)絕緣子缺陷的檢測，基于SSD算法的基礎(chǔ)上進(jìn)行了以下兩方面的實(shí)驗(yàn)研究：

1）在原始SSD算法的基礎(chǔ)上，使用ResNet代替了VGGNet。

2）在檢測出絕緣子和絕緣子缺陷位置，通過計(jì)算二者的重疊區(qū)域，優(yōu)化了缺陷絕緣子檢測的準(zhǔn)確率。

針對(duì)實(shí)際巡檢圖像的應(yīng)用研究表明，將特征提取網(wǎng)絡(luò)由VGGNet替換成ResNet后，精度能提升4.77%，這也說明網(wǎng)絡(luò)深度的增加對(duì)于特征的提取效果非常明顯；并且引入絕緣子和缺陷部位位置關(guān)系的計(jì)算，降低了缺陷絕緣子檢測誤檢率，提高了檢測的準(zhǔn)確性。

表2 IOU對(duì)精度的影響Table 2 Impact of IOU on accuracy