基于YOLOv4模型的玻璃絕緣子自爆缺陷識(shí)別方法

周 宸 高 偉 郭謀發(fā)

（福州大學(xué)電氣工程與自動(dòng)化學(xué)院，福州 350108）

0 引言

隨著智能電網(wǎng)的發(fā)展，電力系統(tǒng)自動(dòng)化水平日漸提高，人們對(duì)電力系統(tǒng)日常運(yùn)行的安全及穩(wěn)定性提出了更高的要求。絕緣子作為電力系統(tǒng)的重要元件，應(yīng)用廣泛且數(shù)量龐大。絕緣子的工作環(huán)境通常位于層巒疊嶂的山路之間，工作環(huán)境惡劣，導(dǎo)致絕緣子故障頻發(fā)，嚴(yán)重影響電力系統(tǒng)的安全及穩(wěn)定[1]。

絕緣子缺陷辨識(shí)一直是國(guó)內(nèi)外研究的熱點(diǎn)，傳統(tǒng)的檢測(cè)方式為人工觀測(cè)法[2]。該方法雖然精確度高，但在觀測(cè)上存在工作量大、效率低等缺陷。此外，還有借助外加設(shè)備測(cè)量的方法，如紅外圖譜[3]和巡檢機(jī)器人[4]等。借助外界設(shè)備可以有效減小檢測(cè)過程中的安全隱患，但外加設(shè)備一般較為昂貴。由于無人機(jī)成本低、易操控，且具備數(shù)據(jù)采集簡(jiǎn)單、運(yùn)行風(fēng)險(xiǎn)較低等特點(diǎn)，已在電力巡檢工作中逐漸普及[5]。盡管無人機(jī)巡檢可獲得大量現(xiàn)場(chǎng)的圖像信息，但采集到的圖像仍是由人工進(jìn)行處理，海量的圖像數(shù)據(jù)帶來了巨大的工作量；同時(shí)，由于工作人員自身專業(yè)水平不同、視覺疲勞等原因，檢測(cè)過程中容易導(dǎo)致缺陷遺漏。

通過計(jì)算機(jī)自動(dòng)辨識(shí)圖像成為研究熱門，常用的方法主要可以分為基于機(jī)器視覺與基于機(jī)器學(xué)習(xí)的方法。基于機(jī)器視覺的缺陷檢測(cè)方法首先在原圖中將待測(cè)目標(biāo)與背景進(jìn)行分割，分割后再根據(jù)人為設(shè)定的特征判斷絕緣子是否存在缺陷[6]?；跈C(jī)器視覺的缺陷檢測(cè)方法實(shí)現(xiàn)較為簡(jiǎn)單，不需要復(fù)雜的訓(xùn)練過程，在特定的場(chǎng)景有較高的辨識(shí)準(zhǔn)確率，但在使用過程中存在諸多局限性，如算法的準(zhǔn)確率依賴分割算法的分割結(jié)果。由于絕緣子的工作環(huán)境復(fù)雜、現(xiàn)場(chǎng)條件惡劣，這會(huì)嚴(yán)重影響分割結(jié)果的準(zhǔn)確性，且人工選定的缺陷判別特征缺乏魯棒性，當(dāng)拍攝條件發(fā)生改變，都有可能導(dǎo)致算法發(fā)生誤判。在圖像辨識(shí)領(lǐng)域，機(jī)器學(xué)習(xí)算法的應(yīng)用十分廣泛，通過機(jī)器學(xué)習(xí)訓(xùn)練的模型對(duì)無人機(jī)航拍的絕緣子圖像進(jìn)行檢測(cè)及缺陷辨識(shí)已逐漸成為電力系統(tǒng)絕緣子缺陷辨識(shí)方法研究的熱門方向[7]。機(jī)器學(xué)習(xí)算法訓(xùn)練出的模型能自適應(yīng)地從海量的航拍圖像中挖掘絕緣子的表層特征，對(duì)噪聲干擾有很強(qiáng)的魯棒性。模型的目標(biāo)是既能準(zhǔn)確地辨識(shí)出缺陷又能滿足實(shí)時(shí)檢測(cè)的要求，但事實(shí)上，檢測(cè)速度與準(zhǔn)確率很難同時(shí)提升。針對(duì)這個(gè)問題，本文提出基于改進(jìn)YOLOv4的絕緣子缺陷檢測(cè)模型，模型通過在訓(xùn)練過程中采用多階段遷移學(xué)習(xí)及檢測(cè)過程優(yōu)化輸入圖像能有效提高網(wǎng)絡(luò)檢測(cè)準(zhǔn)確率。

1 YOLOv4結(jié)構(gòu)

YOLO（you only look once）模型是一種機(jī)器學(xué)習(xí)模型，通過單獨(dú)的端到端網(wǎng)絡(luò)，完成從原始圖像的輸入直接到物體位置和類別的輸出。YOLOv4模型[8]由Alexey Bochkovskiy等于2020年提出，算法處理速度快，精確度較高，常用于多目標(biāo)實(shí)時(shí)檢測(cè)系統(tǒng)。文獻(xiàn)[9]采用YOLOv4網(wǎng)絡(luò)對(duì)視頻數(shù)據(jù)集中的小汽車、卡車、自行車與行人進(jìn)行多目標(biāo)檢測(cè)，算法檢測(cè)速度能跟上視頻播放速度且準(zhǔn)確率高達(dá)99%。YOLOv4模型主要由主干特征提取網(wǎng)絡(luò)、外加模塊和特征處理層構(gòu)成，檢測(cè)流程如圖1所示，具體如下所述。

圖1 YOLOv4檢測(cè)流程

1.1 主干特征提取網(wǎng)絡(luò)

主干特征提取網(wǎng)絡(luò)的作用是提取目標(biāo)對(duì)象的特征。YOLOv4的主干特征提取網(wǎng)絡(luò)為CSPDarkNet53，其中DarkNet53中卷積層的激活函數(shù)由LeakyReLU修改成了Mish，并將其殘差塊與CSPNet網(wǎng)絡(luò)[10]結(jié)構(gòu)結(jié)合，構(gòu)成CSPResNet結(jié)構(gòu)。以一個(gè)輸入維度為（416, 416, 3）的圖像為例，各模塊輸出維度如圖1所示。圖像每次經(jīng)過殘差塊處理后，通道數(shù)變?yōu)樵瓉淼膬杀?，圖像維度變?yōu)樵瓐D的1/2。為了加強(qiáng)網(wǎng)絡(luò)對(duì)特征的提取能力，避免目標(biāo)圖像經(jīng)過多次卷積后丟失特征，提取網(wǎng)絡(luò)最后三層特征用于后續(xù)處理。維度分別為（13, 13, 1 024）、（26, 26, 512）和（52, 52,256）。

1.2 外加模塊

外加模塊對(duì)主干特征提取網(wǎng)絡(luò)提取的特征進(jìn)行額外的處理，輸出更好的特征用于分類或者回歸任務(wù)。YOLOv4主要的外加模塊為SPPNet[11]與PANet[12]。對(duì)于前述例子，SPPNet通過四個(gè)大小不同的池化核對(duì)輸入的圖像進(jìn)行最大池化，并將結(jié)果堆疊。PANet對(duì)低層特征進(jìn)行上采樣，特征圖的維度翻倍，與上一層同維度特征進(jìn)行堆疊。對(duì)高層特征下采樣，特征圖的維度減半，與下一層同維度特征進(jìn)行堆疊，實(shí)現(xiàn)特征融合。經(jīng)過外加模塊后，輸出特征的維度大小分別為（13, 13, 75）、（26, 26, 75）、（52, 52, 75）。

1.3 特征處理層

特征處理層主要的作用為對(duì)處理后的特征進(jìn)行解碼，得出預(yù)測(cè)結(jié)果。經(jīng)過YOLOv4網(wǎng)絡(luò)處理后，輸出3個(gè)n×n×x維的張量進(jìn)行預(yù)測(cè)。這里的x是由3×(1+4+y)計(jì)算得到。其中，3代表3個(gè)不同尺度的先驗(yàn)框；1代表先驗(yàn)框中預(yù)測(cè)物體的置信度；4代表先驗(yàn)框的調(diào)整策略，包括中心點(diǎn)x、y坐標(biāo)調(diào)整策略和長(zhǎng)寬調(diào)整策略，調(diào)整先驗(yàn)框中心點(diǎn)的位置及長(zhǎng)寬；y代表數(shù)據(jù)集的類別個(gè)數(shù)。以輸出張量維度為（13, 13,x）為例，首先將原圖分為13×13的網(wǎng)格，每個(gè)網(wǎng)格生成3個(gè)先驗(yàn)框，分別預(yù)測(cè)每個(gè)框?qū)儆谀愁惖闹眯哦?，接著將先?yàn)框的調(diào)整策略定義為長(zhǎng)寬調(diào)整與中心點(diǎn)坐標(biāo)的調(diào)整，調(diào)整后的輸出結(jié)果即為預(yù)測(cè)框。

2 改進(jìn)YOLOv4的絕緣子缺陷檢測(cè)方法

2.1 訓(xùn)練策略

本文采用多階段遷移學(xué)習(xí)[13]作為網(wǎng)絡(luò)訓(xùn)練的迭代策略。遷移學(xué)習(xí)是將已經(jīng)訓(xùn)練完成的模型用于另一個(gè)領(lǐng)域模型繼續(xù)訓(xùn)練的方法。訓(xùn)練過程能發(fā)掘兩個(gè)領(lǐng)域數(shù)據(jù)之間的內(nèi)在聯(lián)系，減少訓(xùn)練時(shí)間，提高模型辨識(shí)準(zhǔn)確率。遷移學(xué)習(xí)示意圖如圖2所示。

圖2 遷移學(xué)習(xí)示意圖

首先，加載一個(gè)在ImageNet上訓(xùn)練完成、用于目標(biāo)檢測(cè)任務(wù)的YOLOv4模型作為預(yù)訓(xùn)練模型。其次，通過收集的絕緣子數(shù)據(jù)對(duì)預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練，根據(jù)絕緣子數(shù)據(jù)集大小選擇凍結(jié)層數(shù)。訓(xùn)練集越小，需要訓(xùn)練的參數(shù)就越少，凍結(jié)層數(shù)越多。由于凍結(jié)的部分具備良好的特征提取能力，因此保留凍結(jié)層的權(quán)重作為訓(xùn)練層額外的特征提取器，為訓(xùn)練層輸入更好的特征。最后，解凍所有層一起訓(xùn)練。此時(shí)，訓(xùn)練過程只需要較小的學(xué)習(xí)率對(duì)整個(gè)模型進(jìn)行微調(diào)。

2.2 檢測(cè)圖像優(yōu)化

大部分目標(biāo)檢測(cè)算法要求輸入圖片的長(zhǎng)寬一樣，本文輸入圖像的大小為（416, 416）。現(xiàn)場(chǎng)采集的絕緣子圖像大小不一，在輸入算法中進(jìn)行處理時(shí)需要先改變圖像的尺寸。直接修改圖像大小容易導(dǎo)致輸入圖像失真，用失真的圖像進(jìn)行檢測(cè)或者訓(xùn)練，會(huì)導(dǎo)致檢測(cè)結(jié)果不準(zhǔn)確。為解決該問題，本文對(duì)需要修改尺寸的圖像加灰條處理，如圖3所示。如需要將原圖壓縮為（416, 416），具體做法為：首先，對(duì)輸入圖像按原圖的比例進(jìn)行壓縮，當(dāng)其中一邊壓縮為416、另外一邊的值小于416時(shí)停止壓縮；然后，對(duì)長(zhǎng)度小于416的邊兩側(cè)等比例填充灰條，填充至416后停止填充；最后，將填充后的圖像作為輸入圖像送入網(wǎng)絡(luò)處理。

3 算例驗(yàn)證

3.1 實(shí)驗(yàn)介紹

原始數(shù)據(jù)集由4 000張無人機(jī)采集的高清絕緣子圖像組成，數(shù)據(jù)集中大部分為玻璃絕緣子，也包括一小部分橡膠、陶瓷絕緣子。從結(jié)構(gòu)上包含耐張型絕緣子、單絕緣子串、雙絕緣子串和懸掛絕緣子串。圖4為無人機(jī)采集的絕緣子現(xiàn)場(chǎng)圖像，圖4（a）為正常絕緣子圖像，圖4（b）為缺陷絕緣子圖像。訓(xùn)練集由3 600張圖片構(gòu)成，包括正常絕緣子圖像1 700張，缺陷絕緣子圖像1 900張。缺陷圖像包括60張現(xiàn)場(chǎng)缺陷圖像和1 840張通過對(duì)缺陷數(shù)據(jù)進(jìn)行旋轉(zhuǎn)、翻轉(zhuǎn)、縮放生成的缺陷圖像，生成缺陷圖像如圖5所示。測(cè)試集由原始數(shù)據(jù)集中剩余的400張圖像構(gòu)成。訓(xùn)練集中所有的標(biāo)簽采用VOC2007格式。

圖3 圖像加灰條

圖4 無人機(jī)采集的絕緣子現(xiàn)場(chǎng)圖像

圖5 生成缺陷圖像

算法的評(píng)價(jià)指標(biāo)包括精確度（precision, Pr）、召回率（recall, Re）、每類目標(biāo)的平均精度（average precision, AP）、平均精度均值（mean average precision, mAP）。其中，精確度與召回率的計(jì)算公式分別為

式中：TP為正樣本被正確識(shí)別為正樣本的樣本數(shù)；FP為負(fù)樣本被錯(cuò)誤識(shí)別為正樣本的樣本數(shù)；FN為正樣本被錯(cuò)誤識(shí)別為負(fù)樣本的樣本數(shù)。精確度用于衡量算法找出的正樣本的準(zhǔn)確性；召回率用于衡量算法找出數(shù)據(jù)集中樣本的能力。

當(dāng)預(yù)設(shè)交并比（intersection over union, IOU）值不同時(shí)，各類目標(biāo)的精確度與召回率也會(huì)發(fā)生改變。當(dāng)預(yù)設(shè)不同的IOU值時(shí)，精確度與召回率組成的曲線稱為P-R（precision-reacll）曲線。AP定義為P-R曲線與坐標(biāo)軸所圍成的面積，AP值作為目標(biāo)檢測(cè)算法的評(píng)價(jià)指標(biāo)，同時(shí)衡量了算法在檢測(cè)某類目標(biāo)時(shí)的精確度與召回率，AP值越大，算法對(duì)某類目標(biāo)的檢測(cè)效果越好。當(dāng)求出所有類目標(biāo)的AP值后，mAP的公式為

式中：n為分類的總數(shù)；APi為第i類的AP值。mAP值越大，表明算法整體檢測(cè)效果越好。訓(xùn)練時(shí)的實(shí)驗(yàn)參數(shù)見表1。

表1 實(shí)驗(yàn)參數(shù)

3.2 改進(jìn)策略實(shí)驗(yàn)

為了提高絕緣子缺陷辨識(shí)準(zhǔn)確率，本文提出了改進(jìn)YOLOv4模型，通過一些方法改善網(wǎng)絡(luò)的整體性能，包括在訓(xùn)練過程采用多階段遷移學(xué)習(xí)，檢測(cè)過程通過優(yōu)化輸出層結(jié)構(gòu)和圖像加灰條實(shí)現(xiàn)對(duì)缺陷快速準(zhǔn)確的辨識(shí)。本節(jié)評(píng)價(jià)了各種改進(jìn)措施對(duì)網(wǎng)絡(luò)整體性能的影響，不同措施對(duì)算法性能的提升見表2，其中，“√”表示施加了對(duì)應(yīng)的措施。由表2可知，單獨(dú)使用YOLOv4模型進(jìn)行檢測(cè)，算法的mAP值達(dá)到77.13%。對(duì)圖像加灰條能夠防止圖像失真，相比于改進(jìn)前，算法的mAP值提升了4.5%。倘若訓(xùn)練過程采用遷移學(xué)習(xí)作訓(xùn)練策略，由于多階段遷移學(xué)習(xí)通過載入預(yù)訓(xùn)練權(quán)重進(jìn)行訓(xùn)練，訓(xùn)練過程只需對(duì)模型未凍結(jié)部分進(jìn)行微調(diào)。從表2可以看出，凍結(jié)不同層數(shù)對(duì)訓(xùn)練模型性能的提升不同。當(dāng)凍結(jié)層數(shù)為25層時(shí)，訓(xùn)練的參數(shù)量最合適，對(duì)模型的整體性能提升最大，算法mAP值提升了7.8%。改進(jìn)后的算法對(duì)復(fù)雜背景下的目標(biāo)辨識(shí)準(zhǔn)確率有顯著提升。檢測(cè)結(jié)果對(duì)比如圖6所示，在氣象環(huán)境不佳、桿塔和絕緣子背景深度融合等不利條件下，未改進(jìn)的算法喪失了對(duì)玻璃絕緣子的檢測(cè)能力，而改進(jìn)后的算法卻能有效地辨識(shí)與背景相融合的玻璃絕緣子，置信度達(dá)到82%。

表2 不同措施對(duì)算法性能的提升

圖6 檢測(cè)結(jié)果對(duì)比

3.3 檢測(cè)結(jié)果

玻璃絕緣子串檢測(cè)結(jié)果如圖7所示，可以看出，所提方法能準(zhǔn)確檢測(cè)出圖像中缺陷所在的位置，對(duì)于經(jīng)過翻轉(zhuǎn)、旋轉(zhuǎn)、縮放等方式生成的圖像也有較好的辨識(shí)效果。

圖7 玻璃絕緣子串檢測(cè)結(jié)果

算法對(duì)不同類型和結(jié)構(gòu)的絕緣子檢測(cè)結(jié)果如圖8所示，由于檢測(cè)目標(biāo)的輪廓具有一致性并且將不同類型的絕緣子一起訓(xùn)練，故所提方法對(duì)不同類型和結(jié)構(gòu)的絕緣子均具有較高的辨識(shí)準(zhǔn)確度?？紤]到實(shí)際中不同電壓等級(jí)的絕緣子具有一定的差異性，為了進(jìn)一步提高算法的泛化能力和辨識(shí)精度，后期可收集更多的不同類型和結(jié)構(gòu)的絕緣子樣本進(jìn)行訓(xùn)練，使得方法在絕緣子目標(biāo)檢測(cè)中具備通用性和實(shí)用性。

圖8 不同類型和結(jié)構(gòu)的絕緣子檢測(cè)結(jié)果

4 結(jié)論

本文提出了基于YOLOv4的絕緣子缺陷識(shí)別方法。相比于現(xiàn)有方法，YOLOv4模型具有速度更快、精度更高的特點(diǎn)。針對(duì)檢測(cè)圖像中出現(xiàn)圖像修改尺寸后失真的問題，提出了對(duì)圖像加灰條處理的方法，同時(shí)在訓(xùn)練過程中采用了多階段遷移學(xué)習(xí)策略顯著提高了模型整體的性能。實(shí)驗(yàn)結(jié)果表明，所提方法的缺陷檢測(cè)mAP值達(dá)到89.54%，所提方法在實(shí)際應(yīng)用中可以滿足絕緣子缺陷檢測(cè)的準(zhǔn)確性要求。