基于改進(jìn)Faster RCNN 的輸電線路航拍絕緣子檢測(cè)

易繼禹，陳慈發(fā)，龔國(guó)強(qiáng)

（三峽大學(xué)計(jì)算機(jī)與信息學(xué)院，湖北宜昌 443000）

0 概述

絕緣子是輸電線路中的重要組成部分，在長(zhǎng)期自然環(huán)境以及惡劣條件作用下，絕緣子可能發(fā)生故障，影響電力系統(tǒng)的穩(wěn)定運(yùn)行［1］，因此定期巡檢輸電線路絕緣子，及時(shí)發(fā)現(xiàn)并處理故障絕緣子對(duì)電力系統(tǒng)的穩(wěn)定性與可靠性具有重要意義。目前，我國(guó)主要的輸電線路巡檢方式是無人機(jī)巡檢［2］，它在一定程度上彌補(bǔ)了傳統(tǒng)人工巡檢的不足，有效降低了巡檢人員登桿檢查的工作強(qiáng)度并提高了安全性，能快速且準(zhǔn)確地判斷缺陷情況［3］，顯著提高巡檢效率以及線路維護(hù)的響應(yīng)速度。無人機(jī)巡檢主要通過采集海量航拍圖像進(jìn)行檢測(cè)，因此航拍圖像中的絕緣子自動(dòng)檢測(cè)研究就顯得十分重要。

最初的圖像識(shí)別算法主要通過搜集圖像，再對(duì)圖像進(jìn)行處理以實(shí)現(xiàn)絕緣子檢測(cè)。文獻(xiàn)［4］采用邊緣檢測(cè)方法實(shí)現(xiàn)對(duì)絕緣子的檢測(cè)。文獻(xiàn)［5］利用自適應(yīng)形態(tài)學(xué)算法實(shí)現(xiàn)可見光圖像中絕緣子的檢測(cè)。文獻(xiàn)［6］通過圖像的灰度信息計(jì)算絕緣子和背景區(qū)域的形狀特征值，設(shè)計(jì)分類決策條件進(jìn)行絕緣子檢測(cè)。文獻(xiàn)［7］提出基于可見光圖像的絕緣子識(shí)別與故障檢測(cè)方法。文獻(xiàn)［8］利用閾值分割進(jìn)行分步定位提取絕緣子。文獻(xiàn)［9］通過結(jié)合形態(tài)學(xué)、Lab 彩色空間與最大類間方差法來實(shí)現(xiàn)絕緣子“掉串”故障檢測(cè)。文獻(xiàn)［10］提出基于最優(yōu)閾值的改進(jìn)型Canny 算子電力設(shè)備圖像檢測(cè)算法。上述方法能實(shí)現(xiàn)簡(jiǎn)單目標(biāo)的絕緣子檢測(cè)，但局限于某一類別，在現(xiàn)實(shí)應(yīng)用中受到環(huán)境等因素的影響，導(dǎo)致檢測(cè)結(jié)果不理想。隨后，基于機(jī)器學(xué)習(xí)方法的絕緣子識(shí)別成為研究人員關(guān)注的熱點(diǎn)問題。文獻(xiàn)［11］利用目標(biāo)建議算法與結(jié)構(gòu)搜索對(duì)絕緣子進(jìn)行識(shí)別定位。文獻(xiàn)［12］采用支持向量機(jī)（Support Vector Machine，SVM）算法實(shí)現(xiàn)對(duì)高壓輸電線路故障的識(shí)別與分類。機(jī)器學(xué)習(xí)技術(shù)可在一定程度上提高識(shí)別可靠性，但在識(shí)別時(shí)間和準(zhǔn)確率上仍有進(jìn)一步提升的空間。

近年來，深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）在目標(biāo)檢測(cè)［13］任務(wù)中表現(xiàn)突出并得到廣泛應(yīng)用。文獻(xiàn)［14］運(yùn)用Faster RCNN 網(wǎng)絡(luò)實(shí)現(xiàn)多種類別的小部件識(shí)別定位。文獻(xiàn)［15］結(jié)合深度學(xué)習(xí)和隨機(jī)森林對(duì)電力設(shè)備圖像進(jìn)行檢測(cè)。文獻(xiàn)［16］利用深度遷移學(xué)習(xí)提出一種單階段多框檢測(cè)器的目標(biāo)檢測(cè)算法，并采用軟性懲罰非極大值抑制等方法進(jìn)行優(yōu)化，實(shí)現(xiàn)電力小部件檢測(cè)。上述方法相較傳統(tǒng)識(shí)別方法在識(shí)別時(shí)間和準(zhǔn)確率方面均有較大的性能提升，但其研究主要集中于絕緣子識(shí)別和故障檢測(cè)，對(duì)于復(fù)雜背景下的絕緣子檢測(cè)研究較少。本文針對(duì)航拍圖像中的輸電線路絕緣子檢測(cè)問題，通過多尺度訓(xùn)練提升系統(tǒng)魯棒性，優(yōu)化區(qū)域生成網(wǎng)絡(luò)（Region Proposal Network，RPN）候選框比例使檢測(cè)結(jié)果更貼合目標(biāo)，改進(jìn)Faster RCNN［17］模型并引入遮擋掩膜生成困難樣本，通過不斷檢測(cè)學(xué)習(xí)提升遮擋情況下的絕緣子檢測(cè)精確度。

1 絕緣子檢測(cè)方法

在RCNN［18］和Fast RCNN［19］的基礎(chǔ)上，2015 年微軟研究院的任少慶等人提出了Faster RCNN 算法，該算法將特征提取、建議框提取、邊框回歸、分類回歸整合于一個(gè)網(wǎng)絡(luò)中，使得整體性能得到大幅提升，尤其在檢測(cè)速度方面，真正實(shí)現(xiàn)了端到端的目標(biāo)檢測(cè)框架。

在海量航拍圖像中，絕緣子形態(tài)不一且目標(biāo)檢測(cè)魯棒性差。為提高目標(biāo)檢測(cè)準(zhǔn)確性和檢測(cè)速度并降低漏檢率，本文選用Faster RCNN 為基礎(chǔ)模型進(jìn)行航拍絕緣子檢測(cè)，在此基礎(chǔ)上結(jié)合多尺度訓(xùn)練、候選區(qū)域比例微調(diào)和遮擋樣本的對(duì)手生成策略，解決目標(biāo)尺寸不一、遮擋等因素對(duì)絕緣子檢測(cè)的影響，進(jìn)一步提高絕緣子檢測(cè)的精確度。航拍絕緣子檢測(cè)流程如圖1 所示。

圖1 航拍絕緣子檢測(cè)流程Fig.1 Procedure of aerial insulator detection

1.1 航拍圖像處理及數(shù)據(jù)集建立

本文中的絕緣子數(shù)據(jù)集涵蓋了不同地點(diǎn)、不同時(shí)期的6 500 張無人機(jī)巡檢航拍絕緣子圖像。航拍圖像中部分圖像拍攝角度視野過大，檢測(cè)目標(biāo)不明顯，于是對(duì)部分圖像進(jìn)行預(yù)處理以減少非目標(biāo)信息，并對(duì)訓(xùn)練集中每張圖像出現(xiàn)的絕緣子進(jìn)行標(biāo)記。為更好地識(shí)別出測(cè)試集中的絕緣子，在標(biāo)注時(shí)盡量減少標(biāo)注框內(nèi)的其他物體信息，同時(shí)較好地貼合航拍圖像中的絕緣子，如圖2 所示。對(duì)于測(cè)試樣本，本文選用400 張圖像作為測(cè)試集，并且測(cè)試集中不使用訓(xùn)練樣本中的圖像。在識(shí)別測(cè)試集時(shí)，標(biāo)記出航拍圖像中的絕緣子，包括殘缺和遮擋的絕緣子，表示實(shí)現(xiàn)一次成功的識(shí)別。

圖2 圖像處理及標(biāo)注Fig.2 Image processing and labeling

1.2 Faster RCNN 檢測(cè)方法

Faster RCNN 檢測(cè)方法的基本流程如圖3 所示，檢測(cè)過程具體如下：1）輸入需要測(cè)試的圖像；2）通過一組基礎(chǔ)的CNN 網(wǎng)絡(luò)對(duì)輸入的整張圖像進(jìn)行特征提??；3）每張圖像通過RPN 網(wǎng)絡(luò)生成300 個(gè)建議窗口；4）將建議窗口映射到CNN 網(wǎng)絡(luò)的最后一層卷積特征圖上；5）通過感興趣區(qū)域（Region of Interest，RoI）池化層使每個(gè)RoI 生成固定尺寸的特征圖；6）對(duì)分類概率和邊框回歸進(jìn)行聯(lián)合訓(xùn)練。

圖3 Faster RCNN 檢測(cè)方法的基本流程Fig.3 The basic procedure of the Faster RCNN detection method

Faster RCNN 檢測(cè)方法包括提取候選框的RPN網(wǎng)絡(luò)和檢測(cè)目標(biāo)的分類回歸網(wǎng)絡(luò)兩部分。RPN 的本質(zhì)是基于滑窗的無類別目標(biāo)檢測(cè)器，作用是提供高質(zhì)量的目標(biāo)候選框，結(jié)構(gòu)如圖4 所示，特征圖中每個(gè)像素點(diǎn)都配備了k種錨點(diǎn)作為初始檢測(cè)框，判斷該錨點(diǎn)是否成功覆蓋目標(biāo)以及為物體錨點(diǎn)進(jìn)行坐標(biāo)修正。由于RPN 網(wǎng)絡(luò)對(duì)輸入樣本數(shù)據(jù)的分類為二分類問題，使得分類層可得到2k個(gè)評(píng)分，并且坐標(biāo)修正為4 個(gè)值（x，y，w，h），因此回歸層可得到4k個(gè)參數(shù)化坐標(biāo)。

圖4 RPN 結(jié)構(gòu)Fig.4 RPN structure

在訓(xùn)練RPN 時(shí)，對(duì)交并比（Intersection over Union，IoU）大于0.7 的候選框分配正標(biāo)簽，IoU 小于0.3 的候選框分配負(fù)標(biāo)簽。損失函數(shù)計(jì)算公式為：

1.3 改進(jìn)的Faster RCNN 網(wǎng)絡(luò)模型

為使Faster RCNN 網(wǎng)絡(luò)模型更好地應(yīng)用于絕緣子檢測(cè)，本文在原始Faster RCNN 網(wǎng)絡(luò)模型的基礎(chǔ)上結(jié)合多尺度訓(xùn)練、候選區(qū)域比例微調(diào)和對(duì)手生成策略增強(qiáng)模型性能。

1.3.1 多尺度訓(xùn)練

在輸電線路中，絕緣子尺寸差異較大，原始Faster RCNN 模型通常會(huì)對(duì)所有訓(xùn)練圖像采用恒定的尺寸，在這種情況下會(huì)使尺寸不同的目標(biāo)檢測(cè)效果較差。本文采用多尺度訓(xùn)練，在保持絕緣子圖像原有比例不變的前提下，將圖像大小進(jìn)行隨機(jī)調(diào)整，將圖像較短一邊的像素設(shè)置為480、600 和750，并在這3 種條件下進(jìn)行網(wǎng)絡(luò)訓(xùn)練。實(shí)驗(yàn)結(jié)果證明，多尺度訓(xùn)練使Faster RCNN網(wǎng)絡(luò)對(duì)絕緣子尺寸具有一定魯棒性。

1.3.2 候選區(qū)域比例微調(diào)

Faster RCNN 網(wǎng)絡(luò)的主要優(yōu)勢(shì)為選用提取候選RPN 網(wǎng)絡(luò)代替耗時(shí)較多的選擇性搜索過程。在原始Faster RCNN 網(wǎng)絡(luò)中RPN 共使用128×128、256×256、512×512 這3 種縮放比例以及1∶2、1∶1、2∶1 這3 種候選區(qū)域比例，因此每個(gè)錨位置產(chǎn)生了9 個(gè)錨框。由于航拍圖像中絕緣子尺寸與公共數(shù)據(jù)集中多數(shù)目標(biāo)不同，因此為了得到更好的識(shí)別結(jié)果，需要微調(diào)候選區(qū)域比例。對(duì)航拍絕緣子圖像訓(xùn)練集中6 500 張圖像進(jìn)行統(tǒng)計(jì)，圖像中多數(shù)絕緣子候選區(qū)域比例為1∶1、1∶2、1∶3、1∶4 和1∶5，絕緣子數(shù)量分別為552 張、981 張、1 877 張、1 789 張 和751 張。將RPN 網(wǎng)絡(luò)中原有3 種候選區(qū)域比例進(jìn)行擴(kuò)展，尋找最適宜的比例，如圖5 所示。

圖5 改進(jìn)前后的候選區(qū)域比例對(duì)比Fig.5 Comparison of the proportion of candidate regions before and after improvement

1.3.3 對(duì)手生成策略

由于航拍中的不確定因素以及輸電線路結(jié)構(gòu)的復(fù)雜多樣，因此導(dǎo)致航拍圖像中出現(xiàn)了背景物件過多且絕緣子被遮擋的情況，如圖6 所示，在圖6（a）中中間絕緣子顏色與桿塔近似且大部分與桿塔重疊，在圖6（b）中左上角兩個(gè)絕緣子也出現(xiàn)了類似情況。

圖6 被遮擋的絕緣子樣本Fig.6 Samples of shaded insulators

基于上述情況，如果直接對(duì)絕緣子進(jìn)行檢測(cè)，則將會(huì)導(dǎo)致識(shí)別率大幅降低。借鑒A-Fast-RCNN［20］網(wǎng)絡(luò)模型中使用對(duì)抗網(wǎng)絡(luò)生成遮擋來訓(xùn)練檢測(cè)網(wǎng)絡(luò)的思想，本文將對(duì)手生成策略引入Faster RCNN 網(wǎng)絡(luò)中解決遮擋樣本的檢測(cè)問題。改進(jìn)的Faster RCNN網(wǎng)絡(luò)框架如圖7 所示。

圖7 改進(jìn)的Faster RCNN 網(wǎng)絡(luò)框架Fig.7 Improved Faster RCNN network framework

將RoI 池化層之后的部分稱為CO 網(wǎng)絡(luò)，它將原始的一個(gè)網(wǎng)絡(luò)擴(kuò)展為兩個(gè)共享網(wǎng)絡(luò)。網(wǎng)絡(luò)1 的輸入是Faster RCNN 中RoI 池化后的特征圖，通過全連接層生成遮擋掩膜，判斷在特征圖中哪些部分應(yīng)丟棄后生成困難樣本，并且所有操作都是向前的。網(wǎng)絡(luò)2中包含向前和向后操作，它的輸入是網(wǎng)絡(luò)1 所產(chǎn)生的困難樣本，輸出的損失函數(shù)能使網(wǎng)絡(luò)1 中的掩膜進(jìn)行自動(dòng)調(diào)整。在整個(gè)過程中會(huì)訓(xùn)練一個(gè)對(duì)手網(wǎng)絡(luò)，產(chǎn)生檢測(cè)困難的遮擋樣本。經(jīng)過訓(xùn)練的檢測(cè)網(wǎng)絡(luò)會(huì)檢測(cè)出某個(gè)區(qū)域被遮擋，從而遮擋此區(qū)域特征，以便使檢測(cè)網(wǎng)絡(luò)對(duì)困難遮擋情況進(jìn)行充分分析，最終得到更高的檢測(cè)準(zhǔn)確率。

網(wǎng)絡(luò)1 的輸入是特征圖，而掩膜會(huì)丟棄特征圖某一部分的特征，從而使特征對(duì)象更難檢測(cè)。特征X的尺寸為d×d×c，其中，d是 空間維度，c是通道數(shù)。掩膜Y會(huì)輸出d×d個(gè)值，這些值為0 或1。若Yij是第i行、第j列的掩膜值，則Xij是第i行、第j列的k通道特征值，其中?K表示任意的k通道。當(dāng)Yij=1時(shí)，丟棄特征圖上的所有通道值，計(jì)算公式為：

在訓(xùn)練過程中，使用d/3×d/3 的滑窗丟棄滑框內(nèi)的特征值，生成候選區(qū)域中的新特征向量。在所有滑窗中選取損失最高的滑窗，利用該滑窗生成單一掩膜，對(duì)于n個(gè)候選區(qū)域生成n個(gè)訓(xùn)練樣{(X1,Y1),本(X2,Y2),…,(Xn,Yn)}。假 設(shè)O是CO 網(wǎng)絡(luò)的生成器，那么O（X）就是生成的困難樣本，訓(xùn)練CO 網(wǎng)絡(luò)的損失函數(shù)計(jì)算公式為：

其中，F(xiàn)是檢測(cè)器，X是候選目標(biāo)。式（6）表明在對(duì)生成特征進(jìn)行分類時(shí)，若過程較順利，則產(chǎn)生的損失較大，反之產(chǎn)生的損失較小，目的是生成使網(wǎng)絡(luò)具有高損失值的掩膜，其交叉熵?fù)p失函數(shù)計(jì)算公式為：

其中，Y表示困難樣本中的生成掩膜，Oij(Xε)表示輸入特征圖Xε的（i,j）位置中的網(wǎng)絡(luò)輸出。

2 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)運(yùn)行在配置為Inter Core i7-9700F@4.50 GHz、8 GB 內(nèi)存、RTX2070 Super Ultra OC GPU的計(jì)算機(jī)上，選取含有絕緣子的航拍圖片共6 500 張，其中，6 100 張為訓(xùn)練集，400 張為測(cè)試集，航拍圖像示例如圖8 所示。

圖8 航拍圖像示例Fig.8 Examples of aerial images

為評(píng)估本文實(shí)驗(yàn)的有效性，使用精確度（Precision）和召回率（Recall）［21］來衡量模型檢測(cè)結(jié)果，計(jì)算公式為：

其中，TTP表示正值正樣本，F(xiàn)FP表示負(fù)值正樣本，F(xiàn)FN表示負(fù)值負(fù)樣本。

2.1 網(wǎng)絡(luò)訓(xùn)練對(duì)檢測(cè)結(jié)果的影響

在訓(xùn)練時(shí)設(shè)置批次大小為128，即每次輸入128 張航拍圖像進(jìn)行訓(xùn)練，權(quán)值衰減為0.000 5，初始學(xué)習(xí)率為0.001。通過損失值來判斷網(wǎng)絡(luò)訓(xùn)練效果，如圖9所示?？梢钥闯觯瑩p失值隨著迭代次數(shù)增多逐漸呈現(xiàn)下降趨勢(shì)，在迭代次數(shù)達(dá)到一定值時(shí)，無限收斂于0，說明隨著迭代次數(shù)的增加，訓(xùn)練效果越來越好。

圖9 損失值隨迭代次數(shù)的變化曲線Fig.9 The change curve of the loss values with the number of iterations

平均準(zhǔn)確率與迭代次數(shù)的關(guān)系如圖10 所示。獲取額外100 張圖像作為驗(yàn)證集，在模型迭代4 000 次后，驗(yàn)證集中絕緣子識(shí)別的平均準(zhǔn)確率接近80%并逐漸上升，在迭代次數(shù)為14 000 次時(shí)達(dá)到87%的最大值。本文將迭代14 000 次后的網(wǎng)絡(luò)模型作為目標(biāo)檢測(cè)模型，并使用不同方法進(jìn)行檢測(cè)。

圖10 平均準(zhǔn)確率隨迭代次數(shù)的變化曲線Fig.10 The change curve of the average accuracy with the number of iterations

2.2 候選區(qū)域比例對(duì)檢測(cè)結(jié)果的影響

通過調(diào)整RPN 網(wǎng)絡(luò)中候選區(qū)域的比例數(shù)量，對(duì)本文建立的數(shù)據(jù)集進(jìn)行檢測(cè)，得到的檢測(cè)結(jié)果平均精度（Average Precision，AP）如表1 所示。

表1 不同候選區(qū)域比例下的檢測(cè)結(jié)果Table 1 Detection results under different proportion of candidate regions

由表1 可知，最優(yōu)的候選區(qū)域比例為1∶4、1∶3、1∶2、1∶1、2∶1、3∶1、4∶1。隨著候選區(qū)域比例數(shù)量的增加，會(huì)使檢測(cè)精度降低，微調(diào)后的模型精度比初始模型提升了8.16%。微調(diào)候選區(qū)域比例前后的實(shí)驗(yàn)結(jié)果如圖11 所示，在圖11（a）中兩串絕緣子被單獨(dú)識(shí)別，在圖11（b）中識(shí)別框更貼合絕緣子目標(biāo)，說明微調(diào)候選區(qū)域比例后，改進(jìn)的Faster RCNN 網(wǎng)絡(luò)模型能更準(zhǔn)確地識(shí)別絕緣子區(qū)域，減少識(shí)別區(qū)域內(nèi)的非絕緣子信息。

圖11 微調(diào)候選區(qū)域比例前后的實(shí)驗(yàn)結(jié)果對(duì)比Fig.11 Comparison of experimental results before and after fine tuning the proportion of candidate regions

2.3 改進(jìn)Faster RCNN 網(wǎng)絡(luò)模型的檢測(cè)結(jié)果

Fast RCNN、YOLOv3［22］、Faster RCNN 和改進(jìn)的Faster RCNN 網(wǎng)絡(luò)模型的檢測(cè)結(jié)果如圖12 所示?？梢钥闯觯疚母倪M(jìn)的Faster RCNN 網(wǎng)絡(luò)模型相較Fast RCNN、YOLOv3 和Faster RCNN 網(wǎng)絡(luò)模型，能更完整地識(shí)別出被桿塔遮擋的絕緣子部分，且能識(shí)別出微小的絕緣子目標(biāo)，同時(shí)識(shí)別框更貼合目標(biāo)絕緣子。

圖12 4 種網(wǎng)絡(luò)模型的檢測(cè)結(jié)果對(duì)比Fig.12 Comparison of detection results of four network models

本文使用不同網(wǎng)絡(luò)模型對(duì)400 張測(cè)試集進(jìn)行檢測(cè)，若能準(zhǔn)確標(biāo)識(shí)出圖像中的所有絕緣子，包括殘缺以及遮擋絕緣子，且標(biāo)識(shí)框能較好地貼合絕緣子，則將其視為能正確標(biāo)識(shí)測(cè)試圖片，得到的檢測(cè)結(jié)果如表2 所示?？梢钥闯觯倪M(jìn)的Faster RCNN 網(wǎng)絡(luò)模型的精確度相較Fast RCNN、YOLOv3 和Faster RCNN網(wǎng)絡(luò)模型分別提升了5.10、3.58 和4.33 個(gè)百分點(diǎn)，召回率分別提升了9.75、5.75、7.75 個(gè)百分點(diǎn)。從表3可以看出，改進(jìn)的Faster RCNN 網(wǎng)絡(luò)模型的平均檢測(cè)時(shí)間相比YOLOv3 和Faster RCNN 網(wǎng)絡(luò)有少許增加，但仍能滿足巡檢要求。

表2 4 種網(wǎng)絡(luò)模型的檢測(cè)性能對(duì)比Table 2 Comparison of detection performance of four network models

表3 4 種網(wǎng)絡(luò)模型的平均檢測(cè)時(shí)間對(duì)比Table 3 Comparison of average detection time of four network models s

本文采用5 種策略對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，進(jìn)一步驗(yàn)證改進(jìn)的Faster RCNN 網(wǎng)絡(luò)模型的有效性。策略內(nèi)容具體如下：1）未改進(jìn)候選區(qū)域比例，未使用多尺度訓(xùn)練和對(duì)手生成策略；2）改進(jìn)候選區(qū)域比例，未使用多尺度訓(xùn)練和對(duì)手生成策略；3）改進(jìn)候選區(qū)域比例，使用多尺度訓(xùn)練和未使用對(duì)手生成策略；4）改進(jìn)候選區(qū)域比例，未使用多尺度訓(xùn)練和使用對(duì)手生成策略；5）改進(jìn)候選區(qū)域比例、使用多尺度訓(xùn)練和對(duì)手生成策略。如表4 所示，策略2 相比策略1 調(diào)整了候選區(qū)域比例，使得檢測(cè)精確度提升了0.67 個(gè)百分點(diǎn)，可以更精確地檢測(cè)多尺寸絕緣子，策略3 相比策略2 采用多尺度訓(xùn)練，使得檢測(cè)精確度提升了2.15 個(gè)百分點(diǎn)，具有更好的魯棒性，策略4 相比策略2 將對(duì)手生成機(jī)制引入網(wǎng)絡(luò)模型中，使得檢測(cè)精確度提升了2.92 個(gè)百分點(diǎn)。綜上所述，改進(jìn)候選區(qū)域比例，使用多尺度訓(xùn)練和對(duì)手生成策略這3 種方法均能提升改進(jìn)的Faster RCNN 網(wǎng)絡(luò)模型的檢測(cè)精確度。

表4 基于5 種策略的改進(jìn)Faster RCNN 網(wǎng)絡(luò)模型檢測(cè)結(jié)果比較Table 4 Comparison of detection results of improved Faster RCNN network model based on five strategies %

3 結(jié)束語

本文提出一種基于改進(jìn)的Faster RCNN 網(wǎng)絡(luò)模型的輸電線路航拍絕緣子檢測(cè)方法，引入多尺度訓(xùn)練提升目標(biāo)檢測(cè)魯棒性，通過微調(diào)RPN 候選區(qū)域比例，使得檢測(cè)結(jié)果更精確且檢測(cè)框更貼合絕緣子，并設(shè)計(jì)對(duì)手生成策略提高困難樣本的檢測(cè)精確度。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的Faster RCNN 網(wǎng)絡(luò)模型的檢測(cè)精確度相比Faster RCNN 網(wǎng)絡(luò)模型提升了4.33 個(gè)百分點(diǎn)，但平均檢測(cè)時(shí)間有所增加，并且實(shí)驗(yàn)數(shù)據(jù)集中的圖像均為理想環(huán)境下拍攝得到，因此后續(xù)將通過添加紅外、缺陷等絕緣子圖像擴(kuò)充實(shí)驗(yàn)數(shù)據(jù)集，并進(jìn)一步優(yōu)化Faster RCNN 網(wǎng)絡(luò)模型，從而減少測(cè)試時(shí)間及提升檢測(cè)準(zhǔn)確性。