基于平行圖像與深度學(xué)習(xí)的絕緣子目標(biāo)檢測(cè)法

劉鑫月，陳 瑞，王坤峰，翟永杰

(1. 華北電力大學(xué)自動(dòng)化系，河北 保定 071003；2. 中國(guó)科學(xué)院自動(dòng)化研究所，北京100190)

1 引言

絕緣子是電力能源傳輸系統(tǒng)中的重要元件之一，它一端連接輸電導(dǎo)線，另一端連接高壓塔，起著必要的絕緣作用[1]。因此絕緣子需要承受超高的電壓和機(jī)械張力。由于其長(zhǎng)期工作在室外風(fēng)雪雨霧等惡劣的環(huán)境，極易發(fā)生例如掉片，自爆和閃絡(luò)等故障。這些故障將給電力電網(wǎng)的運(yùn)行留下很大的安全隱患，因此及時(shí)檢查絕緣子的工作狀態(tài)十分重要[2]。

為了方便檢修人員及時(shí)對(duì)故障進(jìn)行檢修，需要在無人機(jī)拍攝采集的圖像中定位絕緣子故障，而此工作的重點(diǎn)之一就是先定位絕緣子。由于傳統(tǒng)的人工分析處理絕緣子圖像數(shù)據(jù)需要良好資格和經(jīng)驗(yàn)豐富的人員，且由于圖像的數(shù)量龐大而十分耗時(shí)，也容易出現(xiàn)漏分、誤分現(xiàn)象，不利于后續(xù)絕緣子狀態(tài)的診斷。絕緣子材質(zhì)、顏色、串?dāng)?shù)種類多，圖像背景十分復(fù)雜[3]，可能包含桿塔、線路等偽目標(biāo)，拍照的角度也具有不確定性，如圖1所示。這些干擾也為實(shí)現(xiàn)絕緣子的自動(dòng)檢測(cè)和定位加大了難度[4]。

圖1 無人機(jī)拍攝的絕緣子和非絕緣子圖像

目前，隨著目標(biāo)檢測(cè)算法的不斷更新，通過學(xué)習(xí)大量圖像樣本的特征，實(shí)現(xiàn)絕緣子目標(biāo)檢測(cè)已逐漸成為的研究趨勢(shì)。由于各個(gè)算法在絕緣子目標(biāo)檢測(cè)中的應(yīng)用并沒有統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)，因此本文根據(jù)研究需求，采用在目標(biāo)檢測(cè)中較為成熟的、檢測(cè)精度相對(duì)較高的深度學(xué)習(xí)分類算法[5]，來實(shí)現(xiàn)絕緣子的檢測(cè)。

但是，由于目前國(guó)內(nèi)很多有關(guān)絕緣子的圖像數(shù)據(jù)并沒有公開，因此圖像的數(shù)據(jù)量較少成為該研究的瓶頸之一。本文借鑒王坤峰等人的“平行圖像”理念[6]，通過對(duì)絕緣子圖像數(shù)據(jù)結(jié)構(gòu)進(jìn)行研究，建立了人工絕緣子圖像，并將真實(shí)絕緣子圖像與人工絕緣子圖像相結(jié)合，以實(shí)現(xiàn)數(shù)據(jù)量的擴(kuò)充。根據(jù)數(shù)據(jù)量與數(shù)據(jù)結(jié)構(gòu)，本文搭建了5層的卷積神經(jīng)網(wǎng)絡(luò)，用于特征提取與分類。

2 數(shù)據(jù)準(zhǔn)備

2.1 平行圖像

平行圖像是利用從實(shí)際場(chǎng)景中采集得到的真實(shí)圖像，通過人工圖像系統(tǒng)對(duì)真實(shí)圖像的特點(diǎn)進(jìn)行解析和吸納，從而自動(dòng)生成大量新的人工圖像數(shù)據(jù)。人工圖像系統(tǒng)的實(shí)現(xiàn)方法包括：圖形渲染、圖像風(fēng)格遷移、生成式模型等。平行圖像為平行視覺研究提供大規(guī)模多樣性的圖像數(shù)據(jù)[6]。

借鑒這個(gè)理念，根據(jù)國(guó)家標(biāo)準(zhǔn)GB/T 7253-87《盤形懸式絕緣子串元件尺寸與特性》及GB1001-86《盤形懸式絕緣子技術(shù)條件》中規(guī)定的絕緣子結(jié)構(gòu)和技術(shù)條件，運(yùn)用3ds Max軟件對(duì)絕緣子各個(gè)部件的形狀、材質(zhì)和顏色進(jìn)行建模，生成符合研究需求的人工絕緣子圖像[7]，建立人工絕緣子圖像數(shù)據(jù)集，主要流程如圖2所示。

由于真實(shí)圖像中的復(fù)雜背景是影響絕緣子檢測(cè)的最大干擾，因此在建立人工絕緣子圖像數(shù)據(jù)集時(shí)主要采用了單色的純凈背景，以凸顯出絕緣子目標(biāo)的主要特征，提升數(shù)據(jù)質(zhì)量。根據(jù)材質(zhì)的不同，絕緣子可以分為玻璃絕緣子、瓷質(zhì)絕緣子和復(fù)合絕緣子，生成三類人工絕緣子圖像有1000余張，大小均為256×256。再結(jié)合由無人機(jī)拍攝采集的如圖1所示的真實(shí)絕緣子圖像6000張以及非絕緣子圖像5000張，共同構(gòu)成訓(xùn)練和測(cè)試所需數(shù)據(jù)集。建立的人工絕緣子圖像數(shù)據(jù)集中的部分?jǐn)?shù)據(jù)如圖3所示。

圖2 人工絕緣子圖像生成過程

圖3 人工絕緣子圖像數(shù)據(jù)集示例

2.2 顏色預(yù)選

圖像區(qū)域的顯著性取決于其自身特征與周圍環(huán)境之間的差異[8]，在基于內(nèi)容的圖像理解中具有重要的作用。絕緣子是具有顏色顯著特征的目標(biāo)，且顏色特征是計(jì)算機(jī)語言中較為準(zhǔn)確、直接和快速的特征之一，因此采用與人類視覺系統(tǒng)最相似的HSV顏色空間，能夠在一定程度上有效地將目標(biāo)與背景分離開[9]。

深度學(xué)習(xí)分類目標(biāo)檢測(cè)算法的第一步就是根據(jù)提取的特征生成候選區(qū)域。借鑒此想法，本文對(duì)真實(shí)絕緣子圖像進(jìn)行顏色特征提取，并利用此特征實(shí)現(xiàn)目標(biāo)與背景的分離，獲取的不同程度的凸顯目標(biāo)的圖像即為經(jīng)過顏色預(yù)選的圖像。

顏色預(yù)選的主要目的有兩方面：一是為了改善數(shù)據(jù)質(zhì)量，二是為了實(shí)現(xiàn)目標(biāo)檢測(cè)。其主要步驟是，首先經(jīng)過大量的實(shí)驗(yàn)與測(cè)試，獲得最合適的HSV顏色空間設(shè)定閾值，然后以這些閾值為權(quán)重，建立顏色預(yù)選的數(shù)學(xué)模型，最后把真實(shí)圖像數(shù)據(jù)集中的1000張絕緣子圖像代入模型求解，將滿足閾值的像素點(diǎn)決策到相應(yīng)的顏色系中，則這些顏色系的圖像共同構(gòu)成了不同程度的包含絕緣子候選區(qū)域的圖像和背景圖像共計(jì)8000張的顏色預(yù)選圖，其包含兩類：顏色預(yù)選絕緣子圖像和顏色預(yù)選非絕緣子圖像。各個(gè)顏色系對(duì)應(yīng)的H、S、V變量的閾值設(shè)置如表1所示，其中紅色系在H的閾值有兩種情況。

表1 各顏色系對(duì)應(yīng)H、S、V變量的閾值

經(jīng)過上述的顏色預(yù)選處理，獲得的顏色預(yù)選絕緣子圖像和非絕緣子圖像，如圖4所示。

圖4 顏色預(yù)選獲得絕緣子和非絕緣子圖像

3 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法

3.1 構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)目標(biāo)檢測(cè)算法常用的CNN架構(gòu)都包含32層以上的網(wǎng)絡(luò)層數(shù)，訓(xùn)練用的數(shù)據(jù)都是幾萬甚至幾十萬的數(shù)據(jù)量，而研究所用的絕緣子圖像數(shù)據(jù)量則是千量級(jí)的，如果直接送入這些深層網(wǎng)絡(luò)中訓(xùn)練很容易出現(xiàn)過擬合的問題。因此，經(jīng)過對(duì)數(shù)據(jù)結(jié)構(gòu)與內(nèi)容的分析，選擇Pytorch深度學(xué)習(xí)框架，構(gòu)建了一個(gè)5層的卷積神經(jīng)網(wǎng)絡(luò)，如圖5所示。網(wǎng)絡(luò)的輸入是進(jìn)行重設(shè)大小的256×256的RGB圖像，通道數(shù)為3；網(wǎng)絡(luò)第一層卷積核大小為5×5，通道數(shù)為16；第二層卷積核大小為5×5，通道數(shù)為32；第三層卷積核大小為4×4，通道數(shù)為64；第四層卷積核大小為4×4，通道數(shù)為128；網(wǎng)絡(luò)的前四層卷積的步長(zhǎng)s都設(shè)為1，每一層不僅包含卷積層，也均包含了一個(gè)大小為5×5的感受野，以及步長(zhǎng)s為2的最大池化層；網(wǎng)絡(luò)的第5層為全連接層，輸出通道為2，即獲得分類的兩種結(jié)果。

圖5 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

3.2 模型訓(xùn)練

利用CNN對(duì)輸入圖像進(jìn)行特征提取，從而獲得一批權(quán)值的過程稱為訓(xùn)練模型。訓(xùn)練后獲得的預(yù)測(cè)值會(huì)與真實(shí)值之間存在一定的差異，這個(gè)差異通常被定義為損失函數(shù)。訓(xùn)練的目的就是通過梯度下降、權(quán)值更新和不斷的迭代，讓損失函數(shù)無限趨近于0，從而讓計(jì)算機(jī)獲得對(duì)輸入圖像較好的認(rèn)知理解。對(duì)于圖像數(shù)據(jù)來說，最終目標(biāo)是建立一個(gè)良好的分類網(wǎng)絡(luò)，區(qū)分出包含絕緣子目標(biāo)的圖像。

3.2.1 公式化

首先定義輸入數(shù)據(jù)為

S={(Xn，Yn)，n=1，…，N}

(1)

其中Xn表示原始圖像數(shù)據(jù)，Yn表示圖像的對(duì)應(yīng)二進(jìn)制標(biāo)簽，Yn={y(n)}，y(n)∈{0，1}，y(n)表示真實(shí)輸出值。

為了緩解梯度消失，節(jié)省計(jì)算量，使用了ReLU函數(shù)作為激活函數(shù)。它可以提升網(wǎng)絡(luò)的稀疏性，減少參數(shù)之間相互依存的關(guān)系，從而緩解過擬合的情況[10]。還在部分隱藏層中添加了dropout來使部分神經(jīng)元失效，防止過擬合[11]。除此之外，又通過設(shè)置批次數(shù)為64來適當(dāng)提高內(nèi)存的利用率[12]。在卷積神經(jīng)網(wǎng)絡(luò)的每一層，都會(huì)得到輸出如式(2)所示的預(yù)測(cè)值。

n=ReLU()

(2)

選擇交叉熵?fù)p失函數(shù)(Cross Entropy Loss)作為訓(xùn)練模型的loss。由于選用的是Pytorch深度學(xué)習(xí)框架，所以其中集成的交叉熵函數(shù)包括了歸一化指數(shù)函數(shù)(Log Softmax)和負(fù)對(duì)數(shù)似然損失函數(shù)(NLL Loss)兩部分，因此在上面圖5的網(wǎng)絡(luò)架構(gòu)中沒有添加softmax層。

交叉熵函數(shù)的計(jì)算公式為

(3)

(4)

等式(4)是成本函數(shù)J，表示在整個(gè)絕緣子圖像訓(xùn)練集上的loss的平均值。通過學(xué)習(xí)參數(shù)W，使總體成本函數(shù)最小化。如下式(5)所示，通過標(biāo)準(zhǔn)(反向傳播)隨機(jī)梯度下降實(shí)現(xiàn)最小化目標(biāo)函數(shù)。

(W)*=argmin(J(Y))

(5)

其中，(W)*表示使成本函數(shù)最小的權(quán)值集合。

3.2.2 訓(xùn)練方案1-無遷移學(xué)習(xí)

本文采用的訓(xùn)練方案如下：

1) 訓(xùn)練1：使用真實(shí)的絕緣子圖像A和真實(shí)非絕緣子圖像B訓(xùn)練搭建的CNN分類模型，達(dá)到一定訓(xùn)練效果以后，獲得模型1；

2) 分類：用模型1將顏色預(yù)選后的8000張圖像進(jìn)行分類，得到兩類圖像，隨機(jī)選取其中部分?jǐn)?shù)據(jù)作為訓(xùn)練集的一部分(1000張顏色預(yù)選的絕緣子圖像D和1000張顏色預(yù)選的非絕緣子圖像D1)；

3) 訓(xùn)練2：隨機(jī)初始化參數(shù)，在A中加入人工絕緣子圖像C，在B中加入真實(shí)非絕緣子圖像B1，用該數(shù)據(jù)結(jié)構(gòu)重新訓(xùn)練CNN分類模型，獲得模型2；

4) 訓(xùn)練3：隨機(jī)初始化參數(shù)，在A中加入經(jīng)過顏色預(yù)選的絕緣子圖像D，在B中加入經(jīng)過顏色預(yù)選的非絕緣子圖像D1，用該數(shù)據(jù)結(jié)構(gòu)重新訓(xùn)練CNN分類模型，獲得模型3；

5) 對(duì)比不同數(shù)據(jù)集結(jié)構(gòu)的訓(xùn)練效果，包括loss的變化曲線和準(zhǔn)確率變化曲線。

其中，訓(xùn)練集的準(zhǔn)確率實(shí)時(shí)反饋給訓(xùn)練網(wǎng)絡(luò)作為更新參數(shù)的參考，因此訓(xùn)練集的準(zhǔn)確率是用來評(píng)價(jià)訓(xùn)練集上模型訓(xùn)練的程度的。準(zhǔn)確率計(jì)算公式如下

P=(TP+TN)/(TP+FP+TN+FN)

(6)

其中，TP表示被模型預(yù)測(cè)為正的正樣本，TN表示被模型預(yù)測(cè)為負(fù)的負(fù)樣本，F(xiàn)P表示被模型預(yù)測(cè)為正的被模型預(yù)測(cè)為正的正樣本樣本，F(xiàn)N表示被模型預(yù)測(cè)為負(fù)的正樣本。

3.2.3 訓(xùn)練方案2-遷移學(xué)習(xí)

遷移學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的一個(gè)研究領(lǐng)域。它專注于存儲(chǔ)已有問題的解決模型，并將其利用在其它不同但相關(guān)的問題上，其最大的優(yōu)勢(shì)在于節(jié)省訓(xùn)練時(shí)間。采用遷移學(xué)習(xí)檢驗(yàn)本文方法的效果，實(shí)驗(yàn)步驟如下所示：

1) 訓(xùn)練1：同3.2.2中的1)，獲得模型1；

2) 分類：同3.2.2中的2)，獲得1000張顏色預(yù)選的絕緣子圖像D和1000張顏色預(yù)選的非絕緣子圖像D1；

3) 訓(xùn)練2：使用遷移學(xué)習(xí)，將訓(xùn)練1獲得的模型1參數(shù)作為訓(xùn)練2的初始化參數(shù)。用A+C與B+B1的數(shù)據(jù)結(jié)構(gòu)訓(xùn)練模型1，獲得模型2；

4) 訓(xùn)練3：使用遷移學(xué)習(xí)，將訓(xùn)練1獲得的模型1參數(shù)作為訓(xùn)練3的初始化參數(shù)。用A+D與B+D1的數(shù)據(jù)結(jié)構(gòu)訓(xùn)練模型1，獲得模型3；

5)對(duì)比不同數(shù)據(jù)集結(jié)構(gòu)的準(zhǔn)確率變化曲線。

由于是遷移學(xué)習(xí)，因此loss的下降變化不大，因此這里只討論不同數(shù)據(jù)集結(jié)構(gòu)的準(zhǔn)確率變化曲線，而不再討論其loss的變化曲線。

3.2.4 訓(xùn)練數(shù)據(jù)集結(jié)構(gòu)

如下表2是訓(xùn)練方案中不同的模型所對(duì)應(yīng)的訓(xùn)練集結(jié)構(gòu)、數(shù)據(jù)量和標(biāo)簽，0表示正樣本，1表示負(fù)樣本。訓(xùn)練方案1和訓(xùn)練方案2均使用表3中的數(shù)據(jù)結(jié)構(gòu)。

表2 不同訓(xùn)練的訓(xùn)練集數(shù)據(jù)量和標(biāo)簽

3.3 模型測(cè)試

3.3.1 公式化

在測(cè)試期間，給定圖像集X，訓(xùn)練后得到參數(shù)W*，獲得預(yù)測(cè)輸出如式(7)所示

=CNN(X，W*)

(7)

其中CNN(·)表示由CNN網(wǎng)絡(luò)產(chǎn)生的預(yù)測(cè)標(biāo)簽，然后進(jìn)一步聚合這些生成的標(biāo)簽獲得最終的統(tǒng)一預(yù)測(cè)輸出。

測(cè)試數(shù)據(jù)是模型未學(xué)習(xí)過的，測(cè)試的準(zhǔn)確率是用來評(píng)價(jià)模型的泛化能力的。

3.3.2 測(cè)試數(shù)據(jù)集結(jié)構(gòu)

測(cè)試過程是對(duì)訓(xùn)練方案1和訓(xùn)練方案2獲得的模型進(jìn)行測(cè)試，測(cè)試數(shù)據(jù)集均使用表3中的數(shù)據(jù)結(jié)構(gòu)。

表3 不同測(cè)試的數(shù)據(jù)集結(jié)構(gòu)

3.4 目標(biāo)檢測(cè)

3.4.1 步驟

1) 顏色預(yù)選處理目標(biāo)檢測(cè)數(shù)據(jù)集中的圖像；

2) 采用訓(xùn)練方案1和2中效果較好的模型3對(duì)顏色預(yù)選后的圖像進(jìn)行分類預(yù)測(cè)，預(yù)測(cè)標(biāo)簽為“0”的數(shù)據(jù)即為顏色預(yù)選的絕緣子圖像；

3) 對(duì)2)中獲得的顏色預(yù)選的絕緣子圖像進(jìn)行連通域檢測(cè)，并進(jìn)行形態(tài)學(xué)閉運(yùn)算和面積閾值選擇去除噪聲；

4) 獲得滿足閾值的絕緣子目標(biāo)區(qū)域，記錄其最大外接矩形框的坐標(biāo)，并在原圖進(jìn)行標(biāo)記。

目標(biāo)檢測(cè)的效果是根據(jù)模型畫出的矩形框和標(biāo)注的標(biāo)準(zhǔn)矩形框之間的重疊率來評(píng)價(jià)的，其示意圖如圖6所示。評(píng)價(jià)指標(biāo)交并比(IOU)的計(jì)算公式如式(8)所示。

圖6 矩形框重疊示意圖

3.4.2 目標(biāo)檢測(cè)數(shù)據(jù)集結(jié)構(gòu)

目標(biāo)檢測(cè)的數(shù)據(jù)集是模型在訓(xùn)練和檢測(cè)中沒有用過的真實(shí)絕緣子圖像數(shù)據(jù)，數(shù)據(jù)量為100，該數(shù)據(jù)集需要標(biāo)注標(biāo)準(zhǔn)矩形框來表示絕緣子在圖像中的準(zhǔn)確位置，即記錄矩形框的坐標(biāo)。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 訓(xùn)練結(jié)果

4.1.1 訓(xùn)練方案1-無遷移學(xué)習(xí)

圖7 訓(xùn)練1、2、3中的loss變化曲線對(duì)比

計(jì)算對(duì)比3種不同數(shù)據(jù)集結(jié)構(gòu)的模型訓(xùn)練效果，其中l(wèi)oss在訓(xùn)練過程中的變化曲線如圖7所示，3個(gè)模型在訓(xùn)練集上的準(zhǔn)確率變化如圖8所示，其中epoch是指訓(xùn)練迭代的次數(shù)。從圖7(a)的趨勢(shì)線可以看出，模型2的loss在訓(xùn)練過程中下降速度最快，最后收斂的程度與模型1相近。在最后階段，模型2的loss比模型1穩(wěn)定一些；從圖7(b)的趨勢(shì)線可以看出，模型3的loss在訓(xùn)練的前期下降速度較快，最后收斂的程度也與模型1相差無幾，雖然在訓(xùn)練的中間階段速度不如模型1，但是在后期收斂時(shí)模型1的loss波動(dòng)更大。

從圖8可以看出，模型2和模型3的準(zhǔn)確率在訓(xùn)練過程中上升的速度都比模型1 更快，在后期收斂的階段準(zhǔn)確率也比模型1更高。

圖8 訓(xùn)練1、2、3的準(zhǔn)確率變化曲線對(duì)比

模型1和模型2的對(duì)比實(shí)驗(yàn)結(jié)果表明，利用人工絕緣子圖像加入訓(xùn)練數(shù)據(jù)集是可行的；而模型1和模型3的對(duì)比實(shí)驗(yàn)結(jié)果表明，顏色預(yù)選處理對(duì)訓(xùn)練的過程也有明顯的積極的影響。二者都可以提升訓(xùn)練的效率，并且準(zhǔn)確率也均有明顯提高。

4.1.2 訓(xùn)練方案2-遷移學(xué)習(xí)

使用遷移學(xué)習(xí)后，計(jì)算對(duì)比使用3種不同數(shù)據(jù)集結(jié)構(gòu)的模型訓(xùn)練效果，其中3個(gè)模型在訓(xùn)練集上的準(zhǔn)確率變化如圖9所示。

圖9 訓(xùn)練1、2、3的準(zhǔn)確率變化曲線對(duì)比

從圖9(a)可以看出，由于使用了遷移學(xué)習(xí)，因此在訓(xùn)練前期模型2的準(zhǔn)確率就能達(dá)到較高的水平，由此可以推斷，在達(dá)到相同或者更高的準(zhǔn)確率的前提下，模型2能夠有效的節(jié)省訓(xùn)練時(shí)間；雖然在訓(xùn)練后期二者準(zhǔn)確率收斂程度相似，但是模型2的準(zhǔn)確率在整個(gè)訓(xùn)練階段的平均水平明顯超過模型1；從圖9(b)可以看出，針對(duì)模型3的訓(xùn)練，在訓(xùn)練前期，模型3的準(zhǔn)確率也很高，而且在后期收斂階段模型3的準(zhǔn)確率也明顯超過了模型1。

對(duì)比實(shí)驗(yàn)結(jié)果證明，利用遷移學(xué)習(xí)進(jìn)行訓(xùn)練，也可以顯著提升模型的訓(xùn)練效果，而且可以在達(dá)到相同性能要求的情況下消耗更少的訓(xùn)練時(shí)間，提升效率。

4.2 測(cè)試結(jié)果

統(tǒng)一使用表3中的數(shù)據(jù)，測(cè)試兩個(gè)不同的訓(xùn)練方案(未使用/使用遷移學(xué)習(xí))獲得的模型，計(jì)算得到準(zhǔn)確率和測(cè)試時(shí)間如表4所示。

表4 測(cè)試準(zhǔn)確率和時(shí)間

由測(cè)試結(jié)果可以看出，在未使用遷移學(xué)習(xí)的訓(xùn)練中，模型2和模型3的泛化能力較模型1均有所提升，測(cè)試時(shí)間也大大減少，說明人工絕緣子圖像的加入和顏色預(yù)選方案也可以有效提升模型的泛化能力。

而在遷移學(xué)習(xí)的過程中，模型2的準(zhǔn)確率提升較大，但是時(shí)間沒有明顯提高，而模型3的測(cè)試時(shí)間雖然有所提高，但準(zhǔn)確率提升不大，說明遷移學(xué)習(xí)方法具有可行性，但是對(duì)模型的泛化能力影響較小。

4.3 目標(biāo)檢測(cè)結(jié)果

IOU代表著兩個(gè)框之間的重疊率，其值越接近于1代表檢測(cè)到的矩形框位置越準(zhǔn)確。根據(jù)3.4.1所提的目標(biāo)檢測(cè)步驟，進(jìn)行目標(biāo)檢測(cè)實(shí)驗(yàn)，其中每個(gè)步驟的實(shí)驗(yàn)結(jié)果如下：

1) 100張真實(shí)絕緣子圖像經(jīng)過顏色預(yù)選處理后獲得100張顏色預(yù)選的絕緣子圖像和700張顏色預(yù)選的非絕緣子圖像；

2) 選用訓(xùn)練后的效果較好的模型對(duì)混合數(shù)據(jù)分類后，在獲得的預(yù)測(cè)標(biāo)簽為“0”的圖像中選取100張；

3) 對(duì)數(shù)據(jù)進(jìn)行連通域檢測(cè)等處理后在標(biāo)注了標(biāo)準(zhǔn)矩形框的原圖上標(biāo)記出預(yù)測(cè)的矩形框并記錄矩形框坐標(biāo)，如圖10所示，其中藍(lán)色框代表標(biāo)注的標(biāo)準(zhǔn)矩形框，紅色框代表預(yù)測(cè)的矩形框；

圖10 目標(biāo)檢測(cè)結(jié)果

4) 計(jì)算獲得的平均IOU為0.81，這表明通過該方法能夠較好的檢測(cè)出圖像中的絕緣子并獲得較準(zhǔn)確的定位。

5 結(jié)論

本文介紹了一種平行圖像與深度學(xué)習(xí)相結(jié)合的絕緣子檢測(cè)方法。其中三個(gè)關(guān)鍵性改進(jìn)是：

1) 利用平行圖像理念，建立人工絕緣子圖像數(shù)據(jù)集，突出絕緣子目標(biāo)的主要特征，忽略背景及干擾，用于擴(kuò)充訓(xùn)練數(shù)據(jù)獲得了較好的效果；

2) 搭建了5層的CNN架構(gòu)用于訓(xùn)練模型，并采用了剝離實(shí)驗(yàn)對(duì)不同的訓(xùn)練方案進(jìn)行了獨(dú)立研究與對(duì)比；

3) 對(duì)待檢測(cè)的絕緣子圖像進(jìn)行顏色預(yù)選，一方面改進(jìn)了數(shù)據(jù)集質(zhì)量，另一方面也實(shí)現(xiàn)了絕緣子目標(biāo)檢測(cè)。

通過實(shí)驗(yàn)驗(yàn)證，本文所提出的方法可以有效提升模型訓(xùn)練效果，即loss和準(zhǔn)確率收斂的更快，也更穩(wěn)定。對(duì)于目標(biāo)檢測(cè)，根據(jù)實(shí)驗(yàn)的評(píng)估指標(biāo)顯示，所提方法也可以較準(zhǔn)確的檢測(cè)定位絕緣子，有助于進(jìn)一步的絕緣子故障檢測(cè)，維護(hù)電網(wǎng)的安全運(yùn)行。