基于改進(jìn)RPN的孿生小樣本電力目標(biāo)檢測

馮珺 潘司晨 趙帥 彭梁英 樊雄飛

摘 要：為了解決當(dāng)前電力系統(tǒng)巡檢難度大、效率低、數(shù)據(jù)不足以支撐大規(guī)模訓(xùn)練的問題，提出一種基于孿生網(wǎng)絡(luò)的小樣本檢測方法。首先，在Faster RCNN（faster region convolutional neural network）目標(biāo)識別算法的框架下，搭建支持圖片和查詢圖片共享的孿生網(wǎng)絡(luò)模型；然后，利用改進(jìn)的RPN（region proposal network）模塊產(chǎn)生更高質(zhì)量的proposals；最后，在檢測頭上對支持圖片和查詢圖片的RoI（region of interest）進(jìn)行關(guān)聯(lián)匹配。結(jié)果表明，將算法應(yīng)用于自主構(gòu)建的EPD（electric power detection）數(shù)據(jù)集，在僅利用10張支持圖片的情況下，就能實(shí)現(xiàn)對電力背景下鳥巢異物和絕緣子相關(guān)類別的檢測，檢測指標(biāo)mAP達(dá)到18.92%。與其他算法相比，應(yīng)用于電力行業(yè)目標(biāo)檢測的孿生網(wǎng)絡(luò)小樣本模型，在極端小樣本情況下性能優(yōu)良，同時(shí)具有更加輕量化的優(yōu)勢，可為電力檢測新方法研究提供參考。

關(guān)鍵詞：計(jì)算機(jī)感知；孿生網(wǎng)絡(luò)；電力場景；小樣本；目標(biāo)檢測

Research on few-shot power detection of siamese network based on improved RPN

FENG Jun1， PAN Sichen1，ZHAO Shuai1，PENG Liangying1，F(xiàn)AN Xiongfei2

（1.State Grid Zhejiang Electric Power Company Information and Communication Branch， Hangzhou， Zhejiang 310014， China；2.College of Control Science and Engineering， Zhejiang University， Hangzhou， Zhejiang 310027， China）

Abstract：In order to solve the problems of difficulty， low efficiency， and insufficient data to support large-scale training in existing power system detection methods， a few-shot detection method based on siamese network was proposed. Firstly， under the framework of Faster RCNN（region convolutional neural network） object detection algorithm， a siamese network model supporting imageand querying image sharing was built. Then， the improved RPN （region proposal network） module was used to generate proposals of higher quality. Finallly， the RoI（region of interest） supporting and querying images was correlated and matched on the detection head. The results show that the proposed algorithm， applied to the self-constructed EPD（electric power detection） dataset， can detect foreign matters in bird nest and insulator in the power background， and the detection index reaches 18.92% mAP， in the case of only 10 supporting images. Compared with other algorithms， the siamese network model with small sample size has better performance under extremely few shot situations， and has the advantage of being more lightweight， which provides some reference for the new research direction of electric power detection.

Keywords：computer awareness; siamese network; electric power; few shot; object detection

電力傳輸設(shè)備具有戶外部署、常年使用穩(wěn)定性要求高的特點(diǎn)，受到很多室外不確定性因素的影響甚至被損害。電力系統(tǒng)故障，如絕緣子故障、均壓環(huán)破損脫落、鳥類侵害（如筑巢）、防震錘故障等，造成很大的人力物力巡檢成本。伴隨著無人機(jī)領(lǐng)域的快速發(fā)展，無人機(jī)巡檢開始替代人工巡檢。無人機(jī)巡檢具有攜帶方便、反應(yīng)迅速、操作簡單等優(yōu)點(diǎn)，可以采集圖像視頻等多種素材。在電力行業(yè)走向智能電網(wǎng)時(shí)代的情況下，傳統(tǒng)的建模方法越來越難以滿足新形勢下電網(wǎng)的運(yùn)行維護(hù)需求。將深度學(xué)習(xí)引入電力行業(yè)恰恰可以彌補(bǔ)這方面的不足。深度學(xué)習(xí)從底層數(shù)據(jù)逐層提取高維度故障特征^［1］，有效避免了人工制造特征對于數(shù)據(jù)信息的選擇傾向。在同步發(fā)動機(jī)的故障診斷上，代杰杰等^［2］根據(jù)變壓器油溶解氣體類型，建立了ReLU-DBN油色譜特征氣體變壓器診斷模型；在輸電線路故障方面，魏東等^［3］采用雙Softmax分類器，基于CNN提出了一種輸電線路內(nèi)外故障判別與選相方法，解決了內(nèi)外故障判斷和選相的非獨(dú)立分類問題；在風(fēng)速預(yù)測方面，SERGIO等^［4］解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)維度的問題，也表明深度學(xué)習(xí)在時(shí)序問題上的應(yīng)用潛力；李爭等^［5］基于CNN與K-means聚類，在非侵入式電器檢測問題上實(shí)現(xiàn)了負(fù)荷識別。可以看出，深度學(xué)習(xí)因其強(qiáng)大的適應(yīng)能力，在解決智能電網(wǎng)建設(shè)的很多問題上有著相對突出的表現(xiàn)。

利用目標(biāo)檢測算法對巡檢素材進(jìn)行檢測分析，大大提高了巡檢效率。但無論是一階段算法（SSD^［6］（single shot multibox detector），YOLO^［7］（you only look once）），還是兩階段算法（RCNN^［8］類），都極度依賴大規(guī)模的標(biāo)注數(shù)據(jù)，與電力行業(yè)故障和非正常樣本少、有價(jià)值信息率低、樣本量少的特點(diǎn)不匹配，在訓(xùn)練數(shù)據(jù)規(guī)模不足時(shí)極易出現(xiàn)過擬合的問題。而小樣本學(xué)習(xí)正是研究如何以很少的標(biāo)注數(shù)據(jù)達(dá)到傳統(tǒng)深度學(xué)習(xí)的效果?，F(xiàn)有小樣本學(xué)習(xí)主要包括基于元學(xué)習(xí)的方法和基于微調(diào)的方法2大類?；谠獙W(xué)習(xí)的方法旨在訓(xùn)練模型獲得任務(wù)無關(guān)的學(xué)習(xí)能力。GIDARIS等^［9］提出一種基于注意力的權(quán)重生成器為新的圖像分類任務(wù)生成權(quán)重；WANG等^［10］構(gòu)建了一種任務(wù)感知的feature embedding，為特征提取層生成權(quán)重。

在用于目標(biāo)檢測任務(wù)時(shí)，元學(xué)習(xí)在小樣本數(shù)據(jù)集上訓(xùn)練，數(shù)據(jù)集分為支持集和查詢集，通過共享權(quán)重的孿生網(wǎng)絡(luò)^［11］同時(shí)提取支持圖像和查詢圖像的特征，在分類網(wǎng)絡(luò)中依照支持集的特征調(diào)整查詢集的網(wǎng)絡(luò)參數(shù)，最后達(dá)到檢測查詢圖片中位置框和類別的效果。孿生結(jié)構(gòu)是一種監(jiān)督學(xué)習(xí)結(jié)構(gòu)，共享的網(wǎng)絡(luò)權(quán)重意味著訓(xùn)練需要更少的參數(shù)，也就意味著需要更少的數(shù)據(jù)并且不容易過擬合。而對于相同類型的輸入，使用類似的模型來處理類似的輸入是有意義的。FSRW^［12］基于YOLOv2模型進(jìn)行小樣本問題改進(jìn)，利用支持圖片的注意力向量融合查詢圖片特征向量，得到了輕量級的識別模型。而Meta RCNN^［13］基于經(jīng)典兩階段目標(biāo)檢測框架Faster RCNN^［14］，利用RPN網(wǎng)絡(luò)產(chǎn)生proposal，在RoI Pooling層融合小樣本支持圖片特征，增強(qiáng)模型識別新類的能力。DCNet^［15］在Faster RCNN的基礎(chǔ)上，采用知識蒸餾的方法，在孿生網(wǎng)絡(luò)提取支持集和查詢集的特征后進(jìn)行特征融合。在transformer進(jìn)軍目標(biāo)檢測領(lǐng)域后，小樣本問題也有了相關(guān)的應(yīng)用。Meta-DETR^［16］利用transformer編碼解碼框架融合支持集和查詢集特征，進(jìn)一步提高了小樣本的檢測精度。而微調(diào)的方法旨在通過更為簡單的訓(xùn)練和模型結(jié)構(gòu)，進(jìn)行小樣本新類識別，大規(guī)模訓(xùn)練后，凍結(jié)模型部分參數(shù)，只需要在同時(shí)包含小樣本基類和新類的數(shù)據(jù)集上調(diào)整未凍結(jié)模型的參數(shù)即可。TFA^［17］是目前較為出色的微調(diào)框架，在微調(diào)階段，利用包含小樣本基類和新類的數(shù)據(jù)集，僅調(diào)整定位和分類模塊，即不改變預(yù)訓(xùn)練環(huán)節(jié)特征的提取池化學(xué)習(xí)參數(shù)，默認(rèn)模型已經(jīng)獲得足夠的特征處理能力。De FRCN^［18］是一種解耦的Faster RCNN模型，通過對模型梯度傳播的解耦來微調(diào)參數(shù)，進(jìn)一步提升了小樣本目標(biāo)檢測的識別精度。小樣本研究興起后，在國內(nèi)相關(guān)電力行業(yè)也得到了應(yīng)用。馬鵬等^［19］改進(jìn)了SSD算法，利用5個(gè)類別、200張變電站設(shè)備圖片作訓(xùn)練集，實(shí)現(xiàn)了小樣本復(fù)雜環(huán)境下的電力設(shè)備分類定位。陸繼翔等^［20］采用微調(diào)方法，利用GAN網(wǎng)絡(luò)擴(kuò)充樣本，在絕緣子脫離、導(dǎo)線斷股等巡檢故障檢測方面做了嘗試。本文提出將孿生網(wǎng)絡(luò)小樣本模型應(yīng)用于電力行業(yè)目標(biāo)檢測，并在電力數(shù)據(jù)集上進(jìn)行驗(yàn)證分析，證明小樣本檢測在電力行業(yè)中對數(shù)據(jù)痛點(diǎn)有相當(dāng)重要的意義。

1 孿生網(wǎng)絡(luò)模型算法流程

模型的整體流程如圖1所示。圖片輸入由支持圖片和查詢圖片并行輸入，共同進(jìn)入權(quán)重共享的特征提取網(wǎng)絡(luò)，也就是孿生網(wǎng)絡(luò)。RPN利用給定支持圖片實(shí)例的信息，過濾出查詢圖片中潛在目標(biāo)的proposal，proposal在最后的檢測頭完成類別和位置的回歸。為了圖片簡潔，孿生網(wǎng)絡(luò)只繪制了1個(gè)支持圖片分支。在真實(shí)的模型中，對于N個(gè)類別的訓(xùn)練，每個(gè)類別都會擴(kuò)展出自己的分支，獨(dú)立分支中的RPN進(jìn)行對應(yīng)類別潛在proposal的過濾。

1.1 改進(jìn)的proposal產(chǎn)生策略

RPN輸入為backbone的輸出特征，輸出為一系列proposal，每個(gè)proposal對應(yīng)一個(gè)是否為前景目標(biāo)的得分。RPN的總體結(jié)構(gòu)如圖2所示。

原理上，RPN在目標(biāo)檢測中的作用是產(chǎn)生潛在的proposal，為網(wǎng)絡(luò)下游的分類和回歸任務(wù)做準(zhǔn)備。理想的情況是，RPN在產(chǎn)生proposal的時(shí)候，判斷標(biāo)準(zhǔn)為該潛在目標(biāo)是否支持集圖片中包含的目標(biāo)類別，而不是僅僅進(jìn)行前景和背景的區(qū)別（即簡單的二分類）。然而，F(xiàn)aster RCNN采用的RPN網(wǎng)絡(luò)只是盲目地在圖片及其特征層中尋找任何潛在的目標(biāo)，這其中包含不屬于支持集圖片的目標(biāo)類別，因而產(chǎn)生大量冗余的proposal，為下游分類回歸任務(wù)帶來了更加龐大的工作量。同時(shí)，因?yàn)橹С旨哪繕?biāo)類別數(shù)量遠(yuǎn)少于

真實(shí)環(huán)境中存在的目標(biāo)類別，導(dǎo)致在RPN產(chǎn)生的proposal中有效潛在proposal占比低，RPN的輸出質(zhì)量差，可能給后續(xù)分類任務(wù)帶來了更大的誤差^［21］。

究其原因，是因?yàn)镽PN在產(chǎn)生proposal時(shí)沒有充分利用支持集圖片的特征，才產(chǎn)生了大量無關(guān)的proposal。本文改進(jìn)了一種自適應(yīng)目標(biāo)類別的RPN網(wǎng)絡(luò)，引導(dǎo)RPN產(chǎn)生proposal時(shí)著重關(guān)注和支持集有關(guān)的目標(biāo)類別，抑制無關(guān)類別目標(biāo)，減少產(chǎn)生的proposal數(shù)量和下游工作量。自適應(yīng)改進(jìn)的原理如圖3所示。

定義支持集的特征為X∈t^S×S×C，查詢集的特征為Y∈t^H×W×C，支持集的特征X被池化（average）到維度為1×1×C。查詢集的特征層和支持集的池化特征按照通道維度進(jìn)行卷積操作，計(jì)算兩者的相似特征G：

式中：X為支持圖片經(jīng)過backbone提取的特征，S×S×C為其維度；Y為查詢圖片特征，H×W×C為其維度。相似特征G即為該模塊得到的自適應(yīng)特征圖，將其輸入RPN用于產(chǎn)生目標(biāo)關(guān)聯(lián)的proposal。這里的X相當(dāng)于一個(gè)卷積核在對應(yīng)通道上對查詢集進(jìn)行滑動卷積操作。在邊緣提取等卷積操作中，通過設(shè)計(jì)不同的卷積核在圖片中進(jìn)行滑動卷積，提取出圖片特征中與卷積核結(jié)構(gòu)類似的區(qū)域。支持圖片特征X，視為從不同支持圖片中分別“精心設(shè)計(jì)”的卷積核，在對不同類別支持圖片進(jìn)行訓(xùn)練時(shí)，采用不同“設(shè)計(jì)”結(jié)構(gòu)的卷積核，提取查詢圖片中相似結(jié)構(gòu)的區(qū)域，得到的卷積結(jié)果就是自適應(yīng)特征G。G作為補(bǔ)充信息輸入到RPN網(wǎng)絡(luò)，產(chǎn)生相應(yīng)于支持集圖片目標(biāo)類別的proposal。值得一提的是，經(jīng)過池化操作的X在本文中維度取1×1×C。原因?yàn)閄的長和寬2個(gè)維度經(jīng)過實(shí)驗(yàn)測試后，取值為1時(shí)效果最好?？尚械慕忉屖钱?dāng)支持集特征池化為1×1后，更好地代表了目標(biāo)類別的全局特征，用該維度的支持圖片特征X在查詢集上做卷積，相當(dāng)于衡量查詢集圖片各個(gè)部分和目標(biāo)類別的特征相似度。

1.2 檢測頭分類與定位

RPN產(chǎn)生proposal后，通常需要一個(gè)檢測頭對proposal進(jìn)行目標(biāo)種類得分計(jì)算，并進(jìn)行分類。這一步是孿生網(wǎng)絡(luò)進(jìn)行小樣本檢測的關(guān)鍵步驟。

良好的模型要求一個(gè)檢測頭具有很強(qiáng)的小樣本下辨別不同類別的能力。在本研究的孿生網(wǎng)絡(luò)中，支持圖片和查詢圖片同時(shí)輸入特征提取網(wǎng)絡(luò)，產(chǎn)生proposal后在檢測頭上進(jìn)行特征關(guān)聯(lián)與匹配。采用的多關(guān)聯(lián)檢測頭如圖4所示。

檢測頭包含3個(gè)模塊：全局關(guān)聯(lián)、局部關(guān)聯(lián)和交叉關(guān)聯(lián)。全局關(guān)聯(lián)學(xué)習(xí)支持集和查詢集在圖片尺度上的全局特征匹配關(guān)系，局部關(guān)聯(lián)更加關(guān)注于兩者在對應(yīng)像素級別和通道上一對一的特征匹配，交叉關(guān)聯(lián)是對局部關(guān)聯(lián)的補(bǔ)充，衡量支持圖片和查詢圖片一對多的像素級別匹配關(guān)系，有助于解決支持和查詢圖片的空間錯(cuò)位（即目標(biāo)在支持圖片和查詢圖片中位置不同）問題。

2 損失函數(shù)及模型訓(xùn)練過程

本文算法測試平臺硬件環(huán)境為雙卡NVIDIA GeForce RTX 3060 TiGPU，軟件環(huán)境為Python 3.7，Pytorch 1.9.0，Torchvision 0.10.0，CUDA11.1，CuDNN 8.0.5。

2.1 損失函數(shù)

不同于計(jì)算機(jī)視覺中的圖像分類任務(wù)，目標(biāo)檢測任務(wù)既需要完成對proposal目標(biāo)的類別分類，也需要將類別的矩形位置框坐標(biāo)進(jìn)行回歸。相應(yīng)的輸出變量也是由并行的2個(gè)輸出層完成的。第1個(gè)輸出層輸出為1個(gè)離散的類別可能性置信度，p=（p0，p1，…，pK），對應(yīng)于K個(gè)類別，有（K+1）個(gè)輸出，包含K個(gè)類別的置信度和proposal屬于背景的置信度。這里的置信度p是由（K+1）個(gè)FClayer輸出通過softmaxlayer得到的，而后一個(gè)輸出為目標(biāo)位置邊界框的偏移量。對于第K個(gè)目標(biāo)類別來說，偏移量tk=（tkx，tky，tkw，tkh），這里的tk并不是指回歸目標(biāo)邊界框的絕對位置坐標(biāo)，而是在RPN產(chǎn)生的對應(yīng)proposal位置坐標(biāo)上的變換參數(shù)。

每個(gè)訓(xùn)練的RoI（region of interest））都有一個(gè)真實(shí)類別標(biāo)簽u和真實(shí)的位置框回歸向量g。對于上述提到的目標(biāo)檢測任務(wù)，本文以RoI為單位采用多任務(wù)損失函數(shù)^［22］進(jìn)行類別標(biāo)簽和邊界框的回歸訓(xùn)練：

式中Lcls（m，u）=-log mu，是對于類別標(biāo)簽u的log損失。

而對于邊界框的回歸損失則定義如下：定義目標(biāo)類別u邊界框的真值變量g=（gx，gy，gw，gh）和預(yù)測的邊界框位置變量pu=（pux，puy，puw，puh）。

這里的u指的是目標(biāo)類別預(yù)測的結(jié)果，u=0指的是訓(xùn)練樣本中該proposal框定的目標(biāo)不是支持集中的目標(biāo)類別，而是背景，也就是說在第1個(gè)分類任務(wù)中已經(jīng)出現(xiàn)了偏差，所以這里的回歸誤差沒有意義。

2.2 模型訓(xùn)練過程

目標(biāo)檢測中常用的衡量訓(xùn)練效果的指標(biāo)有查準(zhǔn)率（Precision）、召回率（Recall）、平均精度（AP）、平均精度均值（mAP）。定義TP為正確預(yù)測的正樣本，F(xiàn)N為錯(cuò)誤預(yù)測的負(fù)樣本，F(xiàn)P為錯(cuò)誤預(yù)測的正樣本，上述評價(jià)指標(biāo)如下：

孿生網(wǎng)絡(luò)模型訓(xùn)練分為2個(gè)階段。預(yù)訓(xùn)練階段，在公開的標(biāo)準(zhǔn)大規(guī)模數(shù)據(jù)集上進(jìn)行迭代訓(xùn)練，使得模型獲得針對多類別圖像的提取特征的能力。本文依據(jù)公認(rèn)的mAP評價(jià)指標(biāo)評價(jià)預(yù)訓(xùn)練的程度，在COCO數(shù)據(jù)集上預(yù)訓(xùn)練mAP達(dá)到24.0。再訓(xùn)練階段，在EDP數(shù)據(jù)集上調(diào)整網(wǎng)絡(luò)參數(shù)。ResNet的基本結(jié)構(gòu)由4個(gè)layer組成，再訓(xùn)練階段凍結(jié)了Resnet前2個(gè)layer的權(quán)重，用EDP數(shù)據(jù)集信息調(diào)整后2個(gè)layer和全連接分類層，達(dá)到遷移數(shù)據(jù)集的目的。

3 結(jié)果分析

為客觀評價(jià)本文改進(jìn)的孿生網(wǎng)絡(luò)模型在小樣本領(lǐng)域的性能優(yōu)劣，將模型在公開數(shù)據(jù)集VOC上進(jìn)行了小樣本測試。表1為VOC split1 5個(gè)新類的多算法效果對比（表中1 shot指的是在新類訓(xùn)練時(shí)，僅使用1張圖片進(jìn)行微調(diào)訓(xùn)練，以此類推，2 shot，3 shot，5 shot，10 shot表示在微調(diào)訓(xùn)練時(shí)，有2，3，5，10張圖片作為新類的訓(xùn)練集）。

由表1可以看出，本文采用模型相較于網(wǎng)絡(luò)MetaDet^［23］模型算法效果有了明顯提升。而和Meta RCNN^［13］相比，本文改進(jìn)后的結(jié)構(gòu)在1 shot和2 shot上效果明顯好于Meta RCNN，而在3 shot，5 shot和10 shot仍保持2個(gè)點(diǎn)左右的性能優(yōu)勢。k shot情況下，k值越小，問題定義的小樣本程度越嚴(yán)格?？梢?，相比于Meta RCNN，本文改進(jìn)的孿生網(wǎng)絡(luò)模型具有更加優(yōu)越的小樣本性能。從原理上分析，Meta RCNN用支持集的特征圖來調(diào)整詢問集的RoI池化模塊，使網(wǎng)絡(luò)對小樣本類別更敏感。而本文改進(jìn)的孿生網(wǎng)絡(luò)模型在產(chǎn)生proposal的RPN層利用了支持圖片的特征和查詢圖片提取相似度，從而產(chǎn)生了更精準(zhǔn)、高質(zhì)量的proposal，相較于Meta RCNN，更早地利用了支持集特征，避免了對于無效以及背景目標(biāo)RoI的處理，提高了模型效率。本文改進(jìn)的孿生網(wǎng)絡(luò)模型和TFA相比，結(jié)果略差，但是值得一提的是，TFA^［17］采用R-101作為提取特征的backbone，性能的提升帶來模型結(jié)構(gòu)和計(jì)算資源的代價(jià)，相比之下，本文改進(jìn)的孿生網(wǎng)絡(luò)模型采用R-50的backbone更具有輕量性的優(yōu)勢。

相比于標(biāo)準(zhǔn)數(shù)據(jù)集，算法的實(shí)際應(yīng)用與落地性能仍然需要驗(yàn)證。故本文在自主構(gòu)建的EPD數(shù)據(jù)集上進(jìn)行了真實(shí)場景驗(yàn)證。實(shí)驗(yàn)采用自主構(gòu)建的電力檢測數(shù)據(jù)集EPD進(jìn)行算法驗(yàn)證和效果分析。EPD數(shù)據(jù)集包含了鳥巢異物、正常聚合物絕緣子、絕緣子掉串、缺陷絕緣子、正常玻璃絕緣子5個(gè)類別。其中，鳥巢異物類別圖片均由真實(shí)場景拍攝而得，絕緣子掉串圖片由缺陷絕緣子與電力系統(tǒng)圖片合成所得，玻璃絕緣子和其他金屬器具由實(shí)驗(yàn)室場景拍攝而得。數(shù)據(jù)集劃分為訓(xùn)練集和測試集，根據(jù)小樣本問題的特殊性，訓(xùn)練集小于測試集，訓(xùn)練所需的10張支持圖片隨機(jī)從訓(xùn)練集中產(chǎn)生。數(shù)據(jù)集部分圖像如圖5所示。

表2展示了EPD數(shù)據(jù)集中進(jìn)行電力檢測的實(shí)驗(yàn)結(jié)果，測試結(jié)果的可視化效果如圖6所示。

由表2可知，本文提出的模型在需要檢出的鳥巢異物、絕緣子掉串、彎折絕緣子故障類型中的AP性能分別為22.9%，25.8%和18.1%，均高于正常聚合物/玻璃絕緣子類別的16.5%和11.3%，顯示出模型對異常類別的敏感性，尤其是對于絕緣子掉串，具有很好的故障檢出能力。從圖6中可以看到，檢出圖片對于真實(shí)拍攝的鳥巢和絕緣子掉串類別分類正確，邊界框清晰合理。對于虛擬圖像生成的正常類別效果一般，從側(cè)面說明了盡管小樣本問題降低了對于數(shù)據(jù)的數(shù)量要求，但數(shù)據(jù)質(zhì)量仍然是決定學(xué)習(xí)類方法效果的重要因素。因?yàn)槟Ｐ驮趯?shí)際應(yīng)用中更看重檢出，而不是AP指標(biāo)看重的IoU。5個(gè)類別檢測的mAP達(dá)到18.92%，證明了該模型有一定的應(yīng)用前景。

4 結(jié) 語

1）本文提出了一種基于改進(jìn)RPN的孿生網(wǎng)絡(luò)小樣本檢測方法。利用孿生網(wǎng)絡(luò)提取的支持圖片集合特征，產(chǎn)生目標(biāo)關(guān)聯(lián)特征，在RPN模塊增強(qiáng)了proposal的質(zhì)量。

2）與其他算法在VOC數(shù)據(jù)集上比較測試的結(jié)果表明，在極端小樣本情況下，本文提出的模型性能優(yōu)良，同時(shí)具有更加輕量化的優(yōu)勢。同時(shí)，在自主構(gòu)建的EDP電力數(shù)據(jù)集上，mAP達(dá)到18.92%，滿足一定的應(yīng)用需求，可解決電力行業(yè)在巡檢工作中效率不高的問題。

本文研究的孿生網(wǎng)絡(luò)小樣本模型，在實(shí)際應(yīng)用方面仍然和成熟的大數(shù)據(jù)集目標(biāo)檢測方法存在一定的差距。今后在小樣本電力檢測研究方面，還要在排除復(fù)雜環(huán)境對檢測目標(biāo)干擾、探索新的模型評價(jià)方法、彌補(bǔ)訓(xùn)練樣本和測試樣本之間的差距等方面進(jìn)行更為深入的探討。

參考文獻(xiàn)/References：

［1］ 孫博，王阿川.融合深度特征和FHOG特征的尺度自適應(yīng)相關(guān)濾波跟蹤算法［J］.河北科技大學(xué)學(xué)報(bào)，2021，42（6）：591-600.

SUN Bo，WANG Achuan.Scale-adaptive correlation filter tracking algorithm fusing depth features and FHOG features［J］.Journal of Hebei University of Science and Technology，2021，42（6）：591-600.

［2］ 代杰杰，宋輝，楊祎，等.基于油中氣體分析的變壓器故障診斷ReLU-DBN方法［J］.電網(wǎng)技術(shù)，2018，42（2）：658-664.

DAI Jiejie，SONG Hui，YANG Yi，et al.Dissolved gas analysis of insulating oil for power transformer fault diagnosis based on ReLU-DBN［J］.Power System Technology，2018，42（2）：658-664.

［3］ 魏東，龔慶武，來文青，等.基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路區(qū)內(nèi)外故障判斷及故障選相方法研究［J］.中國電機(jī)工程學(xué)報(bào)，2016，36（sup1）：21-28.

WEI Dong，GONG Qingwu，LAI Wenqing，et al.Research on internal and external fault diagnosis and fault-selection of transmission line based on convolutional neural network［J］.Proceedings of the CSEE，2016，36（sup1）：21-28.

［4］ SERGIO A T，LUDERMIR T B.Deep learning for wind speed forecasting in northeastern region of Brazil［C］//2015 Brazilian Conference on Intelligent Systems （BRACIS）.Natal Brazil：IEEE，2015：322-327.

［5］ 李爭，王澤，馮威，等.基于CNN與K-means聚類的非侵入式電器負(fù)荷識別方法［J］.河北科技大學(xué)學(xué)報(bào)，2022，43（4）：365-373.

LI Zheng，WANG Ze，F(xiàn)ENG Wei，et al.Non-intrusive electrical appliance load identification method based on CNN and K-means clustering［J］.Journal of Hebei University of Science and Technology，2022，43（4）：365-373.

［6］ LIU Wei，ANGUELOV D，ERHAN D，et al.SSD：Single shot MultiBox detector［C］//2016 Computer Vision-ECCV.Cham：Springer，2016：21-37.

［7］ REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once：Unified，real-time object detection［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Las Vegas：IEEE，2016：779-788.

［8］ GIRSHICK R，DONAHUE J，DARRELL T，et al.Rich feature hierarchies for accurate object detection and semantic segmentation［C］//2014 IEEE Conference on Computer Vision and Pattern Recognition.Columbus：IEEE，2014：580-587.

［9］ GIDARIS S，KOMODAKIS N.Dynamic few-shot visual learning without forgetting［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City：IEEE，2018：4367-4375.

［10］WANG Yuxiong，RAMANAN D，HEBERT M.Meta-learning to detect rare objects［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.Seoul Korea （South）：IEEE，2019：9924-9933.

［11］BROMLEY J，GUYON I，LECUN Y，et al.Signature verification using a "Siamese" time delay neural network［C］//Proceedings of the 6th International Conference on Neural Information Processing Systems.Denver Colorado：Morgan Kaufmann Publishers Inc，1993：737-744.

［12］KANG Bingyi，LIU Zhuang，WANG Xin，et al.Few-shot object detection via feature reweighting［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.Seoul Korea （South）：IEEE，2019：8419-8428.

［13］YAN Xiaopeng，CHEN Ziliang，XU Anni，et al.Meta RCNN：Towards general solver for instance-level low-shot learning［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.Seoul Korea （South）：IEEE，2019：9576-9585.

［14］REN Shaoqing，HE Kaiming，GIRSHICK R，et al.Faster RCNN：Towards real-time object detection with region proposal networks［C］//Proceedings of the 28th International Conference on Neural Information Processing Systems. Montreal：MIT Press，2015：91-99.

［15］HU Hanzhe，BAI Shuai，LI Aoxue，et al.Dense relation distillation with context-aware aggregation for few-shot object detection［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.Nashville：IEEE，2021：10180-10189.

［16］ZHANG Gongjie，LUO Zhipeng，CUI Kaiwen，et al.Meta-DETR：Image-levelfew-shot detection with inter-class correlation exploitation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2022.DOI：10.1109/TPAMI.2022.3195735.

［17］WANG Xin，HUANG T E，DARRELL T，et al.Frustratingly simple few-shot object detection［C］//Proceedings of the 37th International Conference on Machine Learning.Virtual Event：PMLR，2020：9919-9928.

［18］QIAO Limeng，ZHAO Yuxuan，LI Zhiyuan，et al.DeFRCN：Decoupled faster RCNN for few-shot object detection［C］//2021 IEEE/CVF International Conference on Computer Vision （ICCV）.Montreal：IEEE，2021：8661-8670.

［19］馬鵬，樊艷芳.基于深度遷移學(xué)習(xí)的小樣本智能變電站電力設(shè)備部件檢測［J］.電網(wǎng)技術(shù)，2020，44（3）：1148-1159.

MA Peng，F(xiàn)AN Yanfang.Small sample smart substation power equipment component detection based on deep transfer learning［J］.Power System Technology，2020，44（3）：1148-1159.

［20］陸繼翔，李昊，徐康，等.基于遷移學(xué)習(xí)的小樣本輸電線路巡檢圖像處理方法［J］.全球能源互聯(lián)網(wǎng)，2019，2（4）：409-415.

LU Jixiang，LI Hao，XU Kang，et al.Defect recognition using few-shot learning and transfer learning for transmission line inspection images［J］.Journal of Global Energy Interconnection，2019，2（4）：409-415.

［21］FAN Qi，ZHUO Wei，TANG C K，et al.Few-shot object detection with attention-RPN and multi-relation detector［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.Seattle：IEEE，2020：4012-4021.

［22］GIRSHICK R.Fast RCNN［C］//2015 IEEE International Conference on Computer Vision （ICCV）.Santiago：IEEE，2015：1440-1448.

［23］VINYALS O，BLUNDELL C，LILLICRAP T，et al.Matching networks for one shot learning［C］//Proceedings of the 30th International Conference on Neural Information Processing Systems.Barcelona：Curran Associates Inc，2016：3637-3645.