基于改進(jìn)CenterNet的絕緣子缺陷檢測模型

黃明忠, 石洋洋, 趙立杰

(沈陽化工大學(xué) 信息工程學(xué)院, 遼寧 沈陽 110000)

絕緣子是電力系統(tǒng)常見設(shè)備,起固定線路、設(shè)備和進(jìn)行電氣絕緣的作用。由于絕緣子數(shù)量多,且長期暴露在外、受陽光直射以及極端天氣的影響,易老化,導(dǎo)致其失去絕緣性能,對電力系統(tǒng)穩(wěn)定運(yùn)行產(chǎn)生危害[1]。因此對絕緣子進(jìn)行巡檢、及時(shí)發(fā)現(xiàn)和修復(fù)損壞的絕緣子,對于保障電網(wǎng)長期穩(wěn)定運(yùn)行有著十分重要的意義。輸電線路巡檢采用人工巡檢、直升機(jī)巡檢和無人機(jī)巡檢。人工巡檢雖環(huán)境適應(yīng)力強(qiáng),但效率低、從業(yè)人員工作量大且高空作業(yè)較危險(xiǎn)。直升機(jī)巡檢雖然可以提高檢測效率,但成本較高,不便于大規(guī)模普及。隨著技術(shù)的飛速發(fā)展,現(xiàn)在輸電線路巡檢主要采用無人機(jī)巡檢,增強(qiáng)目標(biāo)檢測模型對無人機(jī)巡檢所拍攝的圖像的自動定位與識別,是提高無人機(jī)巡檢準(zhǔn)確率和效率的重要環(huán)節(jié)。因此提升目標(biāo)檢測模型對絕緣子及其缺陷的檢測能力就顯得十分重要[2]。

近些年國內(nèi)外學(xué)者對絕緣子缺陷檢測進(jìn)行了大量研究,早期人們通過滑動窗口提取候選框,再用圖像處理技術(shù)提取候選框的特征,最后利用提取到的特征訓(xùn)練特征分類器。商俊平等[3]對絕緣子特征使用OUTS算法提取特征,再利用Adaboosts算法定位絕緣子,最后根據(jù)相鄰絕緣子片的歐式距離識別絕緣子自破裂缺陷位置。柯洪昌等[4]對Hough變換進(jìn)行改進(jìn)并應(yīng)用于絕緣子檢測,讓其也能檢測到復(fù)雜背景中的絕緣子串。周封等[5]首先利用顏色空間和圖像之間的關(guān)系對圖片進(jìn)行分類,然后使用自適應(yīng)濾波和自適應(yīng)對比度增強(qiáng)圖像,最后提出一種邊緣優(yōu)化方法,在保留目標(biāo)邊緣特征的同時(shí)有效地去除背景信息,能夠較好地提取目標(biāo)特征。黃新波等[6]針對復(fù)合絕緣子表面凹凸不平又受光照影響產(chǎn)生的陰影與暗斑導(dǎo)致絕緣子不能準(zhǔn)確分割的問題,提出了一種改進(jìn)的復(fù)合絕緣子特征提取方法,該方法融合改進(jìn)色差法,能較好地提取復(fù)合絕緣子特征。上述傳統(tǒng)檢測方法主要針對簡單背景下的絕緣子檢測,檢測精度不高且魯棒性差。隨著計(jì)算機(jī)硬件性能的不斷提升以及深度學(xué)習(xí)技術(shù)的快速發(fā)展,基于深度神經(jīng)網(wǎng)絡(luò)的絕緣子缺陷檢測模型逐漸取代了傳統(tǒng)檢測方法成為了主流。周自強(qiáng)等[7]提出了一種Faster R-CNN[8]模型結(jié)合多尺度特征融合方法,實(shí)現(xiàn)了絕緣子目標(biāo)的精確識別。閻光偉等[9]為克服銹蝕絕緣子缺陷目標(biāo)漏檢,提出了一種改進(jìn)的SSD[10]絕緣子缺陷檢測模型,此模型結(jié)合平衡特征方法,提高了缺陷目標(biāo)的檢測率。劉悅等[11]提出了一種改進(jìn)的YOLOv4[12]目標(biāo)檢測模型,此模型融合了改進(jìn)的分水嶺算法,實(shí)現(xiàn)了絕緣子及其缺陷識別。上述基于深度神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測模型與傳統(tǒng)檢測方法相比,雖然精度大幅提高,但檢測精度仍然偏低,且多數(shù)模型執(zhí)行速度偏低。此外上述目標(biāo)檢測模型都為有錨框檢測模型,這些檢測模型在一張圖片上提取很多錨框,而圖片上的目標(biāo)相對較少,容易造成正負(fù)樣本不均衡。無錨框的CenterNet[13]模型相較于以上模型,將目標(biāo)的中心點(diǎn)作為關(guān)鍵點(diǎn)進(jìn)行檢測,無需依賴設(shè)計(jì)復(fù)雜的錨框,也無需復(fù)雜的后處理,模型執(zhí)行效率較高。

本文在CenterNet目標(biāo)檢測模型的基礎(chǔ)上,提出了一種改進(jìn)CenterNet的絕緣子缺陷目標(biāo)檢測模型。該模型以CenterNet目標(biāo)檢測模型為基礎(chǔ),對其編碼器和解碼器進(jìn)行了改進(jìn)設(shè)計(jì),其中編碼器采用ResNet50[14]作為骨干網(wǎng)絡(luò),在保證骨干網(wǎng)絡(luò)特征提取能力的同時(shí)又能兼顧推理速度,在骨干網(wǎng)絡(luò)的殘差塊中加入CBAM[15]模塊,增強(qiáng)骨干網(wǎng)絡(luò)特征提取能力,并在編碼器的末尾添加SPP[16]模塊,增強(qiáng)骨干網(wǎng)絡(luò)提取多尺度特征的能力;對其解碼器重新設(shè)計(jì),將解碼器中的轉(zhuǎn)置卷積替換為CARAFE[17]上采樣,減少因連續(xù)上采樣導(dǎo)致的特征丟失,在解碼器的尾部加入CoordConv[18]卷積,減少標(biāo)準(zhǔn)卷積空間不變性造成的影響。最后將模型中的標(biāo)準(zhǔn)卷積層替換成DO-Conv[19]卷積,在不增加計(jì)算量的前提下提升模型的性能,加快模型訓(xùn)練的收斂速度。

1 CenterNet模型

CenterNet是借鑒了人體關(guān)鍵點(diǎn)檢測的思想提出的一種無錨框算法,整個(gè)模型結(jié)構(gòu)如圖1所示。CenterNet模型由編碼器、解碼器和檢測頭3部分組成。編碼器支持ResNet18、ResNet101、Hourglass104和DLANet_34四種骨干網(wǎng)絡(luò)。將一個(gè)分辨率為512×512×3的輸入圖片經(jīng)過編碼器的特征提取得到一個(gè)16×16×2 048的高語義信息的特征圖。將得到的特征圖作為解碼器的輸入,使用轉(zhuǎn)置卷積進(jìn)行3次上采樣操作,得到一個(gè)128×128×64的特征圖。最后檢測頭將得到的高分辨率特征圖分別經(jīng)過3組卷積操作,每組卷積由一個(gè)3×3卷積和一個(gè)1×1卷積組成,這3組卷積分別進(jìn)行熱力圖預(yù)測、中心點(diǎn)偏移預(yù)測和物體的寬高預(yù)測。

圖1 CenterNet模型結(jié)構(gòu)Fig.1 Model structure of CenterNet

使用Focal Loss作為熱力圖損失Lk,公式為

(1)

式中:N為圖像中關(guān)鍵點(diǎn)的數(shù)量;超參數(shù)α和β分別取2和4。

使用L1損失函數(shù)作為目標(biāo)中心點(diǎn)偏移損失Loff,公式為

(2)

目標(biāo)框的尺寸損失Lsize同樣使用L1損失函數(shù),公式為

(3)

整個(gè)模型的損失函數(shù)Ldet是上述3種損失之和,定義為

Ldet=Lk+λsizeLsize+λoffLoff。

(4)

式中,λsize和λoff是權(quán)重系數(shù),分別取0.1和1.0。

2 基于改進(jìn)CenterNet的絕緣子缺陷檢測模型

改進(jìn) CenterNet模型的結(jié)構(gòu)如圖2所示。該模型在CenterNet的框架結(jié)構(gòu)基礎(chǔ)上,對其編碼器和解碼器進(jìn)行了改進(jìn)設(shè)計(jì),最后使用DO-Conv卷積替換模型中的標(biāo)準(zhǔn)卷積。

2.1 改進(jìn)編碼器

CentetNet模型的ResNet18屬于輕量化骨干網(wǎng)絡(luò),網(wǎng)絡(luò)層數(shù)較少,難以提取到高語義信息的特征圖,而ResNet101等其他幾種骨干網(wǎng)絡(luò)雖然可以提取到高語義信息的特征圖,但參數(shù)量多、模型體積大、推理速度慢。因此改進(jìn)CenterNet模型的編碼器使用ResNet50作為骨干網(wǎng)絡(luò),該骨干網(wǎng)絡(luò)在保證特征提取能力的前提下,參數(shù)量、模型體積和推理速度適中。為進(jìn)一步提高其特征提取能力,在ResNet50骨干網(wǎng)絡(luò)的基礎(chǔ)上加入CBAM模塊和SPP模塊。

2.1.1 嵌入CBAM模塊的殘差塊

為了提升編碼器提取特征的能力,在Resnet50中的殘差塊中加入CBAM注意力機(jī)制,具體結(jié)構(gòu)如圖2中Conv_block和Identity_block所示。CBAM包含2個(gè)獨(dú)立的子模塊,通道注意力模塊和空間注意力模塊,其結(jié)構(gòu)如圖3所示。CBAM通過聚焦特征圖的局部信息,它在通道注意力模塊和空間注意力模塊對特征圖的信息進(jìn)行重新分配,讓計(jì)算資源向重點(diǎn)關(guān)注的目標(biāo)區(qū)域傾斜,從而在增強(qiáng)感興趣的前景信息的同時(shí)又能抑制無用的背景信息。

圖3 CBAM功能示意Fig.3 Functional diagram of CBAM

通道注意力模塊首先將輸入的特征圖通過并行的全局平均池化和全局平均池化對特征圖降維實(shí)現(xiàn)聚合特征圖的空間信息,然后通過多層感知機(jī)為每個(gè)通道重新分配權(quán)重,最后通過Sigmoid激活函數(shù)得到通道注意力機(jī)制的結(jié)果,其公式見式(5)。空間注意力模塊首先通過并行最大池化和平均池化將C×W×H的特征圖得到2個(gè)1×C×H的特征圖,然后對2個(gè)特征圖進(jìn)行拼接再通過1個(gè)7×7的卷積將其變?yōu)?通道的特征圖,最后經(jīng)過Sigmoid激活函數(shù)得到空間注意力的結(jié)果,其公式見式(6)。

ResNet50的殘差塊有2種,分別是Conv_block和Identity_block。在2種結(jié)構(gòu)的第3個(gè)卷積的BN層后加入CBAM,讓CBAM通過在特征中學(xué)習(xí)得到權(quán)重分布,后將計(jì)算資源按權(quán)重分布進(jìn)行分配,以此改變原有特征分布,增強(qiáng)提取絕緣子缺陷特征的能力并抑制無用信息和噪音,從而強(qiáng)化對于絕緣子及其的特征提取能力。

2.1.2 編碼器融合SPP模塊

絕緣子目標(biāo)尺度跨度大,骨干網(wǎng)絡(luò)不僅需要提取視野較小的高語義特征,還需要兼顧視野較大的高語義特征。為了增強(qiáng)骨干網(wǎng)絡(luò)提取多尺度特征的能力,需要增大骨干網(wǎng)絡(luò)的感受野。傳統(tǒng)特征提取網(wǎng)絡(luò)增大感受野的方式是增大卷積核。增大卷積核會引入更多的參數(shù)量,從而導(dǎo)致運(yùn)算量增大、推理速度變慢和模型體積增大。SPP模塊具有多尺度特征融合功能從而增大感受野,因此在編碼器尾部加入SPP模塊,如圖2編碼器部分所示。SPP模塊結(jié)構(gòu)如圖4所示,由3個(gè)最大池化層組成,這3個(gè)最大池化層的卷積核大小由上到下分別是5、7和13,步長都為1。加入SPP模塊時(shí),原編碼器尾部特征圖通過1×1卷積降維成16×16×512的特征圖作為SPP模塊的輸入,實(shí)現(xiàn)增大感受野并增強(qiáng)捕捉多尺度絕緣子及其缺陷特征的能力。

圖4 SPP模塊結(jié)構(gòu)Fig.4 Structure of SPP module

2.2 改進(jìn)解碼器

CenterNet模型解碼器中上采樣操作使用了轉(zhuǎn)置卷積,使用轉(zhuǎn)置卷積連續(xù)上采樣會導(dǎo)致部分細(xì)節(jié)特征丟失。為避免丟失細(xì)節(jié)特征,提高解碼器特征還原能力,重新設(shè)計(jì)了解碼器,如圖3所示解碼器部分。首先,在解碼器頭部加入一個(gè)標(biāo)準(zhǔn)卷積將特征圖的通道數(shù)由2 048降維成1 024。然后,將轉(zhuǎn)置卷積替換成CARAFE,CARAFE增大其感受野,還能根據(jù)輸入特征進(jìn)行上采樣,并在每個(gè)轉(zhuǎn)置卷積后面加入一個(gè)標(biāo)準(zhǔn)卷積,每個(gè)卷積只改變特征圖的通道數(shù),不改變特征圖的尺寸。最后,在解碼器的尾部加入CoordConv坐標(biāo)卷積,減少標(biāo)準(zhǔn)卷積空間不變性造成的影響。

2.2.1 CRAFE模塊

圖5 CARAFE功能示意Fig.5 Schematic diagram of CARAFE function

2.2.2 解碼器融合CoordConv卷積

在解碼器的最后添加CoordConv坐標(biāo)卷積,減少空間特征的損失,其結(jié)構(gòu)如圖6所示。在CoordConv坐標(biāo)卷積中,在輸入的特征圖中加入了2個(gè)通道,第1個(gè)通道中元素值表示元素所在行坐標(biāo),第2個(gè)通道元素值表示元素所在列坐標(biāo),這2個(gè)通道矩陣結(jié)果分別如圖6虛線框中所示。將這2個(gè)通道通過拼接操作與輸入特征圖進(jìn)行拼接,再通過1個(gè)卷積改變特征圖尺寸。通過添加空間信息,記錄像素位置,增強(qiáng)絕緣子的空間特征信息,減少標(biāo)準(zhǔn)卷積空間不變性造成的影響。

2.3 DO-Conv在模型中的應(yīng)用

用DO-Conv替換模型全部的標(biāo)準(zhǔn)卷積,其功能示意如圖7所示。DO-Conv首先通過深度卷積操作將轉(zhuǎn)置的卷積核DT與卷積核W之間做運(yùn)算,之后產(chǎn)生一個(gè)新的組合卷積核W′,即W′=DT°W。再通過標(biāo)準(zhǔn)卷積操作將組合卷積核與輸入特征區(qū)塊P之間作運(yùn)算,得到輸出特征O,即O=W′P。因此,DO-Conv的輸出可表示為:O=(DT°W)P。在圖7中M與N分別是特征圖區(qū)塊的空間維度。P指一次滑動窗口的那一小片區(qū)域。O指本次卷積操作的輸出。DT是深層卷積轉(zhuǎn)置后的卷積核,W是標(biāo)準(zhǔn)卷積核。Cin與Cout分別表示輸入通道數(shù)和輸出通道數(shù)。

圖7 DO-Conv卷積功能示意Fig.7 Schematic diagram of DO-Conv convolution function

Do-Conv使用多層復(fù)合線性操作,其優(yōu)勢是便于模型訓(xùn)練、提高模型性能、加快訓(xùn)練速度。在訓(xùn)練完成之后可以折疊為緊湊的單層形式,在推理階段僅使用單層計(jì)算,從而在保證性能優(yōu)于標(biāo)準(zhǔn)卷積的前提下計(jì)算量還與標(biāo)準(zhǔn)卷積相當(dāng)。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集

實(shí)驗(yàn)采用的基礎(chǔ)數(shù)據(jù)集是中國電力線絕緣子數(shù)據(jù)集,此數(shù)據(jù)集中共有848張圖像,其中248張為缺陷絕緣子圖像,600張為正常絕緣子圖像。在該數(shù)據(jù)集中部分缺陷絕緣子圖像是通過數(shù)據(jù)增強(qiáng)產(chǎn)生的,具體做法是從部分缺陷絕緣子原圖中分割出缺陷絕緣子,將其拼接到不同的背景圖片下,完成缺陷絕緣子圖像的制作。正常絕緣子圖像則是無人機(jī)近距離拍攝的原圖。由于該絕緣子數(shù)據(jù)集圖片數(shù)量較少,因此在該數(shù)據(jù)集的基礎(chǔ)上又添加了第八屆泰迪杯數(shù)據(jù)挖掘挑戰(zhàn)賽比賽所用的40張絕緣子圖像和筆者收集的一些絕緣子圖像。對這些圖像采用數(shù)據(jù)增強(qiáng)的方法通過對所有圖像進(jìn)行平移、cutout、亮度、噪聲等隨機(jī)操作來豐富數(shù)據(jù)集。最終將本實(shí)驗(yàn)使用的絕緣子數(shù)據(jù)集擴(kuò)充到3 700張圖像,并按6∶2∶2的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集。數(shù)據(jù)集中部分絕緣子圖片如圖8所示。

圖8 絕緣子數(shù)據(jù)集圖片示例Fig.8 An example of an insulator dataset

3.2 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)使用了一臺配置Intel Core i9-9900K CPU和NVIDIA GeForce RTX 2080Ti顯卡的計(jì)算機(jī),在64位Windows10下使用Python作為編程語言,基于Pytorch框架設(shè)計(jì)完成了改進(jìn)CenterNet絕緣子缺陷檢測模型。實(shí)驗(yàn)訓(xùn)練輪數(shù)為300輪,小批尺寸設(shè)置為8,優(yōu)化器使用Adam,初始學(xué)習(xí)率設(shè)置為0.000 5,學(xué)習(xí)率更新方式為余弦下降。訓(xùn)練過程損失曲線如圖9所示。

圖9 訓(xùn)練過程損失曲線Fig.9 Loss curve of training process

3.3 評價(jià)指標(biāo)

本文采用6個(gè)評價(jià)指標(biāo)評估模型的性能,分別是精確度P、召回率R、平均精度AP、均值平均精度mAP、每秒傳輸幀數(shù)FPS和模型大小S。其中精確度P公式為

(7)

式中:TP為真陽性;FP為假陽性。

召回率R公式為

(8)

式中:TP為真陽性;FN為假陰性。

平均精度AP公式為

(9)

均值平均精度mAP為

(10)

式中,n為目標(biāo)類別數(shù)。

3.4 消融實(shí)驗(yàn)

基于CenterNet的改進(jìn)策略在絕緣子數(shù)據(jù)集上進(jìn)行訓(xùn)練,實(shí)驗(yàn)結(jié)果如表1所示,其中實(shí)驗(yàn)1是CenterNet模型(使用ResNet50骨干網(wǎng)絡(luò))的結(jié)果,實(shí)驗(yàn)2、3、4分別是在CenterNet模型中依次增加使用新編碼器、新解碼器和DO-Conv卷積的結(jié)果。由表1可知,實(shí)驗(yàn)1中CenterNet模型的mAP為94.24%。在CenterNet模型中加入所有改進(jìn)的實(shí)驗(yàn)4的mAP為97.16%,相較于CenterNet模型提高了2.92%,模型大小減少了8 MB,召回率也顯著提高,減少了漏檢率。實(shí)驗(yàn)2與實(shí)驗(yàn)1相比mAP提高了2.08%,表明在編碼器中加入CBAM和SPP后提高了編碼器對多尺度目標(biāo)的特征提取能力。實(shí)驗(yàn)3與實(shí)驗(yàn)2相比,mAP提高了0.53%,模型大小減少了24 MB,說明CARAFE上采樣可以很好地解決棋盤效應(yīng),并且減少模型體積。實(shí)驗(yàn)4與實(shí)驗(yàn)3相比,mAP提高了0.31%,說明相較于傳統(tǒng)卷積,DO-Conv能有效增強(qiáng)模型的性能。

表1 改進(jìn) CenterNet 模型消融實(shí)驗(yàn)結(jié)果Table 1 Ablation results of the modified CenterNet model

對改進(jìn)CenterNet模型編碼器、解碼器和檢測頭輸出的特征圖進(jìn)行可視化,如圖10所示。各輸出特征圖選取單一通道進(jìn)行展示,圖10(a)為檢測圖像,圖10(b)是編碼器輸出的特征圖,圖10(c)是解碼器輸出的特征圖,圖10(d)～圖10(f)分別是檢測頭輸出的3個(gè)特征圖。從上述圖中可以看出絕緣子的形狀和位置。

圖10 CenterNet特征圖結(jié)果Fig.10 Center feature map results

3.5 不同模型比較

為了驗(yàn)證模型的檢測性能,將改進(jìn)CenterNet模型與SSD、RetinaNet、Faster RCNN、YOLOv3、YOLOv4、YOLOv5、CenterNet進(jìn)行了對比實(shí)驗(yàn),對比結(jié)果如表2所示。

表2 不同模型檢測結(jié)果Table 2 Test results of different models

從表2可以看出改進(jìn)CenterNet模型的mAP比CenterNet高出2.92%,模型大小減少了8 MB。改進(jìn)CenterNet模型比單階段檢測模型SSD、RetinaNet、YOLOv3、YOLOv4、YOLOv5s相比mAP分別高10.37%、6.62%、10.12%、2.39%、0.36%,與2階段檢測模型Faster RCNN相比mAP高16.32%。改進(jìn)CenterNet模型無論是完整絕緣子還是缺陷絕緣子的AP50指標(biāo)在所有模型中是最高的,并且模型的尺寸也只比SSD和YOLOv5s大。改進(jìn)CenterNet模型的FPS達(dá)到了43幀·s-1,高于SSD、RetinaNet、Faster RCNN和YOLOv3,低于CenterNet、YOLOv4、YOLOv5s,但精度都優(yōu)于上述模型且能滿足實(shí)時(shí)性檢測需求。綜上,改進(jìn)CenterNet模型與其他模型相比具有一定的優(yōu)勢。

CenterNet模型與改進(jìn)CenterNet模型在絕緣子數(shù)據(jù)集部分圖片上的檢測結(jié)果如圖11所示,共8組圖,每組第1行是CenterNet模型檢測結(jié)果,第2行是改進(jìn)CenterNet模型的檢測結(jié)果。圖11(a)組圖像中絕緣子尺寸基本相同,2種模型都檢測到目標(biāo),但改進(jìn)CenterNet模型檢測出的絕緣子置信度都高于CenterNet模型。圖11(b)組圖像中因視距問題造成絕緣子尺寸相差較大,改進(jìn)CenterNet模型檢測的絕緣子置信度同樣高于CenterNet模型。圖11(c)組圖像中絕緣子密集分布,CenterNet模型對于小尺寸絕緣子存在漏檢情況,改進(jìn)CenterNet模型不僅將絕緣子全部檢測出來,置信度也比CenterNet模型高。圖11(d)組圖像同樣是絕緣子密集分布, CenterNet模型存在大范圍漏檢情況, 而改進(jìn)CenterNet模型將絕緣子全部檢測出來。 圖11(e)組圖像中部分絕緣子被塔桿遮擋, CenterNet模型對于受塔桿遮擋的目標(biāo)存在漏檢情況, 改進(jìn)CenterNet模型則可將遮擋目標(biāo)檢測出來。 圖11(f)組圖像中部分絕緣子被塔桿遮擋且被遮擋的絕緣子成像不全, CenterNet模型對于受塔桿遮擋且成像不全的目標(biāo)漏檢, 改進(jìn)CenterNet模型則將其檢測出來。 圖11(g)組圖像中部分絕緣子受塔桿遮擋非常嚴(yán)重, CenterNet模型對于受塔桿遮擋存在十分嚴(yán)重的目標(biāo)漏檢, 改進(jìn)CenterNet模型則可將其檢測出來。 圖11(h)組圖像中部分絕緣子成像不全, 成像不全的絕緣子在圖像中僅僅露出一點(diǎn), 改進(jìn)CenterNet模型將其檢測出來, 而CenterNet模型則沒有。 綜上, 改進(jìn)CenterNet模型相比CenterNet模型, 對于密集目標(biāo)、遮擋的目標(biāo)、成像不全的目標(biāo)和尺寸變化較大的目標(biāo)檢測效果好, 同時(shí)模型檢測精度高。

圖11 CenterNet模型與改進(jìn)CenterNet模型檢測結(jié)果對比Fig.11 Example of CenterNet model and improved CenterNet model inspection results

4 結(jié) 論

針對無人機(jī)巡檢絕緣子圖片檢測精度不高、執(zhí)行效率較低等問題,考慮到絕緣子目標(biāo)尺度多樣、絕緣子缺陷目標(biāo)小、圖像背景復(fù)雜等情況,提出了一種改進(jìn)CenterNet的絕緣子缺陷檢測模型,改進(jìn)設(shè)計(jì)了編碼器和解碼器。在編碼器中加入CBAM模塊和SPP模塊以提高特征提取能力。在解碼器使用CARAFE上采樣替換轉(zhuǎn)置卷積以減小特征丟失,并加入坐標(biāo)卷積以減小標(biāo)準(zhǔn)卷積空間不變性造成的影響。最后將模型中的標(biāo)準(zhǔn)卷積層替換成DO-Conv卷積以進(jìn)一步提升模型的性能。實(shí)驗(yàn)對比結(jié)果表明本文所提方法的有效性。雖然改進(jìn)CenterNet模型能有效提高絕緣子和缺陷的檢測精度,但需要更高算力、檢測時(shí)間和空間,因此,下一步研究主要為能夠部署在邊緣設(shè)備的改進(jìn)CenterNet輕量化模型。