基于深度學(xué)習(xí)的輸電線路絕緣子缺陷識別研究?

喬鈺彬 曲金帥 范 菁 肖云波 張 宜

（云南民族大學(xué)電氣信息工程學(xué)院 昆明 650000）

1 引言

隨著我國綜合國力的快速增長，電力系統(tǒng)的安全穩(wěn)定性尤為重要。由于國家各地區(qū)的能源需求的不同，國家提出了“西電東送、南北互供、全國聯(lián)網(wǎng)”的三大策略。其中，輸電線路在策略中占據(jù)著及其重要的地位。由于輸電線路所處環(huán)境復(fù)雜，長期裸露在戶外，受天氣的影響，暴曬、風(fēng)霜、冰凍等對輸電線路造成的危害極大。輸電線路上設(shè)備的損壞和缺陷會造成電網(wǎng)停電，因此定期的電力巡檢對電網(wǎng)的安全穩(wěn)定性十分重要。目前的巡檢方式有人工巡檢［1］、直升機或者無人機巡檢［2］。由于無人機體積小、操作簡單、飛行距離遠(yuǎn)等特點，目前無人機巡檢在電力巡檢中成為主流。無人機巡檢收集到的圖像數(shù)量多，需要進一步地篩選圖像中有故障的設(shè)備。近年來隨著計算機視覺的不斷發(fā)展，通過智能檢測的方法對圖像進行識別成為目前的主流。

絕緣子作為輸電線路中關(guān)鍵的電力設(shè)備，巡檢過程中對絕緣子的檢測十分重要。對于輸電線路上絕緣子檢測由于其種類和樣式不一、所處環(huán)境較為復(fù)雜且絕緣子的掉串缺陷在整個圖像上占比很小，導(dǎo)致絕緣子掉串缺陷識別的難度較大。隨著深度學(xué)習(xí)的發(fā)展，運用深度學(xué)習(xí)的方法對絕緣子圖像進行識別和檢測成為目前的趨勢。

目前運用深度學(xué)習(xí)對絕緣子進行檢測主要有兩種方法，一種是通過目標(biāo)檢測算法直接定位缺陷，如文獻［3］中，直接利用Faster RCNN 算法對絕緣子進行定位和缺陷檢測。文獻［4］中通過SRCNN對模糊圖像進行重構(gòu)，然后利用YOLOv3算法對絕緣子缺陷進行檢測。文獻［5］中通過改進的Faster RCNN 算法對輸電線掛接地線狀態(tài)目標(biāo)直接進行檢測。另一種是通過定位提取整個圖像中的絕緣子，然后再進行缺陷檢測。如文獻［6］通過對SSD 算法和深度殘差網(wǎng)絡(luò)（DenseNet）的結(jié)合對輸電線路上設(shè)備的缺陷進行檢測。文獻［7］在背景變換等數(shù)據(jù)集擴充的基礎(chǔ)上通過兩級CNN 網(wǎng)絡(luò)級聯(lián)對絕緣子進行定位和缺陷檢測。文獻［8］中首先通過SSD算法識別出銷釘?shù)倪B接部位，識別定位后通過切割算法獲得連接部位圖像，切割后的圖像送入YOLOv3網(wǎng)絡(luò)中對銷釘進行缺陷檢測。

直接定位絕緣子缺陷雖然檢測時間較兩級級聯(lián)網(wǎng)絡(luò)短，但是對于有些目標(biāo)較小的絕緣子來說一級檢測的準(zhǔn)確率相較于兩級檢測網(wǎng)絡(luò)低［5～6］。文章運用兩級檢測網(wǎng)絡(luò)對絕緣子進行定位和掉串缺陷識別檢測。首先利用YOLOv3算法［9］對整個圖片進行定位，定位的絕緣子進行裁剪后送入第二級語義分割網(wǎng)絡(luò)（U-Net）對裁剪后的絕緣子和掉串缺陷進行像素分離，從而能更直觀地得到絕緣子的掉串缺陷部分。

2 輸電線路絕緣子缺陷識別網(wǎng)絡(luò)

文章對輸電線路中絕緣子進行掉串缺陷識別運用兩級檢測網(wǎng)絡(luò)。對于整個網(wǎng)絡(luò)而言，首先要定位整個圖像上的絕緣子，選擇YOLOv3 目標(biāo)檢測算法對絕緣子進行識別定位以及對缺陷進行初步檢測，通過YOLOv3 得到的絕緣子預(yù)測框?qū)^緣子進行裁剪，裁剪后的絕緣子圖像送入U-Net［10］網(wǎng)絡(luò)中進一步對絕緣子和缺陷進行像素級的檢測。本文的網(wǎng)絡(luò)架構(gòu)如圖1所示。

圖1 絕緣子缺陷識別網(wǎng)絡(luò)框架

2.1 基于YOLOv3算法的絕緣子定位網(wǎng)絡(luò)

YOLOv3 的主要結(jié)構(gòu)采用的是Darknet-53 結(jié)構(gòu)，Darknet-53 結(jié)構(gòu)主要由YOLOv2、Darknet-19 和殘差網(wǎng)絡(luò)（Resnet）組成。YOLOv3 主要采用3×3 和1×1 的卷積核［8］以及一些快捷的連接結(jié)構(gòu)。通過YOLOv3 進行絕緣子定位及檢測的大致流程如下：1）輸入的圖像大小被調(diào)整為416×416 以加快網(wǎng)絡(luò)的訓(xùn)練。2）初始化YOLOv3 模型的網(wǎng)絡(luò)參數(shù)，對YOLOv3 模型進行訓(xùn)練，得到檢測絕緣子的訓(xùn)練參數(shù)。3）由YOLOv3模型的輸出的13×13、26×26、52×52 三個尺度對絕緣子進行檢測，最終網(wǎng)絡(luò)的預(yù)測結(jié)果是一個10×10×（3×（4+1+2））的張量，其中4 表示4 個預(yù)測框的位置參數(shù)，1 表示1 個預(yù)測框的置信度，2 表示兩類預(yù)測信息。4）通過logistic 回歸對網(wǎng)絡(luò)給出的預(yù)測框進行過濾，通過設(shè)定的閾值得到最終的預(yù)測框?qū)崿F(xiàn)對絕緣子的定位和掉串缺陷的初步檢測。

YOLOv3 模型在參數(shù)訓(xùn)練中運用的損失函數(shù)為

其中sn∈［0.1］表示預(yù)測概率，gn表示實際值概率。網(wǎng)絡(luò)訓(xùn)練通過最小化所有類的損失來實現(xiàn)。

2.2 基于U-Net的絕緣子缺陷識別

由醫(yī)學(xué)影像分割常采用的U-Net網(wǎng)絡(luò)的啟發(fā)，針對絕緣子缺陷這樣的小目標(biāo)樣本的檢測，同樣采用U-Net 網(wǎng)絡(luò)來對絕緣子串進行正常絕緣子和掉串缺陷部分的像素分割。通過YOLOv3 算法檢測后得到的預(yù)測框的信息對絕緣子進行切割。分割保留了原圖像中絕緣子和缺陷的完整信息，切割后的絕緣子塊送U-Net網(wǎng)絡(luò)中進行像素分割。

U-Net 的網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。U-Net 網(wǎng)絡(luò)有自上而下的編碼器部分和自下而上解碼器部分組成。文章中局部檢測過程中運用U-Net 網(wǎng)絡(luò)首先下采樣采用3×3 的卷積層和2×2 的最大池化層的形式進行切割后絕緣子圖像的特征提取從而擴大特征圖像的高度和寬度，獲得較深的語義信息，特征提取后通過上采樣采用3×3 的卷積和2×2 的反卷積的形式增大特征圖的大小。上采樣完成后通過1×1的卷積層進行像素拼接。U-Net的下采樣和上采樣部分通過跳躍連接將較淺層次提取的更多位置信息與較深層次提取的語義信息進行合并［11］，從而得到更為準(zhǔn)確的語義信息。

圖2 U-Net 網(wǎng)絡(luò)框架

U-Net的損失函數(shù)為

文章中U-Net損失函數(shù)采用dice loss，其中，pi表示預(yù)測結(jié)果的概率，取值范圍為［0.1］，yi表示標(biāo)簽值，取值為0或1。

通過U-Net對絕緣子進行分割，背景部分表示為黑色，絕緣子表示為綠色像素，掉串缺陷部分則表示為紅色像素。通過U-Net 網(wǎng)絡(luò)對絕緣子進行分割，掉串缺陷部分能夠直觀地顯示出來。

2.3 模型網(wǎng)絡(luò)評價指標(biāo)

2.3.1 絕緣子定位網(wǎng)絡(luò)評價指標(biāo)

檢測中檢測結(jié)果：TP（True Positive）表示預(yù)測正確的個數(shù)，F(xiàn)P（False Positive）表示未檢測出樣本的個數(shù)，TN（True Negative）。

1）準(zhǔn)確率（Precision，P）：

2）召回率（Recall，R）：

3）平均精度（mean Average Precision，mAP）：

其中，AP表示各個類別的平均精度，mAP表示所有類別的平均精度。

2.3.2 絕緣子缺陷識別網(wǎng)絡(luò)評價指標(biāo)

1）平均精度準(zhǔn)確度（mean Pixel Accuracy，mPA）：

其中，PA各個類的像素準(zhǔn)確度，mPA表示所有類別的像素準(zhǔn)確度，pii表示分類正確的像素點數(shù)，pij表示屬于i類被誤判為j類的像素點。

2）平均交并比（mean IOU）：

3）準(zhǔn)確率（Precision，P）：

其中，TP 表示檢測正確的像素數(shù)，F(xiàn)P 表示檢測錯誤的像素數(shù)。

3 實驗仿真測試和結(jié)果

3.1 實驗環(huán)境及數(shù)據(jù)概況

本實驗環(huán)境配置情況：計算機Intel（R）Core（TM）i7-5820K CPU，深度學(xué)習(xí)采用Pytorch 搭建，python環(huán)境下實現(xiàn)。

實驗所需數(shù)據(jù)集通過結(jié)合一部分Github 上公開的數(shù)據(jù)集［7］以及通過河南、云南某市電網(wǎng)公司提供的有關(guān)絕緣子的圖像，通過鏡像、旋轉(zhuǎn)、隨機亮度變換、隨機顏色通道變換對數(shù)據(jù)集進行擴充。實驗數(shù)據(jù)集共1588張圖像，其中完好絕緣子圖像數(shù)950張，掉串缺陷絕緣子數(shù)量638 張，采用VOC2007 格式進行標(biāo)注，圖像標(biāo)注工具采用labelimg，其中絕緣子標(biāo)注為insulator，缺陷標(biāo)注為defect。第一級全局檢測數(shù)據(jù)集按照9∶1 的比例將數(shù)據(jù)分成訓(xùn)練集和測試集。第二級局部分割的數(shù)據(jù)集來源與全局檢測通過標(biāo)簽裁剪后得到，選取其中490 張絕緣子圖像，劃分為訓(xùn)練集340張（200張有缺陷的絕緣子圖像）和測試集150 張。同樣按照鏡像、旋轉(zhuǎn)、隨機亮度變換把訓(xùn)練集擴充到1000 張。兩級網(wǎng)路參數(shù)設(shè)置如表1和表2所示。

表1 全局檢測模型參數(shù)設(shè)置

表2 局部分割模型參數(shù)設(shè)置

3.2 實驗結(jié)果評價方法

通過YOLOv3 算法對絕緣子進行定位和掉串缺陷的初步檢測結(jié)果圖如圖3 所示，其檢測結(jié)果如表3 所示。通過表3 的檢測結(jié)果可知YOLOv3 算法對絕緣子的識別和掉串缺陷部分的初步檢測效果較好，對絕緣子的識別準(zhǔn)確率和召回率均在90%以上，對掉串缺陷的初步檢測準(zhǔn)確率為89.6%，整個網(wǎng)絡(luò)檢測的精度達(dá)到92.8%。由表3 可知，通過對比SSD［12］和Faster RCNN［13～14］算法的檢測結(jié)果，YOLOv3 無論從識別絕緣子還是初步檢測缺陷來看，其結(jié)果同其他兩種算法相比，都較高于其他兩種算法，選用YOLOv3 模型作為絕緣子掉串缺陷檢測的第一級網(wǎng)絡(luò)有較好的泛化能力，因此更適合于絕緣子的識別定位。

表3 不同網(wǎng)絡(luò)的檢測結(jié)果對比

圖3 YOLOv3絕緣子識別和掉串缺陷檢測結(jié)果

U-Net 網(wǎng)絡(luò)對絕緣子和掉串缺陷進行像素分割結(jié)果如表4 所示，分割結(jié)果圖如圖4 所示。像素級檢測的評價指標(biāo)有像素精度、平均像素精度、交并比、平均交并比等，本文選取平均像素精度和平均交并比作為U-Net 網(wǎng)絡(luò)檢測的評價指標(biāo)。為了更好比較U-Net網(wǎng)絡(luò)的性能，我們同語義分割模型pix2pix［15～16］進行比較，無論從平均像素精度還是平均交并比，U-Net 都優(yōu)于pix2pix，因此通過U-Net對絕緣子掉串缺陷進行像素分割結(jié)果更準(zhǔn)確，也能更直觀地識別絕緣子掉串缺陷。

表4 U-Net網(wǎng)絡(luò)語義分割結(jié)果

圖4 U-Net 網(wǎng)絡(luò)部分檢測結(jié)果（綠色像素表示絕緣子，紅色像素表示缺陷）

YOLOv3 算法對絕緣子的缺陷進行初步識別的準(zhǔn)確率為89.6%，文章中提出的兩級網(wǎng)絡(luò)對絕緣子和掉串缺陷進行像素分割，對于缺陷像素分割的準(zhǔn)確率為92.4%，準(zhǔn)確率提高了2.8%。實驗表明文章中提出的兩級網(wǎng)絡(luò)檢測結(jié)果同只通過YOLOv3一級網(wǎng)絡(luò)檢測結(jié)果對絕緣子掉串缺陷識別比準(zhǔn)確率有所提升。

4 結(jié)語

由于無人機對輸電線路巡檢時得到的絕緣子圖像中掉串缺陷部分所占圖像像素較小，針對這個問題，文章提出基于全局檢測和局部分割的級聯(lián)網(wǎng)絡(luò)進行絕緣子掉串缺陷識別。全局檢測采用YOLOv3 算法對絕緣子進行定位和初步的掉串缺陷識別，局部分割利用U-Net網(wǎng)絡(luò)對裁剪后的絕緣子圖像進行語義分割，實現(xiàn)對絕緣子和掉串缺陷的像素分離。在全局檢測定位絕緣子的算例驗證中，文章通過比較YOLOv3 以 及Faster RCNN 算 法、SSD 算法的定位準(zhǔn)確率和召回率，結(jié)果表明YOLOv3 算法的準(zhǔn)確率和召回率更高，模型泛化能力較強，適用于輸電線路絕緣子的定位。采用U-Net 網(wǎng)絡(luò)對絕緣子和掉串缺陷進一步分割，對于絕緣子掉串缺陷識別的準(zhǔn)確度同YOLOv3 相比提高了2.8%。實驗驗證表明文章提出的方法有一定的可行性。