基于改進(jìn)RetinaNet算法的輸電線路電力器件及異常目標(biāo)檢測(cè)

彭紫揚(yáng)，陳諾天，易俊飛，陶梓銘，毛建旭，謝錦瑩

(1.湖南大學(xué)電氣與信息工程學(xué)院，湖南 長(zhǎng)沙 410082；2.國(guó)網(wǎng)湖南省電力有限公司長(zhǎng)沙供電分公司，湖南 長(zhǎng)沙 410015)

0 引言

為確保輸電線路的正常運(yùn)行，保障電力系統(tǒng)的安全穩(wěn)定，必須定期對(duì)輸電線路進(jìn)行全面檢查。輸電線路的部件，例如陶瓷絕緣子、玻璃絕緣子、連接組件、懸掛夾具、防振錘等用量龐大，若存在缺失會(huì)對(duì)輸電線路電力可靠傳輸造成嚴(yán)重的影響。為了避免電力事故的發(fā)生，檢測(cè)輸電線路部件是否缺失是十分必要的。

目前，電力作業(yè)場(chǎng)景中有許多部件缺失需要人員在現(xiàn)場(chǎng)手動(dòng)檢測(cè)，這需要大量的人力，效率低下，而且人工方式評(píng)估線路災(zāi)損依賴(lài)員工的技術(shù)水平。針對(duì)這一問(wèn)題，許多有關(guān)電力作業(yè)場(chǎng)景的視覺(jué)檢測(cè)研究方法被提出，但仍不足以滿足準(zhǔn)確率高、效率高等工程應(yīng)用的要求。

人工智能作為近年來(lái)的技術(shù)熱點(diǎn)，對(duì)諸多領(lǐng)域起到了推進(jìn)的作用，如圖像檢測(cè)[1-3]、語(yǔ)音識(shí)別[4]、數(shù)據(jù)分析[5]等，深度學(xué)習(xí)更是在目標(biāo)檢測(cè)領(lǐng)域占有重要的地位。將深度學(xué)習(xí)技術(shù)與電網(wǎng)應(yīng)用相結(jié)合是當(dāng)前電網(wǎng)企業(yè)及高校的研究熱點(diǎn)，王萬(wàn)國(guó)等[6]利用Faster-RCNN識(shí)別輸電線路部件，分析了不同參數(shù)的設(shè)置對(duì)部件識(shí)別準(zhǔn)確率的影響，但未對(duì)部件的缺失位置進(jìn)行定位。王子昊[7]利用航拍圖像對(duì)輸電鐵塔關(guān)鍵部件缺陷檢測(cè)展開(kāi)研究，提出了一種新的級(jí)聯(lián)式目標(biāo)檢測(cè)框架，實(shí)現(xiàn)了絕緣子的定位和缺陷檢測(cè)。翁智等[8]提出了基于改進(jìn)YOLOv3的高壓輸電線路關(guān)鍵部件檢測(cè)方法，實(shí)驗(yàn)表明基于YOLOv3的改進(jìn)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)巡檢關(guān)鍵部件的同步快速定位。目前基于深度學(xué)習(xí)的輸電線路部件缺失檢測(cè)仍面臨改進(jìn)與優(yōu)化主流算法性能的挑戰(zhàn)[9]。

本文針對(duì)電力作業(yè)場(chǎng)景下目標(biāo)檢測(cè)過(guò)程中存在的問(wèn)題，分析電力作業(yè)場(chǎng)景下的數(shù)據(jù)集特點(diǎn)，再根據(jù)數(shù)據(jù)集存在的問(wèn)題，對(duì)目標(biāo)檢測(cè)算法進(jìn)行相應(yīng)改進(jìn)。

1 電力作業(yè)場(chǎng)景目標(biāo)檢測(cè)算法

1.1 電力作業(yè)場(chǎng)景目標(biāo)檢測(cè)算法改進(jìn)模型結(jié)構(gòu) 原理

基于電力作業(yè)場(chǎng)景下的目標(biāo)檢測(cè)算法改進(jìn)圍繞兩部分組成：利用改進(jìn)樣本分配策略和損失函數(shù)來(lái)解決輸電線路電力器件及異常目標(biāo)檢測(cè)算法微小目標(biāo)[10-11]識(shí)別問(wèn)題；通過(guò)數(shù)據(jù)增強(qiáng)來(lái)解決輸電線路電力器件及異常目標(biāo)檢測(cè)中存在遮擋的問(wèn)題。輸電線路電力器件及異常目標(biāo)檢測(cè)算法改進(jìn)模型結(jié)構(gòu)原理如圖1所示。

圖1 電力作業(yè)場(chǎng)景目標(biāo)檢測(cè)算法改進(jìn)模型原理

RetinaNet網(wǎng)絡(luò)是一種單階段目標(biāo)檢測(cè)模型，在擁有較快檢測(cè)速度的同時(shí)，也保持著較高的檢測(cè)精度。RetinaNet網(wǎng)絡(luò)主要由四部分構(gòu)成：骨干網(wǎng)絡(luò)、檢測(cè)頭部、樣本分配策略及損失函數(shù)。本文設(shè)計(jì)的輸電線路電力器件及異常目標(biāo)檢測(cè)改進(jìn)模型主要對(duì)RetinaNet網(wǎng)絡(luò)的樣本分配策略和損失函數(shù)做出改進(jìn)。

1.2 面向電力作業(yè)場(chǎng)景的小目標(biāo)識(shí)別方法

為了解決小目標(biāo)識(shí)別困難問(wèn)題，本文特別關(guān)注樣本分配策略。小目標(biāo)往往存在較多的負(fù)樣本，傳統(tǒng)的訓(xùn)練中容易被負(fù)樣本所主導(dǎo)，導(dǎo)致小目標(biāo)難以被準(zhǔn)確檢測(cè)。為了更好地訓(xùn)練模型，自適應(yīng)樣本選擇方法(adaptive training sample selection，ATSS)通過(guò)設(shè)置不同的閾值來(lái)篩選出具有高貢獻(xiàn)的樣本，使模型更加關(guān)注與小目標(biāo)相關(guān)的正樣本和難以分類(lèi)的負(fù)樣本，這樣可以有效提高小目標(biāo)的檢測(cè)性能。ATSS算法能在一定程度上解決目標(biāo)檢測(cè)中的小目標(biāo)檢測(cè)困難問(wèn)題，算法流程如圖2所示，共分為5個(gè)步驟。

圖2 ATSS算法流程

步驟1：對(duì)于每個(gè)輸出的檢測(cè)層，計(jì)算每個(gè)錨點(diǎn)的中心點(diǎn)和目標(biāo)的中心點(diǎn)的距離L2，計(jì)算公式如式(1)所示，選取K個(gè)錨點(diǎn)中心點(diǎn)離目標(biāo)中心點(diǎn)最近的錨點(diǎn)為候選正樣本。

(1)

式中：Xi和Yi分別表示向量X和Y的第i個(gè)元素。

步驟2：計(jì)算每個(gè)候選正樣本和基準(zhǔn)之間的IoU(重疊度)，計(jì)算這組IoU的均值mg和方差vg。

步驟3：根據(jù)方差和均值，設(shè)置選取正樣本的閾值，閾值計(jì)算公式如式(2)所示。

tg=mg+vg

(2)

步驟4：判斷大于閾值的是正樣本，其余的樣本都是負(fù)樣本。

步驟5：針對(duì)訓(xùn)練集展開(kāi)訓(xùn)練。

綜上所述，ATSS算法通過(guò)自適應(yīng)樣本選擇策略，能夠一定程度上解決目標(biāo)檢測(cè)中的小目標(biāo)難以檢測(cè)問(wèn)題。這使得模型更加關(guān)注小目標(biāo)，提高區(qū)分能力和定位精度。然而，小目標(biāo)檢測(cè)在電力作業(yè)場(chǎng)景下的目標(biāo)檢測(cè)中仍然具有挑戰(zhàn)性，需要綜合考慮其他因素和方法來(lái)進(jìn)一步提升檢測(cè)效果。

模型訓(xùn)練過(guò)程中會(huì)將模型的預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽進(jìn)行比較，并使用損失函數(shù)計(jì)算預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽之間的差異，得到損失值。在檢測(cè)電力作業(yè)場(chǎng)景圖像中的目標(biāo)時(shí)，將CIoU損失函數(shù)代替原有損失函數(shù)，會(huì)增強(qiáng)對(duì)小目標(biāo)的檢測(cè)效果。CIoU損失函數(shù)通常在目標(biāo)檢測(cè)任務(wù)中的損失計(jì)算步驟中使用，用于衡量檢測(cè)框的預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽之間的差異，具體計(jì)算方法如式(3)所示。

FCIoU=1-(FIoU-p2(b，bt)/c2+αv)

(3)

(4)

(5)

式中：FIoU表示傳統(tǒng)交并比的計(jì)算結(jié)果；p(b，bt)表示目標(biāo)框(b，bt)的中心點(diǎn)歐氏距離與兩個(gè)框的最小外接矩形對(duì)角線長(zhǎng)度的比值；c表示兩個(gè)框的最小外接矩形的對(duì)角線長(zhǎng)度；α是一個(gè)可調(diào)整的參數(shù)，用于平衡兩個(gè)項(xiàng)的權(quán)重；v表示一個(gè)與框的尺寸相關(guān)的懲罰項(xiàng)，用于調(diào)整框的形狀；w、h、wgt、hgt分別表示預(yù)測(cè)框、真實(shí)框的寬度和高度。

CIoU損失函數(shù)在計(jì)算兩個(gè)邊界框之間的相似性時(shí)，考慮了中心點(diǎn)之間的歐氏距離。這個(gè)距離的懲罰可以幫助模型更好地定位小目標(biāo)，因?yàn)閷?duì)于小目標(biāo)來(lái)說(shuō)，中心點(diǎn)的精確位置非常重要，同時(shí)使用最小外接矩形的對(duì)角線長(zhǎng)度來(lái)懲罰邊界框的形狀差異。因?yàn)殡娏ψ鳂I(yè)場(chǎng)景中絕緣子小目標(biāo)具備多樣化的形狀特征，包括細(xì)長(zhǎng)型、扁平型等。CIoU損失函數(shù)的形狀懲罰可以幫助模型更好地適應(yīng)并預(yù)測(cè)這些多樣化的形狀。

CIoU損失函數(shù)對(duì)于目標(biāo)框的縮放更為敏感，利用v這個(gè)懲罰項(xiàng)來(lái)調(diào)整框形狀。對(duì)于電力作業(yè)場(chǎng)景中的小目標(biāo)來(lái)說(shuō)，尺寸相對(duì)較小，因此邊界框的縮放變化可能更加明顯。CIoU損失函數(shù)能夠更好地處理目標(biāo)框的縮放變化，從而提高對(duì)小目標(biāo)的檢測(cè)效果。綜上所述，CIoU損失函數(shù)在考慮中心點(diǎn)距離和形狀懲罰的基礎(chǔ)上，更好地適應(yīng)了小目標(biāo)的特點(diǎn)，因此在電力作業(yè)場(chǎng)景中提升了對(duì)小目標(biāo)的檢測(cè)效果。

1.3 面向電力作業(yè)場(chǎng)景的數(shù)據(jù)增強(qiáng)方法

目前電力作業(yè)場(chǎng)景圖像數(shù)據(jù)集有限，并且在樣本有限的情況下部分?jǐn)?shù)據(jù)集樣本存在遮擋問(wèn)題[12-13]，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的特征不足[14]，因此需要進(jìn)行數(shù)據(jù)增強(qiáng)。面向?qū)嵉夭杉碾娏ψ鳂I(yè)場(chǎng)景圖像及航拍的線路巡檢圖像，本文提出一種基于電力作業(yè)場(chǎng)景的數(shù)據(jù)增強(qiáng)方法，批量式生成電力作業(yè)圖像以構(gòu)建不同場(chǎng)景的數(shù)據(jù)集，數(shù)據(jù)增強(qiáng)過(guò)程包括5個(gè)步驟。

步驟1：數(shù)據(jù)增強(qiáng)的樣本為實(shí)地采集的電力作業(yè)場(chǎng)景圖，調(diào)整圖像的對(duì)比度可以增強(qiáng)目標(biāo)與背景之間的區(qū)分度，尤其是在存在遮擋的情況下。采集圖像時(shí)因光照等因素的影響，高速CCD相機(jī)拍照時(shí)間短，圖像往往集中在一個(gè)或幾個(gè)灰度級(jí)區(qū)段。為了減弱由燈光變化造成的圖像變化，采用灰度值歸一化的方法，能有效對(duì)圖像進(jìn)行補(bǔ)償減弱，通過(guò)調(diào)整圖像的亮度和對(duì)比度，可以增強(qiáng)目標(biāo)的輪廓和細(xì)節(jié)，有助于模型更好地檢測(cè)遮擋目標(biāo)?；叶葰w一化公式如式(6)所示。

(6)

式中：I(i，j)和N(i，j)分別表示歸一化前圖像的灰度值、變換后圖像的灰度值；minI和maxI分別表示原有圖像的最小灰度值、最大灰度值。將其轉(zhuǎn)換為(0，1)之間的小數(shù)，通過(guò)更加高效的數(shù)據(jù)比對(duì)，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的數(shù)據(jù)分布得以更廣泛地適用于各種場(chǎng)景。

步驟2：圖像采集中，除了光線偏差，不可避免地存在采集時(shí)產(chǎn)生的噪聲，高斯濾波在去除圖像噪聲方面非常有效，同時(shí)能保留圖像的輪廓和線條紋理特征。離散高斯核矩陣計(jì)算公式如式(7)所示。

(7)

式中：σ表示方差；k確定核矩陣的維數(shù)。

步驟3：通過(guò)隨機(jī)旋轉(zhuǎn)和翻轉(zhuǎn)圖像，可以模擬目標(biāo)在不同角度和方向的遮擋情況。為了增強(qiáng)網(wǎng)絡(luò)在目標(biāo)檢測(cè)過(guò)程中的魯棒性，引入了一項(xiàng)隨機(jī)翻轉(zhuǎn)操作，對(duì)圖片進(jìn)行翻轉(zhuǎn)，使翻轉(zhuǎn)的概率達(dá)到了0.5。這樣可以讓模型學(xué)習(xí)到不同遮擋情況下目標(biāo)的表現(xiàn)和特征，增強(qiáng)模型的魯棒性。

步驟4：對(duì)圖像進(jìn)行隨機(jī)縮放和裁剪。隨機(jī)縮放和裁剪可以調(diào)整圖像的尺寸和視角，將部分被遮擋的物體暴露出來(lái)，可能會(huì)顯示更多的物體表面，引入更多的上下文信息，即周?chē)沫h(huán)境和背景。這些上下文信息可以提供與物體位置、形狀和上下文相關(guān)的線索，有助于模型更好地推斷被遮擋的物體的存在，提高對(duì)遮擋目標(biāo)的檢測(cè)能力。

步驟5：使用不同的樣本比例來(lái)增加模型的泛化能力，并根據(jù)測(cè)試結(jié)果對(duì)模型參數(shù)進(jìn)行調(diào)整，最終得到較好的預(yù)測(cè)性能和準(zhǔn)確率?？梢阅M目標(biāo)在不同位置和形變程度下的遮擋情況，這樣可以提高模型對(duì)遮擋目標(biāo)的魯棒性和泛化能力。

數(shù)據(jù)增強(qiáng)可以模擬不同遮擋程度的場(chǎng)景，幫助模型提升對(duì)遮擋目標(biāo)的魯棒性。對(duì)訓(xùn)練數(shù)據(jù)應(yīng)用數(shù)據(jù)增強(qiáng)技術(shù)，可以生成更多樣化的圖像樣本，使模型更好地適應(yīng)不同遮擋程度的場(chǎng)景，有助于提高模型對(duì)遮擋目標(biāo)的識(shí)別能力和魯棒性，在電力作業(yè)場(chǎng)景中能更準(zhǔn)確地檢測(cè)到遮擋目標(biāo)。

2 試驗(yàn)

基于某電力作業(yè)場(chǎng)景數(shù)據(jù)集，與其他前沿檢測(cè)網(wǎng)絡(luò)進(jìn)行對(duì)比試驗(yàn)，評(píng)估指標(biāo)包括每個(gè)類(lèi)別的平均精度(average precision，AP)，IoU為0.5時(shí)精度均值(AP50)，IoU為0.75時(shí)精度均值(AP75)，每個(gè)類(lèi)別的平均召回率(average recall，AR)。

2.1 數(shù)據(jù)集

基于深度學(xué)習(xí)的網(wǎng)絡(luò)訓(xùn)練需要有一定數(shù)量的數(shù)據(jù)集。針對(duì)研究對(duì)象，共收集電力作業(yè)場(chǎng)景下圖像共1 733張，其中訓(xùn)練集1 000張、驗(yàn)證集250張、測(cè)試集483張。對(duì)其進(jìn)行數(shù)據(jù)增強(qiáng)，同時(shí)分為8類(lèi)，分別是陶瓷絕緣子、玻璃絕緣子、絕緣子缺失、連接組件、鳥(niǎo)巢、懸掛夾具、防震錘、防震錘缺失，使用LabelImg軟件進(jìn)行標(biāo)注，自行制作工作所需電力作業(yè)場(chǎng)景數(shù)據(jù)集(power operation scenarios dataset，POSD)，該數(shù)據(jù)集標(biāo)簽包含電力作業(yè)場(chǎng)景中常見(jiàn)類(lèi)別的位置信息和類(lèi)別信息。

2.2 試驗(yàn)環(huán)境和訓(xùn)練參數(shù)

試驗(yàn)基于MMDetection庫(kù)實(shí)現(xiàn)，操作系統(tǒng)是Ubuntu 18.04，配置CUDA 11.3，基于PyTorch 1.10.0深度學(xué)習(xí)框架，Python 3.7.11實(shí)現(xiàn)網(wǎng)絡(luò)，試驗(yàn)配置是GPU(NVIDIA GeForce RTX 3090)2塊顯卡、Intel(R)Core(TM)i9-12900K CPU。

檢測(cè)網(wǎng)絡(luò)訓(xùn)練采用隨機(jī)梯度下降(stochastic gradient descent，SGD)算法，學(xué)習(xí)率初始值設(shè)置為0.01，動(dòng)量值為0.9，采用線性增長(zhǎng)策略，在初始的500次迭代中學(xué)習(xí)率逐漸增加到初始學(xué)習(xí)率值，在每隔3個(gè)回合處學(xué)習(xí)率乘以0.4進(jìn)行衰減，批尺寸設(shè)置為4；將ResNet 101從ImageNet數(shù)據(jù)集中學(xué)習(xí)到的訓(xùn)練權(quán)重作為模型的預(yù)訓(xùn)練參數(shù)，共進(jìn)行30個(gè)回合迭代訓(xùn)練。

2.3 POSD數(shù)據(jù)集下的性能評(píng)估

為驗(yàn)證所提方法對(duì)輸電線路電力器件及異常目標(biāo)檢測(cè)的有效性，將本文模型與RetinaNet[15]、ATSS[16]、Paa[17]、Yolox[18]、Tood[19]等5種算法在電力作業(yè)場(chǎng)景數(shù)據(jù)集POSD上進(jìn)行訓(xùn)練測(cè)試。

本文提出的方法適用于所有電力場(chǎng)景的目標(biāo)檢測(cè)，但是POSD數(shù)據(jù)集含有的檢測(cè)對(duì)象只有8類(lèi)，所以明確檢測(cè)的對(duì)象為8類(lèi)，分別是陶瓷絕緣子、玻璃絕緣子、絕緣子缺失、連接組件、鳥(niǎo)巢、懸掛夾具、防振錘、防振錘缺失。

通過(guò)代入測(cè)試集測(cè)試可得檢測(cè)結(jié)果可視化效果圖，圖3為不同環(huán)境下電力作業(yè)場(chǎng)景的部分檢測(cè)結(jié)果對(duì)比。圖中紅框表示檢測(cè)出玻璃絕緣子，白框表示檢測(cè)出防振錘，綠框表示檢測(cè)出防振錘缺失，淺藍(lán)框表示檢測(cè)出連接組件，紫框表示檢測(cè)出懸掛夾具，黃框表示檢測(cè)出鳥(niǎo)巢等，邊界框上方的值為模型預(yù)測(cè)該類(lèi)別的置信度。

(a) (b)

(c) (d)

(e) (f)

表1為電力作業(yè)數(shù)據(jù)集下不同算法針對(duì)不同類(lèi)別識(shí)別準(zhǔn)確率的對(duì)比，加粗為該模塊中精度最高的模型?？梢园l(fā)現(xiàn)本文模型精度在可檢測(cè)的8類(lèi)對(duì)象上均有明顯提升，陶瓷絕緣子、玻璃絕緣子、絕緣子缺失、連接組件、鳥(niǎo)巢、懸掛夾具、防振錘、防振錘缺失的識(shí)別準(zhǔn)確率相較于其他模型均提升了4.3個(gè)百分點(diǎn)以上。這是由于本文模型能夠自適應(yīng)地選擇樣本，特別是正樣本(包含目標(biāo)的區(qū)域)，使得模型更加關(guān)注難以檢測(cè)的目標(biāo)區(qū)域，提高模型對(duì)目標(biāo)的檢測(cè)能力，尤其是在目標(biāo)密集、尺度變化較大或遮擋嚴(yán)重的情況下，能夠準(zhǔn)確檢測(cè)出一幅圖像上的多個(gè)密集且存在遮擋的檢測(cè)目標(biāo)。通過(guò)自適應(yīng)訓(xùn)練樣本選擇策略，本文模型在不同環(huán)境下的檢測(cè)效果均比較良好，有效地應(yīng)對(duì)環(huán)境條件變化帶來(lái)的挑戰(zhàn)，產(chǎn)生始終可靠的目標(biāo)檢測(cè)結(jié)果。

表1 電力作業(yè)數(shù)據(jù)集下不同算法針對(duì)不同類(lèi)別識(shí)別準(zhǔn)確率對(duì)比 %

各檢測(cè)算法在測(cè)試集上的性能表現(xiàn)見(jiàn)表2，加粗為該模塊中精度最高的模型。為比較不同尺度的精度，定義目標(biāo)尺寸小于100×100像素為小目標(biāo)，(100×100)～(200×200)像素為中目標(biāo)，(200×200)～(300×300)像素為大目標(biāo)。RAPs、RAPm、RAPL分別表示小尺寸、中等尺寸和大尺寸目標(biāo)在不同交并比閾值θ設(shè)定下(θ為0.5～0.95)的精度平均值。RAP50和RAR為IoU的閾值為0.5時(shí)計(jì)算所得，RAP75為IoU的閾值為0.75時(shí)計(jì)算所得，RmAP表示為10個(gè)不同的IoU閾值即AIoU={0.50，0.55，…，0.95}的AP平均值，即RmAP=(RAP50+RAP55+…+RAP95)/10。

可見(jiàn)，Tood、Paa、ATSS的RAP50值均在95%左右，RetinaNet的RAP50值為90.8%，Yolox在RAP50上表現(xiàn)一般，在90%以下。本文模型與其余模型相比，獲得顯著提升的召回率，在AR上的表現(xiàn)上升了至少6.5個(gè)百分點(diǎn)，且同時(shí)RAP50高出至少1.5個(gè)百分點(diǎn)。本文模型的性能提升明顯，RAP50值達(dá)到97.7%。與雙階段模型及傳統(tǒng)模型相比，本文模型基于單階段模型RetinaNet進(jìn)行改進(jìn)，計(jì)算復(fù)雜度低。本文提出的模型相對(duì)于其余前沿模型，對(duì)不同尺度大小物體的檢測(cè)精度分別上升了14.9個(gè)百分點(diǎn)、13.8個(gè)百分點(diǎn)和7.6個(gè)百分點(diǎn)。AR相對(duì)于其余前沿模型也有所提高，降低了漏檢率，表明本文所提方法通過(guò)聚合多尺度上下文信息來(lái)自適應(yīng)學(xué)習(xí)不同尺度目標(biāo)的特征，改進(jìn)損失函數(shù)，增強(qiáng)對(duì)小目標(biāo)的檢測(cè)效果，提高了各尺度目標(biāo)的檢測(cè)準(zhǔn)確率。

表2 電力作業(yè)數(shù)據(jù)集下不同算法性能對(duì)比 %

2.4 網(wǎng)絡(luò)各模塊的改進(jìn)效果

為進(jìn)一步分析3個(gè)模塊對(duì)網(wǎng)絡(luò)的改進(jìn)效果，基于本文所構(gòu)建數(shù)據(jù)集對(duì)比ATSS、ResNet101、CIoU模塊3個(gè)組件加入前后的測(cè)試結(jié)果，見(jiàn)表3，加粗為該模塊中精度最高的模型。

表3 消融實(shí)驗(yàn)結(jié)果 %

表3中，第一行為RetinaNet基線網(wǎng)絡(luò)，該網(wǎng)絡(luò)由ResNet50、原始FPN及加入GIoU損失函數(shù)模塊的檢測(cè)頭組成?？梢钥吹?，相比RetinaNet基線網(wǎng)絡(luò)，3個(gè)模塊的改進(jìn)都明顯提高了檢測(cè)精度。樣本分布策略替換為ATSS以后，AP50值達(dá)到96.0%，相比基線網(wǎng)絡(luò)上升5.2個(gè)百分點(diǎn)，說(shuō)明ATSS通過(guò)自適應(yīng)樣本選擇，能夠更多地選擇難例樣本進(jìn)行訓(xùn)練，提高模型對(duì)遮擋目標(biāo)的識(shí)別能力。同時(shí)特征提取網(wǎng)絡(luò)替換為ResNet101后，AP50值達(dá)到96.2%，相比基線網(wǎng)絡(luò)上升5.4個(gè)百分點(diǎn)，說(shuō)明在改變樣本分布策略的情況下，采用ResNet101能繼續(xù)提高網(wǎng)絡(luò)的特征提取能力，但提升結(jié)果有限。在此基礎(chǔ)上，加入CIoU損失函數(shù)，AP50提升至97.7%，帶來(lái)明顯的精度提升，mAP和AP75值分別上升7.6個(gè)百分點(diǎn)和2.9個(gè)百分點(diǎn)，說(shuō)明CIoU損失函數(shù)在考慮中心點(diǎn)距離和形狀懲罰的基礎(chǔ)上，更好地適應(yīng)過(guò)小目標(biāo)的特點(diǎn)。因此CIoU損失函數(shù)的加入，在電力作業(yè)場(chǎng)景目標(biāo)檢測(cè)中提升了對(duì)各類(lèi)復(fù)雜微小目標(biāo)的檢測(cè)效果，從而更多地選擇難例樣本進(jìn)行訓(xùn)練，提高了模型對(duì)遮擋目標(biāo)的識(shí)別能力，網(wǎng)絡(luò)更好捕捉多尺度的特征，減小檢測(cè)過(guò)程中的損失，進(jìn)一步提升了檢測(cè)精度效果[20]。

3 結(jié)論

本文基于某電力作業(yè)場(chǎng)景數(shù)據(jù)集，與其他前沿檢測(cè)網(wǎng)絡(luò)進(jìn)行對(duì)比試驗(yàn)，得出以下結(jié)論：

1)本文構(gòu)建一種電力作業(yè)場(chǎng)景目標(biāo)檢測(cè)算法改進(jìn)模型，可實(shí)現(xiàn)端到端的訓(xùn)練，平均精度達(dá)到97.7%，與Tood、Yolox、Paa、RetinaNet、ATSS相比，AR提升了至少6.5個(gè)百分點(diǎn)，且同時(shí)AP50提升了至少1.5個(gè)百分點(diǎn)。

2)對(duì)于遮擋問(wèn)題，本文提出的模型對(duì)遮擋目標(biāo)的識(shí)別能力和魯棒性有所提升，在輸電線路電力器件及異常目標(biāo)檢測(cè)中能更準(zhǔn)確地檢測(cè)到遮擋目標(biāo)。

3)本文所提模型的改進(jìn)樣本分配策略和損失函數(shù)解決了電力作業(yè)場(chǎng)景檢測(cè)過(guò)程中微小目標(biāo)識(shí)別問(wèn)題，能在輸電線路電力器件及異常目標(biāo)檢測(cè)中提升對(duì)小目標(biāo)的檢測(cè)效果。