基于SSD算法的輸電線路上絕緣子缺陷檢測方法研究

李偉性，鄭武略，王 寧，趙航航

（1.中國南方電網超高壓輸電公司 廣州局，廣州 510000；2.中國南方電網超高壓輸電公司 信通中心，廣州 510000）

0 引言

隨著智能電網和電力系統自動化的發展，計算機視覺技術越來越多地應用于電力設備的智能檢測和在線監測。目標設備的識別和定位成為檢測技術的關鍵。輸電線路的基本部件包括：塔架、電線、絕緣子、防震錘和均衡環等。據國家電力公司統計，因為絕緣子斷裂引起的事故目前已成為電力系統故障率的第一位[1]。

目前在輸電線路部件的故障診斷領域，目標如何精確定位成為了學者們研究的熱門問題[2]，以最常研究的絕緣子的目標定位問題為例，絕緣子目前主要有陶瓷絕緣子、復合絕緣子和玻璃絕緣子3個大類別，分別使用點特征[3]，紋理特征[4]，形態特征[5]和多特征組合[6]檢測方法。但是，每種方法都有其局限性。使用特征點的方法需要高圖像清晰度，使之難以大規模使用。使用紋理特征的方法主要用于檢測復合絕緣子，其易受背景噪聲的影響，其它類型絕緣子則無良好效果。

隨著計算機硬件性能和相關算法的提高，深度學習技術[7]逐漸取代了經典的機器學習方法。在圖像目標識別和檢測、語音識別、自然語言處理和自動駕駛領域已經實現了顯著的效果。其中，在目標檢測領域，包括日常物體檢測[8]、人臉檢測[9]、文本檢測[10]等?；谏疃葘W習的方法遠遠超過傳統方法。深度學習算法通過收集大量訓練數據來學習更強大的模型，并使用巧妙的訓練技術來提高算法的準確性。在現實生活場景中，由于照明、拍攝距離、拍攝角度等的差異，相同類型的目標在圖像中表現形式是千差萬別的。因此，當使用機器學習來執行目標檢測時，需要大量的訓練樣本，其可以覆蓋不同的角度，不同的比例和不同的照明情況。

目前的各種研究可以發現，傳統的輪廓提取、圖像匹配方法不適用于復雜背景下的電力小部件檢測。在2016年劉偉博士提出了基于SSD[11]的目標檢測的方法，該方法具有檢測速度快、識別精度高等優點，SSD在公開數據集VOC上的檢測精度已經高于其他開源的深度學習方法。

因此，本文在上述研究的基礎上，結合SSD算法對輸電線路上的絕緣子和絕緣子缺陷進行檢測，并參考了絕緣子和其缺陷的位置關系進行關聯計算，提高了絕緣體缺陷檢測的精度，增強了整個網絡的魯棒性。

1 原理

有缺陷的輸電線路絕緣子的圖像數據的數量相對較少，并且還需要手動標記分類標簽。為了解決因數據量少會導致模型泛化能力弱的問題，本文進行了兩方面的處理。首先，利用數據增強的方法，包括：圖像平移、旋轉、縮放和顏色變換；其次，用公共數據集預先訓練模型，獲得初步模型，并使用輸電線路圖像數據調整模型。算法流程主要分為3個階段：樣本構建階段、模型訓練階段和目標檢測階段。

1）樣本構造階段。對輸電線路原始圖像中絕緣子和缺陷絕緣子2類目標進行標記，根據標注結果，生成2類目標的樣本。

2）模型訓練階段。首先定義神經網絡模型，將SSD中VGGNet使用ResNet-101神經網絡進行替換。使用ResNet-101進行模型的預訓練后，可以使自制數據集在訓練模型過程中快速收斂。

3）目標檢測階段。對于任意圖像，經過訓練好的模型檢測后得出圖像中的絕緣子和缺陷的位置，并計算二者的重疊區域，得出缺陷的位置。

1.1 數據源

輸電線路圖像庫的原始數據是由南方電網公司在日常輸電線路小部件巡檢過程中獲得的。其中1200多張圖片中包含缺陷的絕緣子，每張圖片中均包含絕緣子。在經過數據增廣后，得到12000余張圖片，其中2400多張包含缺陷絕緣子。由于拍攝期間的背景、光線變化、拍攝角度、距離和焦距，不同圖像中各種物體的顏色、角度和比例會有所差異。

1.2 算法整體流程

目前，工業界和學術界出現的目標檢測算法主要分為3大類：1）傳統的目標檢測算法，Cascade + HOG/DPM +Haar/SVM；2）將候選區域與深度學習分類相結合，提取候選區域，并通過深度學習方法對相應區域進行分類。如 RCNN、SPP- Net、Fast R- CNN、Faster R- CNN等；3）基于深度學習的回歸方法，如SSD、YOLO系列算法等。本文選擇的SSD算法是基于深度學習的回歸方法，SSD算法主要有以下優點：

◇ SSD是一個單次的目標檢測識別方法，與YOLO類似，只需要處理圖片一次就可以做到多目標的檢測識別，準確度比YOLO更高。

◇ 利用不同尺度的深度網絡特征圖預測每個位置上的目標，保證了在檢測和識別的精度上可以和基于區域建議的方法相比。

◇ 即使圖像為低分辨率圖像，SSD算法依然可以實現高精度檢測和識別。

SSD 框架如圖1所示，使用全卷積層的 VGGNet作為主干網絡直接作用于feature map預測多目標類別和包圍框。為權衡檢測的準確性和實時性，SSD采用單點多框的檢測方法，而不是 Faster R-CNN中使用的候選區域方法。即使對于分辨率輸入相對較低的圖像，也具有良好的檢測效果。

為突破網絡在深層網絡精度退化和網絡深度上的限制，HE[12]等人提出了一種深度殘差模型，該模型使用多層網絡擬合殘差映射來解決退化問題。設H（X）表示目標最優解映射，并將另一個映射F（X）利用堆棧的非線性層擬合，如圖2所示，可用公式（1）表示：

此時，原始的最佳解映射H(X)與F(X)+X是等價的，即圖2所示的前饋網絡中的快速連接實現?？焖龠B接的方式可以用公式（2）表示，公式（2）中，X代表模塊的輸入向量，Y代表模塊的輸出向量。Wi表示權重圖層參數，在出現輸入和輸出尺寸一致的情況時，則需要線性投影Ws以匹配維度。

圖1 SSD框架Fig.1 SSD Framework

圖3 基于ResNet-101的改進SSD檢測框架Fig.3 Improved ResNet-101 based SSD detection framework

圖2 殘差學習模塊Fig.2 Residual learning module

SSD是基于VGGNet為基礎網絡進行檢測的，本文在保留原有的目標檢測基礎網絡上，特征提取網絡換成了ResNet-101，如圖3所示，它在一定程度上加深了網絡的整體結構，增強了網絡提取特征的能力。

網絡訓練時的損失函數還是依據SSD的結構由兩部分組成，第一部分是回歸位置的損失，一部分是分類損失，總的損失函數可以表示為式（3）：

其中，N是真實框與標記框匹配的數量，N為權重因子，一般默認設置為1；c為每一類的置信度；l和g分別為默認框和真實框的參數，包括中心位置坐標和寬高。為了分類置信度損失，使用多類別Softmax損失，用來回歸bounding boxes的中心位置以及寬高。

2 實驗結果與性能分析

2.1 基于Caffe的模型訓練

本文將樣本集分為訓練樣本與測試樣本，訓練圖片12000余張，測試圖片1200張。檢測輸電線路中的絕緣子和絕緣子缺陷。檢測在型號為GTX1080的GPU上進行，使用的深度學習框架是Caffe，批處理大小設置為8。訓練過程中判斷正負樣本的IOU閾值為0.5。經過10萬次的模型訓練迭代，并經過日志分析選擇最好的模型，并在測試集上進行測試。

2.2 評價指標

查準率 P（%）表示經深度學習預測的檢測框中檢測正確的比例，召回率R（%）表示預測框正確框在所有標注框中的比例，可以表示為：

式中，TP為檢測到的相關數量，FP表示檢測到不相關數量，FN表示未檢測到不相關數量。AP（average precision）是PR曲線在查準率基礎上對召回率的積分，mAP（mean average precision）表示多類物體的平均AP值，代表了測量網絡對目標物體的敏感度。mAP值越高，代表卷積神經網絡具有越高的識別精確度。

表1 不同網絡模型的檢測精度Table 1 Detection accuracy of different network models

2.3 實驗結果和分析

表1是本文將SSD中原始的VGGNet網絡替換為殘差模塊ResNet-101網絡后得到的對比結果。通過表1可以看出，ResNet-101+SSD模型對絕緣子和絕緣子缺陷檢測的平均精度均有提升。

實驗中發現缺陷絕緣子誤檢率偏高，且誤檢部分很多不在絕緣子上，比如在桿塔和圖片背景上，根據缺陷部分和絕緣子的物理關系可以計算二者的IOU，實現優化缺陷部分的檢測。設絕緣子面積為area(insulator)，缺陷絕緣子面積為area(insulatord)，二者的重疊區域比例為式（6）：

如果IOU＞0.9，則認為檢測出的此缺陷絕緣子位置有效。引入重疊區域的計算后，檢測準確率結果展示為表2。

對比了SSD下VGGNet和Resnet卷積神經網絡對目標檢測的正確率，可以得出在本文應用的缺陷絕緣子檢測的場景中，Resnet比VGGNet準確率更高。同時引入了絕緣子和缺陷絕緣子部位的位置關系，提高了缺陷位置檢測的穩定性。

3 結論

本文研究了針對實際航拍圖像中對于多尺度目標的檢測方法，針對絕緣子缺陷的檢測，基于SSD算法的基礎上進行了以下兩方面的實驗研究：

1）在原始SSD算法的基礎上，使用ResNet代替了VGGNet。

2）在檢測出絕緣子和絕緣子缺陷位置，通過計算二者的重疊區域，優化了缺陷絕緣子檢測的準確率。

針對實際巡檢圖像的應用研究表明，將特征提取網絡由VGGNet替換成ResNet后，精度能提升4.77%，這也說明網絡深度的增加對于特征的提取效果非常明顯；并且引入絕緣子和缺陷部位位置關系的計算，降低了缺陷絕緣子檢測誤檢率，提高了檢測的準確性。

表2 IOU對精度的影響Table 2 Impact of IOU on accuracy