輸電線路懸掛點檢測技術研究

李偉性，鄭武略，王朝碩，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

輸電線的巡檢是電網的基本任務，利用巡檢來發現輸電線的安全隱患是保障電力安全輸送的重要措施。早期的輸電線巡檢基本采用人眼來觀測，效率低而且需要花費大量的經費。隨著衛星圖像分辨的提高，以及無人機技術的不斷發展，利用高分辨率的衛星影像和無人機影像來進行輸電線自動巡檢逐漸成為了目前的主要作業方式[1]。衛星的優勢是覆蓋范圍大，但是容易受到天氣影響，而且重訪的周期也比較長。無人機能夠靈活的設定航線進行低空飛行，圖像分辨率高，還能從不同角度對輸電線進行拍攝，能夠為巡檢提供豐富的影像數據。由于無人機影像數據量較大，人工目視解譯的方式的工作量巨大，因而如何自動地從影像數據中發現和定位輸電線中的安全隱患（如絕緣子自爆[2]、樹障、電力塔上的鳥巢等）就成為目前研究的熱點。輸電線自動檢測研究集中于輸電線的識別與分割[3]，主要用于輸電線的三維建模與可視化管理。隨著研究的深入，對安全隱患的自動檢測與識別也開始增多。其中，絕緣子串的檢測與自爆識別方面有了大量的研究和應用。傳統的方法一般借助顏色或者形狀的識別來進行檢測[4,5]，隨著深度學習技術的不斷成熟，基于深度學習來進行絕緣子自爆檢測成為目前研究的主流[6-10]。本文的研究以深度學習為基礎，首次對絕緣子下方的懸掛點目標進行自動檢測，目前的研究中還很少涉及這方面的工作，本文嘗試用目前主流的檢測方法進行懸掛點的檢測，并對不同的方法進行比較。

1 相關工作

1.1 傳統的輸電線安全隱患檢測

輸電線安全隱患主要包括：絕緣子自爆脫落、電力塔頂端的鳥巢、輸電線附近的樹障等。鳥巢目標比較明顯，只要樣本量足夠，采用深度學習都可以較好地解決；樹障一般采用激光雷達直接獲取三維坐標來進行檢測。由于絕緣子自爆區域出現位置隨意，絕緣子的種類也不止一種，因而絕緣子自爆的檢測比較復雜。傳統的基于視覺的絕緣子自爆區域檢測的一般思路是：采用邊緣提取或者分割的方法，將絕緣子串與圖像背景進行分離，然后采用橢圓提取或形態學處理來定位自爆絕緣子的位置。張少平等[11]提出一種玻璃絕緣子自爆缺陷的檢測及定位方法，該方法首先在色度空間（HSI）分別對色度和飽和度分量用最大類間方差法（OTSU）進行分割獲取絕緣子連通區域，然后給予直方圖對檢測到的前景輪廓的傾角和面積分布進行統計來識別絕緣子輪廓，最后利用絕緣子串輪廓之間的距離來標記自爆絕緣子的位置。姜浩然等[12]利用最大類間方差分割圖像，檢測圖像邊緣后對Hough 變換進行改進來快速檢測不完整橢圓，根據橢圓參數來識別絕緣子串，最后基于絕緣子串的位置信息實現了絕緣子的故障診斷。廖圣龍等[12]提出一種提取局部特征和直線擬合的檢測方法，提取絕緣子的局部特征并通過特征匹配將航拍圖像中的絕緣子分割出來，對絕緣子中提取出來的特征點進行直線擬合獲得絕緣子的傾斜角度，最后對矯正后的絕緣子區域進行垂直投影，根據投影判斷是否破損以及破損位置。

1.2 基于深度學習的目標檢測

R-CNN[14]是第一個將深度學習技術應用到目標檢測的技術，該技術分為3 個步驟：首先，提取候選的目標框，然后利用CNN 來提取特征，最后用SVM 來進行分類。由于每個候選框的特征都利用CNN 來單獨計算，因而R-CNN的計算量較大，而且3 個步驟是彼此獨立的，所以也不能進行端到端的優化。Faster R-CNN[15]是對Fast R-CNN[16]的進一步提升，將候選框的提取用RPN（Region Proposal Network）來實現候選框的提取，然后將候選框作為輸入來訓練Fast R-CNN，這樣就把候選框的提取和類型識別都用神經網絡來實現，提高了運算的速度。RPN 本身其實就是一個獨立的深度網絡結構，可以用來判斷一個候選框是否是感興趣的目標并進行打分，同時還可以根據標定的基準數據（Ground Truth）來對候選框進行坐標回歸。SSD[17]以及類似的檢測方案不再單獨預測目標框，而是使用一個網絡來直接預測類別和目標框的回歸值。相比Faster R-CNN，SSD 的網絡結構更簡單。此外SSD 在不同尺度的特征圖上都進行了目標檢測，能夠充分地利用不同特征圖像下的不同感受視野的特征信息。SSD 的速度比Faster R-CNN 快，但是對小目標的檢測不如Faster R-CNN。YOLO[18]的網絡設計比SSD 更簡單，而且只用最后一個特征層來進行目標識別和坐標回歸，速度更快，但是檢測的精度比SSD 要差些。YOLO9000[19]則是對YOLO 進行了改進（改進后的版本為YOLO2），去掉了YOLO 中的全連接層而改為卷積層，增加了Batch Normalization 來解決過擬合的問題，并采用不同分辨率的網絡來訓練參數，同時還把聚類獲得最優的Anchors 的技術也引入到檢測中。因此，提高了檢測的精度。此外，YOLO9000 還創新地提出了一種將分類數據庫和標記數據庫組合進行訓練的方式，實現了多達9000 類目標的檢測與識別。YOLO2 包含23 個卷積層，5 個池化層（縮小2 倍）。YOLO 的第3 個版本在2018 年發布，YOLO v3 在YOLO2 的基礎上，加入了多分辨率的機制，將不同分辨率的特征層用于目標檢測，有效地提高了小目標檢測的正確率，同時還保證了檢測的效率。

文獻[20]總結了常用的目標檢測方案，并重點對比了Faster R-CNN,SSD（Single Shot Multibox Detector），R-FCN（Region-based Fully Convolutional Networks）3 種算法。這3 種算法都借助已有的圖像識別架構來從圖像中獲取抽象的影像特征，然后進一步進行目標位置提取。深度學習中常用的網絡架構包括：VGG[21]，Resnet[22]，Inception V2，Inception V3，Inception Resnet (v2)，MobileNet[23]等。文 獻[20]將目標檢測的3 種方案與特征提取網絡進行組合，并進行訓練和測試，結果表明Inception Resnet (v2)的檢測精度最高，當降低候選框的數量時，Faster R-CNN + Resnet的組合也能夠獲得較高的運行效率和識別精度。

1.3 基于深度學習的輸電線部件檢測

陳慶[24]等在5 個卷積池化模塊和2 個全連接模塊組成的經典架構的基礎上，對網絡進行改進，實現在復雜航拍背景中絕緣子檢測。同時，在訓練的網絡模型中抽取絕緣子的特征融入自組織特征映射網絡中，實現顯著性檢測，結合超像素分割和輪廓檢測等圖像處理方法，對絕緣子進行數學建模，提出一種針對絕緣子自爆故障的識別算法。王萬國[25]詳細描述了Faster R-CNN 算法流程，并在無人機輸電線巡檢圖像部件檢測中使用，然后分別對DPM、SPPnet 和Faster R-CNN 識別方法進行了對比分析，利用實際采集的電力小部件巡檢數據構建的數據集，對3 種方法進行測試驗證，并討論了不同參數對識別結果的影響。實驗結果表明，基于深度學習的識別方法實現電力小部件的識別是可行的,而且利用Faster R-CNN 進行多種類別的電力小部件識別定位可以達到每張近80 ms 的識別速度和92.7%的準確率。黃文琦[26]基于Faster R-CNN 進行絕緣子識別的探索與應用，通過對來源于不同場景的百量級絕緣子圖像進行實驗，驗證了Faster R-CNN 模型在百量級圖像中的可用性和魯棒性。陳景文等[27]提出一種基于深度學習U-net 網絡的航拍絕緣子檢測方法，自動分層特征提取，通過疊加的方法將淺層特征與高維特征相融合。其中，淺層的高分辨率特征圖用來進行像素定位，深層高維特征圖進行像素分類，避免了目標位置等細節信息的丟失，提高了定位精度，能夠有效檢測出復雜背景下的絕緣子，準確率達到88.9%。

圖1 Faster R-CNN網絡示意圖Fig.1 Faster R-CNN Network diagram

圖2 SSD網絡結構圖Fig.2 SSD Network structure

2 懸掛點檢測

目前，主流的算法主要分為兩個類型：1）two-stage 方法：如R-CNN 系算法，其主要思路是先通過啟發式方法（selective search）或者CNN 網絡（RPN)產生一系列稀疏的候選框，然后對這些候選框進行分類與回歸，two-stage 方法的優勢是準確度高；2）one-stage 方法：如Yolo 和SSD，其主要思路是均勻地在圖片的不同位置進行密集抽樣，抽樣時可以采用不同尺度和長寬比，然后利用CNN 提取特征后直接進行分類與回歸。整個過程只需要一步，所以其優勢是速度快，但是均勻的密集采樣的一個重要缺點是訓練比較困難。這主要是因為正樣本與負樣本（背景）極其不均衡，導致模型準確度稍低。

相比絕緣子，鳥巢等目標，懸掛點目標較小，而且紋理也不豐富。為了評價不同檢測算法的性能，本文采用two-stage 系列的Faster R-CNN 和one-stage 系列的SSD 和YOLO V3 來進行懸掛點檢測，并進行精度比較分析。

2.1 Faster R-CNN檢測框架

Faster R-CNN 在Fast R-CNN 的基礎上，將候選目標框的生成也用神經網絡來完成。RPN（Region Proposal Network）用來進行候選目標框額提取，RPN 與目標框包含目標的分類采用相同的特征提取層。特征提取層可以選擇早期VGG，ZF 網絡，或者其他在圖像分類中取得很好效果的卷積神經網絡結構，如殘差網絡(Resnet)，GoogLeNet 等。Faster R-CNN 的訓練包括對RPN 的訓練以及分類網絡的訓練，在實際操作時可以采用迭代訓練的方式來進行。Faster R-CNN 可以看作是兩步檢測的方法，準確度較高，但是訓練比較復雜。Faster R-CNN 的網絡結構見圖1。

2.2 SSD檢測框架

SSD 采用CNN 來直接進行檢測，而且采用不同尺度的特征圖來進行檢測。大尺度特征圖（較靠前的特征圖）可以用來檢測小物體，而小尺度特征圖（較靠后的特征圖）用來檢測大物體。SSD 借鑒了Faster R-CNN 中anchor 的理念，每個單元設置尺度或者長寬比不同的先驗框，預測的邊界框（bounding boxes）是以這些先驗框為基準的，在一定程度上減少訓練難度。一般情況下，每個單元會設置多個先驗框，其尺度和長寬比存在差異。在特征提取方面，SSD 采用VGG16 作為基礎模型，然后在VGG16 的基礎上新增了卷積層來獲得更多的特征圖以用于檢測。SSD 網絡結構見圖2。

2.3 YOLO檢測框架

YOLO 采用一步檢測的方案，相比兩步檢測的方案速度快。到目前為止，YOLO 已經經過了三代的迭代和提升，速度和精度都有了巨大提高。YOLO 將檢測建模為回歸問題，它將圖像分成S×S 的網絡，并且每個網格單元預測B個邊界框，這些邊界框的置信度以及C 個類別概率，這些預測被編碼為SxSx（B*5+C）的張量。第二個版本的YOLO受Faster R-CNN 的啟發，加入了anchor 的思想，在卷積特征圖上進行滑窗操作，每一個中心可以預測9 種不同大小的建議框，并去掉了后面的一個池化層以確保輸出的卷積特征圖有更高的分辨率。第3 個版本則加入了不同分辨率來進行檢測的機制，將深層特征上采樣后，與淺層特征融合，分別形成多個尺度，輸出特征圖進行檢測，每個尺度對應3 種不同大小的anchor，負責預測不同大小的目標。第一個版本的網絡結構見圖3。

3 實驗與分析

圖3 YOLO V1網絡價格Fig.3 YOLOV1 Network price

表1 Faster R-CNN檢測效果Table 1 Faster R-CNN detection effect

表2 SSD檢測效果Table 2 SSD Detection effect

表3 YOLO-V3檢測效果Table 3 YOLOV3 Detection effect

圖4 3種算法的PR曲線Fig.4 PR Curves of the three algorithms

圖5 懸掛點檢測效果圖Fig.5 Suspension point detection effect diagram

本文采用Faster R-CNN，SSD，YOLO-V3 來進行懸掛點檢測試驗。訓練集樣本為2350 張，測試集為260 張。為了評價不同算法的檢測效果，計算了不同閾值對應的正確率，召回率和F1-Score，見表1、表2 和表3。

根據表1 ～表3 的結果，可以繪制PR 曲線來直觀評價3 種算法對懸掛點的檢測效果。

從PR 曲線可以看出，YOLO-V3 的檢測效果最好，Faster R-CNN 次之，SSD 的檢測效果最差。為了顯示觀測懸掛點的檢測效果，將檢測效果與實際拍攝圖像進行疊加，效果見圖5。

4 結論

本文對輸電線懸掛點目標進行檢測，并對比目前主要3 種基于深度學習的算法的檢測效果，實驗表明YOLO-V3的檢測效果最好，SSD 最差，Faster R-CNN 介于二者之間。實驗結果也證明YOLO-V3 相比前面的兩個版本，在小目標檢測方面有了明顯地提升。懸掛點的檢測與對比實驗較少，本文的研究與結果也為輸電線系統進行小目標檢測提供了有益的參考。遷移學習是近年來的研究熱點，可以解決小樣本導致的網絡訓練慢和不收斂的問題，結合輸電線樣本量整體較少的情況，在后續的研究中將結合遷移學習來提高訓練的效率和精度。