基于YOLOv4模型的玻璃絕緣子自爆缺陷識別方法

周 宸 高 偉 郭謀發

（福州大學電氣工程與自動化學院，福州 350108）

0 引言

隨著智能電網的發展，電力系統自動化水平日漸提高，人們對電力系統日常運行的安全及穩定性提出了更高的要求。絕緣子作為電力系統的重要元件，應用廣泛且數量龐大。絕緣子的工作環境通常位于層巒疊嶂的山路之間，工作環境惡劣，導致絕緣子故障頻發，嚴重影響電力系統的安全及穩定[1]。

絕緣子缺陷辨識一直是國內外研究的熱點，傳統的檢測方式為人工觀測法[2]。該方法雖然精確度高，但在觀測上存在工作量大、效率低等缺陷。此外，還有借助外加設備測量的方法，如紅外圖譜[3]和巡檢機器人[4]等。借助外界設備可以有效減小檢測過程中的安全隱患，但外加設備一般較為昂貴。由于無人機成本低、易操控，且具備數據采集簡單、運行風險較低等特點，已在電力巡檢工作中逐漸普及[5]。盡管無人機巡檢可獲得大量現場的圖像信息，但采集到的圖像仍是由人工進行處理，海量的圖像數據帶來了巨大的工作量；同時，由于工作人員自身專業水平不同、視覺疲勞等原因，檢測過程中容易導致缺陷遺漏。

通過計算機自動辨識圖像成為研究熱門，常用的方法主要可以分為基于機器視覺與基于機器學習的方法?；跈C器視覺的缺陷檢測方法首先在原圖中將待測目標與背景進行分割，分割后再根據人為設定的特征判斷絕緣子是否存在缺陷[6]?；跈C器視覺的缺陷檢測方法實現較為簡單，不需要復雜的訓練過程，在特定的場景有較高的辨識準確率，但在使用過程中存在諸多局限性，如算法的準確率依賴分割算法的分割結果。由于絕緣子的工作環境復雜、現場條件惡劣，這會嚴重影響分割結果的準確性，且人工選定的缺陷判別特征缺乏魯棒性，當拍攝條件發生改變，都有可能導致算法發生誤判。在圖像辨識領域，機器學習算法的應用十分廣泛，通過機器學習訓練的模型對無人機航拍的絕緣子圖像進行檢測及缺陷辨識已逐漸成為電力系統絕緣子缺陷辨識方法研究的熱門方向[7]。機器學習算法訓練出的模型能自適應地從海量的航拍圖像中挖掘絕緣子的表層特征，對噪聲干擾有很強的魯棒性。模型的目標是既能準確地辨識出缺陷又能滿足實時檢測的要求，但事實上，檢測速度與準確率很難同時提升。針對這個問題，本文提出基于改進YOLOv4的絕緣子缺陷檢測模型，模型通過在訓練過程中采用多階段遷移學習及檢測過程優化輸入圖像能有效提高網絡檢測準確率。

1 YOLOv4結構

YOLO（you only look once）模型是一種機器學習模型，通過單獨的端到端網絡，完成從原始圖像的輸入直接到物體位置和類別的輸出。YOLOv4模型[8]由Alexey Bochkovskiy等于2020年提出，算法處理速度快，精確度較高，常用于多目標實時檢測系統。文獻[9]采用YOLOv4網絡對視頻數據集中的小汽車、卡車、自行車與行人進行多目標檢測，算法檢測速度能跟上視頻播放速度且準確率高達99%。YOLOv4模型主要由主干特征提取網絡、外加模塊和特征處理層構成，檢測流程如圖1所示，具體如下所述。

圖1 YOLOv4檢測流程

1.1 主干特征提取網絡

主干特征提取網絡的作用是提取目標對象的特征。YOLOv4的主干特征提取網絡為CSPDarkNet53，其中DarkNet53中卷積層的激活函數由LeakyReLU修改成了Mish，并將其殘差塊與CSPNet網絡[10]結構結合，構成CSPResNet結構。以一個輸入維度為（416, 416, 3）的圖像為例，各模塊輸出維度如圖1所示。圖像每次經過殘差塊處理后，通道數變為原來的兩倍，圖像維度變為原圖的1/2。為了加強網絡對特征的提取能力，避免目標圖像經過多次卷積后丟失特征，提取網絡最后三層特征用于后續處理。維度分別為（13, 13, 1 024）、（26, 26, 512）和（52, 52,256）。

1.2 外加模塊

外加模塊對主干特征提取網絡提取的特征進行額外的處理，輸出更好的特征用于分類或者回歸任務。YOLOv4主要的外加模塊為SPPNet[11]與PANet[12]。對于前述例子，SPPNet通過四個大小不同的池化核對輸入的圖像進行最大池化，并將結果堆疊。PANet對低層特征進行上采樣，特征圖的維度翻倍，與上一層同維度特征進行堆疊。對高層特征下采樣，特征圖的維度減半，與下一層同維度特征進行堆疊，實現特征融合。經過外加模塊后，輸出特征的維度大小分別為（13, 13, 75）、（26, 26, 75）、（52, 52, 75）。

1.3 特征處理層

特征處理層主要的作用為對處理后的特征進行解碼，得出預測結果。經過YOLOv4網絡處理后，輸出3個n×n×x維的張量進行預測。這里的x是由3×(1+4+y)計算得到。其中，3代表3個不同尺度的先驗框；1代表先驗框中預測物體的置信度；4代表先驗框的調整策略，包括中心點x、y坐標調整策略和長寬調整策略，調整先驗框中心點的位置及長寬；y代表數據集的類別個數。以輸出張量維度為（13, 13,x）為例，首先將原圖分為13×13的網格，每個網格生成3個先驗框，分別預測每個框屬于某類的置信度，接著將先驗框的調整策略定義為長寬調整與中心點坐標的調整，調整后的輸出結果即為預測框。

2 改進YOLOv4的絕緣子缺陷檢測方法

2.1 訓練策略

本文采用多階段遷移學習[13]作為網絡訓練的迭代策略。遷移學習是將已經訓練完成的模型用于另一個領域模型繼續訓練的方法。訓練過程能發掘兩個領域數據之間的內在聯系，減少訓練時間，提高模型辨識準確率。遷移學習示意圖如圖2所示。

圖2 遷移學習示意圖

首先，加載一個在ImageNet上訓練完成、用于目標檢測任務的YOLOv4模型作為預訓練模型。其次，通過收集的絕緣子數據對預訓練模型進行訓練，根據絕緣子數據集大小選擇凍結層數。訓練集越小，需要訓練的參數就越少，凍結層數越多。由于凍結的部分具備良好的特征提取能力，因此保留凍結層的權重作為訓練層額外的特征提取器，為訓練層輸入更好的特征。最后，解凍所有層一起訓練。此時，訓練過程只需要較小的學習率對整個模型進行微調。

2.2 檢測圖像優化

大部分目標檢測算法要求輸入圖片的長寬一樣，本文輸入圖像的大小為（416, 416）?，F場采集的絕緣子圖像大小不一，在輸入算法中進行處理時需要先改變圖像的尺寸。直接修改圖像大小容易導致輸入圖像失真，用失真的圖像進行檢測或者訓練，會導致檢測結果不準確。為解決該問題，本文對需要修改尺寸的圖像加灰條處理，如圖3所示。如需要將原圖壓縮為（416, 416），具體做法為：首先，對輸入圖像按原圖的比例進行壓縮，當其中一邊壓縮為416、另外一邊的值小于416時停止壓縮；然后，對長度小于416的邊兩側等比例填充灰條，填充至416后停止填充；最后，將填充后的圖像作為輸入圖像送入網絡處理。

3 算例驗證

3.1 實驗介紹

原始數據集由4 000張無人機采集的高清絕緣子圖像組成，數據集中大部分為玻璃絕緣子，也包括一小部分橡膠、陶瓷絕緣子。從結構上包含耐張型絕緣子、單絕緣子串、雙絕緣子串和懸掛絕緣子串。圖4為無人機采集的絕緣子現場圖像，圖4（a）為正常絕緣子圖像，圖4（b）為缺陷絕緣子圖像。訓練集由3 600張圖片構成，包括正常絕緣子圖像1 700張，缺陷絕緣子圖像1 900張。缺陷圖像包括60張現場缺陷圖像和1 840張通過對缺陷數據進行旋轉、翻轉、縮放生成的缺陷圖像，生成缺陷圖像如圖5所示。測試集由原始數據集中剩余的400張圖像構成。訓練集中所有的標簽采用VOC2007格式。

圖3 圖像加灰條

圖4 無人機采集的絕緣子現場圖像

圖5 生成缺陷圖像

算法的評價指標包括精確度（precision, Pr）、召回率（recall, Re）、每類目標的平均精度（average precision, AP）、平均精度均值（mean average precision, mAP）。其中，精確度與召回率的計算公式分別為

式中：TP為正樣本被正確識別為正樣本的樣本數；FP為負樣本被錯誤識別為正樣本的樣本數；FN為正樣本被錯誤識別為負樣本的樣本數。精確度用于衡量算法找出的正樣本的準確性；召回率用于衡量算法找出數據集中樣本的能力。

當預設交并比（intersection over union, IOU）值不同時，各類目標的精確度與召回率也會發生改變。當預設不同的IOU值時，精確度與召回率組成的曲線稱為P-R（precision-reacll）曲線。AP定義為P-R曲線與坐標軸所圍成的面積，AP值作為目標檢測算法的評價指標，同時衡量了算法在檢測某類目標時的精確度與召回率，AP值越大，算法對某類目標的檢測效果越好。當求出所有類目標的AP值后，mAP的公式為

式中：n為分類的總數；APi為第i類的AP值。mAP值越大，表明算法整體檢測效果越好。訓練時的實驗參數見表1。

表1 實驗參數

3.2 改進策略實驗

為了提高絕緣子缺陷辨識準確率，本文提出了改進YOLOv4模型，通過一些方法改善網絡的整體性能，包括在訓練過程采用多階段遷移學習，檢測過程通過優化輸出層結構和圖像加灰條實現對缺陷快速準確的辨識。本節評價了各種改進措施對網絡整體性能的影響，不同措施對算法性能的提升見表2，其中，“√”表示施加了對應的措施。由表2可知，單獨使用YOLOv4模型進行檢測，算法的mAP值達到77.13%。對圖像加灰條能夠防止圖像失真，相比于改進前，算法的mAP值提升了4.5%。倘若訓練過程采用遷移學習作訓練策略，由于多階段遷移學習通過載入預訓練權重進行訓練，訓練過程只需對模型未凍結部分進行微調。從表2可以看出，凍結不同層數對訓練模型性能的提升不同。當凍結層數為25層時，訓練的參數量最合適，對模型的整體性能提升最大，算法mAP值提升了7.8%。改進后的算法對復雜背景下的目標辨識準確率有顯著提升。檢測結果對比如圖6所示，在氣象環境不佳、桿塔和絕緣子背景深度融合等不利條件下，未改進的算法喪失了對玻璃絕緣子的檢測能力，而改進后的算法卻能有效地辨識與背景相融合的玻璃絕緣子，置信度達到82%。

表2 不同措施對算法性能的提升

圖6 檢測結果對比

3.3 檢測結果

玻璃絕緣子串檢測結果如圖7所示，可以看出，所提方法能準確檢測出圖像中缺陷所在的位置，對于經過翻轉、旋轉、縮放等方式生成的圖像也有較好的辨識效果。

圖7 玻璃絕緣子串檢測結果

算法對不同類型和結構的絕緣子檢測結果如圖8所示，由于檢測目標的輪廓具有一致性并且將不同類型的絕緣子一起訓練，故所提方法對不同類型和結構的絕緣子均具有較高的辨識準確度。考慮到實際中不同電壓等級的絕緣子具有一定的差異性，為了進一步提高算法的泛化能力和辨識精度，后期可收集更多的不同類型和結構的絕緣子樣本進行訓練，使得方法在絕緣子目標檢測中具備通用性和實用性。

圖8 不同類型和結構的絕緣子檢測結果

4 結論

本文提出了基于YOLOv4的絕緣子缺陷識別方法。相比于現有方法，YOLOv4模型具有速度更快、精度更高的特點。針對檢測圖像中出現圖像修改尺寸后失真的問題，提出了對圖像加灰條處理的方法，同時在訓練過程中采用了多階段遷移學習策略顯著提高了模型整體的性能。實驗結果表明，所提方法的缺陷檢測mAP值達到89.54%，所提方法在實際應用中可以滿足絕緣子缺陷檢測的準確性要求。