基于改進Faster RICNN的絕緣子檢測方法研究

朱明州 趙曙光 王建強

關鍵詞：深度學習;絕緣子檢測;多尺度特征融合;Faster R-CNN

電力系統(tǒng)的穩(wěn)定運行是我國能源戰(zhàn)略的重要組成部分，其中的絕緣子主要有陶瓷、玻璃等制作而成，容易受到惡劣自然環(huán)境的影響而損壞。保證電力系統(tǒng)的可靠傳輸首先要確保絕緣子能穩(wěn)定工作。近年來，隨著無人機航拍技術的不斷發(fā)展，使用無人機對輸電線路及其絕緣子的監(jiān)控越來越普及，再結合計算機等輔助設備對圖像中的輸電線路、絕緣子進行定位和故障的判定。

目標檢測是深度學習的一個領域，對于輸電系統(tǒng)中絕緣子的檢測需要有較高的準確性。近年來隨著計算機CPU和GPU性能的提高，深度學習也重新快速發(fā)展起來。傳統(tǒng)的基于圖像的檢測算法由于檢測效率低精確度較差，漸漸地被基于深度卷積神經(jīng)網(wǎng)絡的目標檢測算法取代。目前常用的目標檢測算法分為兩大類：一類是以SSD（single Shot MuhiboxDetector）和YOLO（You Only Look Once）為主的one-stage系列，另一列是以Faster R-CNN（Faster Region-based ConvolutionNeural Networks）為主的two-stage系列。one-stage系列速度快精確度較低，two-stage系列精確度高速度較慢。結合絕緣子檢測對于精確度的要求，使用Faster R-CNN作為只要檢測框架。由于絕緣子周圍背景復雜，往往檢測精確度效果不佳。本文主要針對已有技術的不足做了一下工作：

首先搭建常用的目標檢測網(wǎng)絡Faster R-CNN（Faster Re-gion-based Convolution Neural Networks），分析其在絕緣子數(shù)據(jù)集檢測中存在的不足，然后改進主干特征提取框架，使用ResNet50替換原有的VGGl6網(wǎng)絡。然后使用多尺度特征融合，增加檢測層。作為RPN（Region Proposal Network）網(wǎng)絡的輸入，能有效地識別大小目標和多目標檢測。

1 Faster R-CNN算法介紹

Faster R-CNN是2016年Ross B.Girshick在原有的FastR-CNN的基礎上提出的優(yōu)化模型。使用VGGl6作為網(wǎng)絡的特征提取框架backbone，推理速度（包括生成候選區(qū)域）在GPU上達到5fps。在ILSVRC及其COCO競賽中獲得多個項目的第一名。結構如圖1所示，F(xiàn)aster R-CNN算法流程可分為三個步驟：（1）將圖像resize成固定尺寸并輸入特征提取網(wǎng)絡得到相應的特征圖。（2）將特征提取網(wǎng)絡最后一層輸入到RPN（Region Proposal Network）網(wǎng)絡生成Region Proposal，再將其投影到feature map上獲得相應的特征矩陣。（3）得到的特征矩陣經(jīng)過篩選，過濾掉超出圖像邊界以及重疊度較高的候選框（Region Proposal）后再通過ROI pooling層縮放到7×7大小的特征圖，接著將特征圖展平通過一系列全連接層得到預測類別概率和邊界框回歸。

2算法改進

原始的Faster R-CNN模型使用VGGl6作為特征提取框架以及VGGl6最后的卷積輸出層作為RPN網(wǎng)絡的輸入特征層。此算法主要針對COCO數(shù)據(jù)集用來檢測日常物體，對于遷移到絕緣子數(shù)據(jù)集時有以下兩個缺陷：（1）使用單層的特征層輸出容易造成檢測目標大小的單一，絕緣子及其故障點在圖像中呈現(xiàn)的大小不一容易造成漏檢和誤判，對多尺度特征融合進行改進。（2）本文需要檢測的絕緣子故障點相對于整張圖片或者絕緣子目標來說是小目標，為了能更快更準確地識別絕緣子及其故障點，需要對主干特征提取網(wǎng)絡進行改進。

ResNetS0特征提取網(wǎng)絡及多尺度特征融合。ResNetS0中包含了49個卷積層和1個全連階層，其中創(chuàng)新性地引入殘差網(wǎng)絡使得網(wǎng)絡在深度增加的同時避免了梯度消失和梯度爆炸的情況。通過五個不同尺寸大小的layer輸出不同尺度大小的特征圖，結合FPN和多尺度特征融合對Faster R-CNN模型檢測結構進行改進，將輸入RPN的特征層數(shù)從1個擴展到5個，以改善對不同尺度目標的檢測。改進后結構如圖2所示。

3實驗結果及分析

3.1目標檢測模型訓練

目標檢測設置參數(shù)分別為：迭代次數(shù)epochs=50，初始學習率learning rate初始大小為0.005，每經(jīng)過10個epochs下降66%，批數(shù)量為8。改進的Faster R-CNN訓練過程中損失值（Train Loss）變化曲線如圖3所示。經(jīng)過15000次step后，loss收斂至0.03附近。

3.2實際檢測結果展示

采用ResNetS0主干特征提取網(wǎng)絡和多尺度特征融合的Faster R-CNN目標檢測模型在測試集上進行測試，其中航拍輸電線路圖片檢測絕緣子效果如圖4所示。可以看出對于大小不同的絕緣子多目標及其掉串故障小目標檢測都能達到很好的效果。

4結論

本文提出了一種絕緣子目標檢測研究方法基于FasterR-CNN模型。首先針對VGGl6主干網(wǎng)絡對于絕緣子大小目標混合檢測的缺陷，使用ResNetS0替換原先的VGGl6主干網(wǎng)絡，更深的網(wǎng)絡擁有更大的視野便于檢測不同尺度的目標。其次，針對RPN單一的特征輸入層的弊端，使用多尺度特征融合作為RPN特征輸入。將單一尺度輸出擴展為五尺度輸入。最后的實際檢測效果展示表明改進的Faster R-CNN的檢測效果在多目標和不同尺度目標上有很好的效果。

絕緣子目標檢測的準確電力系統(tǒng)發(fā)展的重要基礎。未來可以根據(jù)改進Faster R-CNN的絕緣子目標檢測算法和得到的優(yōu)化模型做進一步工作，例如，無人機航拍絕緣子實時故障檢測系統(tǒng)開發(fā)等。