面向復雜環境的輸電線路關鍵設備缺陷檢測方法

顏 麗,鄧芳明

(1.萍鄉學院 信息與計算機工程學院，江西 萍鄉 337055；2.華東交通大學 電氣與自動化工程學院 ，江西 南昌 330013)

0 引言

輸電線路是電網運行的主要組成部分之一,也是輸電系統的終端設施，保障其正常運行是電網安全運營的前提[1]。我國輸電線路大多敷設于外界復雜環境中，易受自然或人為因素影響而產生故障，嚴重影響配電網的安全運營及正常供電。而絕緣子和金具等作為輸電線路上的關鍵部件，一旦出現故障將直接影響供電的連續性，嚴重危害電網的運營安全[2-3]。因此，如何采取有效的手段對輸電線路零部件進行監測檢測具有重大的意義。傳統的配電線路上零部件的檢測主要依靠人工作業，這種方式不僅費時費力、效率低下，而且容易對線路零部件結構造成一定的破壞[4]。隨著無損檢測技術的飛速發展，人工巡檢逐漸轉變為基于圖像處理的非接觸檢測方式，標志著我國輸電線路關鍵設備缺陷檢測逐步走向智能化階段[5]。

基于深度學習的圖像處理技術由于其精確、高效等優點，被廣泛應用于輸電線路設備的缺陷檢測中[6]。文獻[7]利用不同的深度卷積神經網絡(Convolutional Neural Network,CNN)提取了接觸網開口銷釘圖像的多種特征，同時構建多個線性分類器通過綜合決策實現了開口銷釘的缺陷檢測。文獻[8]利用CNN對輸電線路絕緣子破損和銹蝕故障進行精準分類。Titov等[9]采用深度學習YOLO算法檢測出電力線路不同設備的缺陷。文獻[10]提出了一種以目標檢測Faster R-CNN+FPN為框架的網絡模型對架空線路防震錘、均壓環等部件缺陷進行分類。文獻[11-13]通過SSD CNN準確定位檢測出輸電線路絕緣子缺陷位置。文獻[14]采用一種層級識別模型對線路桿塔小金具缺陷進行識別。Wei 等[15]提出了一種部分監督卷積神經網絡，用于從輸電線路的現場檢查圖像中自動定位故障。以上大多數目標檢測框架如Faster R-CNN,SSD等對于缺陷形態明顯、尺寸較大的部件具有良好的效果，但是對于小型設備的細微故障(裂紋、磨損等)模型的檢測精度大幅下降。因此傳統的深度學習模型具有極大的局限性，難以適應輸電線路設備缺陷檢測任務的要求[16]。

由于輸電線路設備眾多，采集到的圖像數據通常包含大量噪聲，導致檢測模型產生定位偏差，檢測精度大幅下降。近年來，基于卡爾曼濾波的方法被廣泛應用于各種研究中，能夠對檢測結果進行修正，獲得研究對象的估計值或修正值[17]。文獻[18]構建了一種新的聯合擴展卡爾曼濾波的滑膜觀測器算法，在有效消除噪聲影響的同時對建模誤差也具有較強的魯棒性。Liu等[19]通過卡爾曼濾波器實現了懸鏈線幾何參數的修正，該方法能夠有效地提高模型的檢測精度。上述研究通過修正方法有效地提高了檢測結果的準確性，但是我國輸電線路設備數據集通常不對外開放，即使是有限的圖像數據集也極為不平衡，檢測模型容易產生過擬合風險。

綜上所述，本文提出了一種面向復雜環境下輸電線路關鍵設備缺陷檢測方案。首先，針對于小樣本環境本文采取數據增強的方式進行樣本擴充。其次，提出了一種改進的Faster R-CNN框架，采用MobileNet[20]、柔性非極大值抑制(soft Nonmaximum Suppression，soft-NMS)算法[21]和上下文感知感興趣區域(Context-Aware Region of Interest，CARoI)池化層[22]分別替換初始框架中的VGG-16基準網絡、NMS算法及RoI池化層，實現了小尺度輸電線路零部件的缺陷識別。最后,針對圖像中的復雜噪聲環境，通過卡爾曼濾波對檢測結果進行修正，有效提高了本文模型的檢測精度以及魯棒性。

1 系統概述

為解決目前輸電線路中細微零部件缺陷檢測難度高及環境復雜等問題，本文在原始的Faster R-CNN模型上對其網絡架構進行了一定的優化，并結合圖像樣本增強及定位結果二次修正方案得到最終的輸電線路設備缺陷檢測系統。系統整體框架如圖1所示。

圖1 輸電線路關鍵部件缺陷檢測系統框圖Fig.1 Block diagram of defect detection system for key components of transmission lines

整個檢測系統分為模型訓練、模型測試及模型檢測結果修正3部分。將采集的輸電線路關鍵部件圖片通過圖像增強方法獲得足夠的訓練樣本，按一定的比例劃分為訓練集、驗證集及測試集。訓練集和驗證集樣本用于訓練并檢驗輸電線路零部件缺陷檢測模型，其中，模型通過改進傳統目標檢測網絡結構得到，以適應小型零部件缺陷檢測。將訓練好的優化模型載入缺陷檢測系統，同時從測試集樣本上選擇需要檢測的輸電線路零部件圖像輸入至此系統以獲得初步檢測結果。根據模型的缺陷定位效果，采用二次修正方案對缺陷預測位置進行優化調整，進一步提升模型的定位精度及泛化性能，滿足輸電線路關鍵部件缺陷檢測需求。

2 Faster R-CNN框架改進

改進模型的總體框架如圖2所示。為了區別于原始的Faster R-CNN，圖中紅框突出顯示了改進網絡的優化模塊。首先，在原始Faster R-CNN框架中，采用MobileNet替代VGG-16來構建基礎卷積層以降低網絡計算量。然后，在區域生成網絡(Region Proposal Network，RPN)中，采用soft-NMS算法解決目標部件遮擋問題。最后，通過CARoI池化層取代初始RoI池化層，以維護小型缺陷部件的原始結構。下面主要從3個模塊詳細介紹該優化框架。

圖2 改進模型的整體框架Fig.2 Overall framework of the improved model

2.1 基本網絡

原始Faster R-CNN框架使用VGG-16作為基礎網絡[23]。但是實驗證明幾乎所有模型大約80%的時間都花費在基礎網絡上，因此使用更快的基準網絡可以大大提高整個框架的速度。MobileNet架構作為一種高效的網絡，它將卷積分解為3×3深度卷積和1×1點態卷積，有效地降低了計算成本和參數的數量。表1所示為MobileNet和VGG-16在ImageNet上的比較。可以看出，MobileNet的精度接近VGG-16，但是比VGG-16小32倍，計算參數少27倍。因此本文以MobileNet架構替代原始Faster R-CNN框架中的VGG-16作為基礎網絡。MobileNet引入了2個參數，可以調整以適應資源與精度的權衡，包括寬度乘數器和分辨率乘數器。寬度乘數器能夠精簡網絡，而分辨率乘數器改變了圖像的輸入尺寸，從而減少了每一層的內部表示。由于本文只使用了MobileNet架構中的卷積層，因此不必固定輸入圖像的大小。

表1 MobileNet與VGG-16在ImageNet上的比較結果Tab.1 Results comparison of MobileNet and VGG-16 on ImageNet

深度可分離的卷積由2層組成：深度卷積和點態卷積。深度卷積用于對每個輸入通道應用單個濾波器；點態卷積作為一個簡單的1×1卷積，用于創建深度層輸出的線性組合。MobileNet架構對這2層都使用了批處理規范和ReLU非線性。計算成本的降低與輸出特征映射通道的數量和核大小的平方成正比。

2.2 RPN網絡

RPN首先從基礎網絡生成的卷積特征圖生成一組錨框。錨位于滑動窗的中心，與比例和高寬比相關。對于召回和處理速度之間的權衡，在本文中，128，256和512三個錨框尺寸及1∶1，1∶2和2∶1三個錨框高寬比用于每個錨，在每個滑動位置產生9個錨。對于尺寸為14×14的卷積特征圖，總共有1 764個錨點。

然后，RPN獲取所有錨盒，為每個錨輸出2個不同的結果。第1個是客觀得分，意味著錨是目標的概率。第2個是邊界框回歸來調整錨點以更好地適合目標。由于錨點通常會重疊，因此同一目標將不可避免地產生多個冗余包圍盒。采用NMS非極大值抑制可以消除多余的窗口，找到最佳檢測位置。在大多數先進的對象檢測中，包括Faster R-CNN，NMS算法被用于刪除冗余的候選框[24]。傳統的NMS將所有與其Intersection over Union (IoU)值超過預定義閾值的框直接刪除。但由于實際檢測環境復雜，NMS算法的閾值難以確定，可能意外地去除積極候選框。為了解決這一問題，本文采用了soft-NMS算法。在soft-NMS的作用下，一個成功候選框的鄰近框并沒有被完全壓制。相反，它們會根據鄰近窗口更新的客觀得分而被抑制，這些得分是根據鄰近框的重疊水平和獲勝候選框計算出來的。

2.3 CARoI池化

在大多數2階段的目標檢測算法中，如Fast R-CNN，Faster R-CNN等，使用RoI池化層將建議框尺寸調整到固定的大小[25]，其原理如圖3所示。RoI池化層使用最大池化將任何有效感興趣區域內的特征轉換為一個具有固定的h×w空間范圍的小特征圖。RoI最大池化工作方式是將h×w的建議框劃分為一個近似(h/H)×(w/W)尺寸的H×W子窗口網格，然后將每個子窗口中的值最大池化到相應的輸出網格單元中。如果提案小于H×W，則通過添加復制值以填充新空間，將其擴大到H×W。RoI池化避免了重復計算這些體積層，所以可以顯著加快訓練和測試速度。然而，在小建議框中添加復制值是不合適的，特別是對于小型目標，因為它可能會破壞微小缺陷目標的原始結構。此外，為小建議框添加復制值會導致正向傳播中的不準確表示，以及在訓練過程中反向傳播錯誤的積累。因此，檢測小尺寸缺陷目標的性能將會降低。為了在不破壞微小缺陷目標原始結構的情況下調整建議框的尺寸，并提高該方法在細微故障檢測上的性能，本文使用CARoI池化。CARoI池化層原理如圖4所示。在CARoI池化過程中，如果建議框的尺寸大于輸出特征圖的固定大小，則使用最大池將建議框的尺寸縮小到固定大小，如果建議框的尺寸小于輸出特征圖的固定大小，則采用反卷積操作將建議框的尺寸擴大到固定大小，計算如下：

圖3 RoI池化原理Fig.3 RoI pooling principle

圖4 CARoI池化原理Fig.4 CARoI pooling principle

yk=Fk⊕hk，

(1)

式中，yk表示具有固定大小的輸出特征圖；Fk表示輸入建議框；hk是反卷積操作的核，核的大小等于輸出特征映射的大小與輸入提案的大小的比值。此外，當建議框的寬度大于輸出特征圖的固定寬度，且高度小于輸出特征圖的固定高度時，采用式(1)中的反卷積運算來擴大建議框的高度，通過最大池化來減小建議框的寬度。使用CARoI池化層，建議框的大小已經被調整為固定的大小，同時仍然可以提取來自小建議框的鑒別特征。

3 卡爾曼濾波修正

采用優化的Faster R-CNN模型對輸電線路零部件進行檢測后，可以獲得缺陷定位結果。在此基礎上，對結果進行二次修正能夠進一步提升檢測效果。在統計與控制理論中，卡爾曼濾波作為一種遞推預測濾波算法，應用廣泛且功能強大：它提供了一種高效可計算的方法來估計信號的過去和當前狀態，甚至能估計將來的狀態，并能夠對現場采集的數據進行實時的更新和處理，比基于單個測量估計更加準確，即使無法得知模型的確切性質[26]。因此，本文采用卡爾曼濾波對模型的檢測結果進行修正。卡爾曼濾波器利用線性系統狀態方程，可以看作狀態變量在由觀測生成的線性空間上的射影。其原理公式如下：

(2)

卡爾曼濾波主要通過建模、時間更新和測量更新以及迭代3個步驟來實現。其中，建模如下：

xk=Axk-1+Buk+wk-1，

(3)

式中，uk表示控制信號，其值為0；wk-1為噪音函數；xk為信號；A，B為矩陣系數；k表示狀態下標。

觀測量如下：

Zk=Hxk+Vk，

(4)

式中，Zk代表狀態k下的測量值；Vk為噪音函數，通常服從高斯分布；H為系數矩陣。

時間更新和測量更新主要包含5個方程，時間更新階段的2個方程如下：

(5)

(6)

測量更新階段的3個方程如下：

(7)

(8)

(9)

4 實驗結果及分析

4.1 實驗環境

本文的軟件及硬件環境如表2所示。實驗基于深度學習開源框架Tensorflow和Keras，采用Python語言進行編程。

表2 實驗環境Tab.2 Experimental environment

4.2 數據集處理

在實際應用場景下，由于采集條件的限制，輸電線路零部件缺陷檢測中面臨著采集完備有缺陷樣本困難以及檢測精度低的問題，而深度學習算法又需要大量的數據集作為支撐。針對故障樣本數量不足的狀況，為訓練性能良好的缺陷檢測模型，本文采用一種圖像增強方法。圖像增強的目的是為了提升模型對缺陷圖像的敏感性，獲得足夠的樣本以供模型深度訓練，有效降低過擬合風險，從而提高缺陷檢測模型的泛化能力。圖像增強方法對采集到的原始圖像進行變亮、加噪、平移和仿射等擴展處理。增強結果如圖5所示。

(a) 原圖

(b) 亮化

(c) 加噪

(d) 平移

(e) 仿射圖5 圖像增強結果Fig.5 Image enhancement results

4.3模型訓練參數設置

為了測試本文所提算法的檢測效果，將現有的樣本通過上述圖像增強后進行數據標注，然后將其按8∶1∶1的比例隨機劃分為訓練集、測試集和驗證集。為加速模型訓練和減少過擬合風險，在訓練過程中凍結預訓練模型中的每一批歸一化層的權重，并將RPN和分類器輪流訓練。采用Adam算法[27]來優化邊界框回歸的損失函數，損失函數中平衡參數λ設置為0.5，RPN和分類器的初始學習率設置為0.002，動量值設置為0.8，批次大小Batch_Size設為32。在迭代總數達到80%時將學習率調為0.000 2，共訓練迭代2 000次。

4.4 評價指標

為測試訓練好的模型的檢測效果，本文通過P(Precision)，R(Recall)，mAP(mean Average Precision)，IoU和T來評價其各方面性能。P和R的計算如式(10)和式(11)所示，式中，TP(True Positive)為正確樣本被識別為正樣本的數量；FP(False Positive)為負樣本被錯誤識別為正樣本的數量；FN為正樣本被錯誤識別為負樣本的數量。平均精度AP(Average Precision)是Precision-Recall(P-R)曲線所圍成的面積，AP值表示單個類別的識別準確率，計算如式(12)所示。mAP表示所有類別總體識別準確率，與AP值之間的關系如式(13)所示。IoU的計算如式(14)所示，式中，S交為預測框和實際框之間的重疊區域，S并為預測框和實際框所占有的總區域。T為網絡模型檢測一張圖片所需時間，用來評價算法的檢測速度。

(10)

(11)

(12)

(13)

(14)

4.5 實驗結果展示

本實驗采用提出的改進算法對輸電線路幾種關鍵部件進行初步檢測，并在此基礎上對檢測結果進行卡爾曼濾波修正。圖6所示為具有代表性的不同類型部件的缺陷檢測結果，其中，左側為經過改進模型的初步檢測結果，右側為通過卡爾曼濾波修正后的缺陷定位結果。根據檢測結果可以明顯看出，針對尺寸較大部件的缺陷，改進的模型均能有效地定位與識別，但對于部分細微部件的缺陷檢測精度有所下降。經過卡爾曼濾波后，對于細微部件的缺陷檢測也能達到與大尺寸缺陷相當的精度。綜合分析以上實驗結果，本文設計的改進算法結合卡爾曼濾波修正對于輸電線路關鍵部件的缺陷圖像檢測效果良好。

(a) 絕緣子缺陷初步(左)檢測及修正后(右)檢測結果

(b) 線夾子缺陷初步(左)檢測及修正后(右)檢測結果

(c) 金具缺陷初步(左)檢測及修正后(右)檢測結果圖6 具有代表性的輸電線路不同部件缺陷檢測結果Fig.6 Representative defect detection results of different components of transmission lines

4.6 不同算法實驗結果比較及分析

為了進一步驗證本文所提方法的優越性，在相同的數據集上分別與YOLO，SSD，MS-CNN，原始Faster R-CNN及改進Faster R-CNN進行對比實驗。實驗中，使用mAP，IOU及檢測速度來評價各方法的性能，不同方法的檢測結果對比如表3所示。由表3可以看出，本文所提出的改進Faster R-CNN模型+卡爾曼濾波與原始Faster R-CNN及改進Faster R-CNN相比，精度分別提高了11.05%和4.94%。在檢測效率方面，該方法處理一張圖像需要0.12 s，相比于其他單階段的檢測算法速度略慢，而原始的Faster R-CNN框架需要2 s，MobileNet架構顯著提高了該方法的處理速度。在所有比較方面都沒有具有主導性能的絕對贏家，MS-CNN檢測精度較高，然而其檢測時間較長。YOLO模型檢測單張圖片僅需0.04 s，但對比于其他方法精度較低。綜合分析表中6種方法在相同測試樣本下的對比結果，本文提出的改進Faster R-CNN+卡爾曼濾波綜合性能最佳，在缺陷檢測效果方面具有顯著優勢，能夠滿足輸電線路缺陷檢測需求。

表3 不同檢測方法的性能比較Tab.3 Performance comparison of different detection methods

5 結束語

本文對輸電線路設備缺陷檢測問題進行深入研究，提出了一種基于深度卷積神經網絡和卡爾曼濾波的故障檢測方法。為了提高在大規模變化、目標遮擋等復雜環境中的檢測精度和模型魯棒性，本文首先采用輕量級MobileNet構建Faster R-CNN框架的骨干網絡，提高了模型檢測速度；其次，在RPN網絡后采用soft-NMS算法，解決冗余候選框的問題；最后，在不忽略重要上下文信息的前提下使用CARoI池化調整候選框到指定大小。此外，本文還提出一種卡爾曼濾波修正方案以進一步提升模型檢測精度。在同一數據集上將該方法與其他檢測算法進行評估比較，實驗結果表明，該方法在處理速度上略遜色于單階段檢測算法，但在檢測精度方面取得了良好的效果，綜合性能最佳。此外，該框架可以很容易地擴展和應用于其他環境背景下的缺陷識別，具有一定的參考價值。