基于無人機圖像的絕緣子檢測與缺陷識別算法綜述

顏 森 李高宇 周紅鍇 韋洪浪 唐 滔

0 引言

當前國民經濟突飛猛進，人們的生活質量不斷提高，電能在保障我國健康發展和人民生活有著舉足輕重的作用［1-3］。隨著電網系統的不斷建設發展，電力巡檢正成為一項繁重的工作。絕緣子是電力系統的重要組成部分，而絕緣子檢測與缺陷識別也是電力巡檢的主要任務之一［4-6］。近年來，使用無人機替代人工進行絕緣子檢測成為普遍的趨勢，而這也推進了目標檢測算法的發展和突破［7-9］。通過整理分析文獻可知，目前主要的目標檢測算法可以分為三類。第一類是YOLO 算法，屬于端到端目標檢測算法，從網絡中提取物體特征，對物體類別和位置進行預測，有YOLOv1、YOLOv2、YOLOv3 和YOLOv4 等 衍生出來的算法。第二類是R-CNN 系算法，是最早基于CNN 提取圖像特征的深度學習目標檢測算法，經過Fast R-CNN 過渡發展為經典的Faster R-CNN，在Faster R-CNN 的基礎上，又衍生出應用特征金字塔網絡（Feature Pyramid Network，FPN）改進的FPN Faster R-CNN（FPN FRCN）與Mask R-CNN 等算法［10-12］。第三類是SSD 算法，是單階段目標檢測算法，又衍生出DSSD（Deconvolutional Single Shot Detector） 與R-SSD（Rainbow Single Shotmultibox Detector）等改進算法，實現對目標的檢測技術。絕緣子檢測與識別算法框架如圖1 所示。

圖1 絕緣子檢測與識別算法框架圖

1 絕緣子檢測與識別算法

1. 1 YOLO 系算法

YOLO 算法利用1 個單階段的卷積網絡實現端到端的目標檢測，輸入層是完整的照片，輸出層是邊界框的屬性和位置信息［13-15］。YOLOv1 是單階段目標檢測方法，每個網格單元能夠預測多個邊界框。YOLOv1 具有網絡結構相對簡單，算法的檢測速度快，但檢測精度方面與Faster R-CNN 相比較低等特點。YOLOv2 使用DarckNet19 替 代YOLOv1 中 的GoogLeNet 網絡，使用卷積和softmax 代替全連接層，并增加了Anchor 機制，使用K-means 聚類算法來生成Anchor bbox。……