邊緣算法優(yōu)化Faster R-CNN 算法下的輸電線路缺陷識(shí)別方法

耿座學(xué),李學(xué)富

(云南電網(wǎng)有限責(zé)任公司怒江供電局,瀘水 673200)

作為電能傳輸?shù)年P(guān)鍵環(huán)節(jié),輸電線路的運(yùn)行狀態(tài)對于電力系統(tǒng)整體運(yùn)行的安全與效率有著直接影響[1]。線路缺陷會(huì)對輸電線路的安全產(chǎn)生威脅,嚴(yán)重時(shí)甚至?xí)斐芍卮蟮娜藛T傷亡與物資損失。因此對輸電線路缺陷識(shí)別具有重要的意義[2],通過識(shí)別輸電線路缺陷并快速進(jìn)行針對性檢修,能夠提升線路維修效率且降低電路故障發(fā)生的概率[3]。

基于此,諸多學(xué)者對輸電線路缺陷識(shí)別方法進(jìn)行了研究。曾勇斌等[4]研究了一種輸電線路缺陷風(fēng)險(xiǎn)建模及其預(yù)測方法,該方法首先根據(jù)輸電線路自身的特點(diǎn)將其細(xì)分成若干個(gè)部件,然后對輸電線路各部件的缺陷嚴(yán)重程度進(jìn)行量化,并根據(jù)輸電線路的缺陷歷史數(shù)據(jù),通過隸屬度分析進(jìn)而定義得到輸電線路整體的缺陷風(fēng)險(xiǎn)值,完成線路缺陷的識(shí)別工作。黃廣龍[5]研究了一種基于無人機(jī)圖像識(shí)別技術(shù)的水利工程輸電線路缺陷檢測方法,其將GNSS/INS多傳感器設(shè)備植入到無人機(jī)系統(tǒng)中,提取水利工程輸電線路的點(diǎn)云數(shù)字圖像,分析缺陷狀態(tài)下的水利工程輸電線路的變形和異常參數(shù)分布情況,根據(jù)中心化投影點(diǎn)的聚類分布,實(shí)現(xiàn)輸電線路的缺陷檢測。NI等[6]研究了一種傳輸線關(guān)鍵部件缺陷識(shí)別方法,該方法通過對架空輸電線路缺陷圖像的預(yù)處理、特征提取、目標(biāo)定位和目標(biāo)分類,得到了目標(biāo)缺陷檢測模型。

以上方法通常采用缺陷風(fēng)險(xiǎn)建模方法來量化線路缺陷程度,且依照歷史數(shù)據(jù)分析電路缺陷風(fēng)險(xiǎn)值,從而影響到最終識(shí)別精度。針對該問題,文章研究了一種基于邊緣算法優(yōu)化Faster R-CNN 算法的輸電線路缺陷識(shí)別方法,可為準(zhǔn)確識(shí)別輸電線路缺陷提供一定幫助。

1 輸電線路缺陷的識(shí)別方法

基于邊緣算法優(yōu)化Faster R-CNN算法的輸電線路缺陷識(shí)別主要采用Faster R-CNN(快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò))算法。區(qū)域卷積神經(jīng)網(wǎng)絡(luò)算法在識(shí)別目標(biāo)過程中提取輸電線路圖像內(nèi)的感興趣區(qū)域[6],匯總?cè)扛信d趣區(qū)域圖像生成感興趣區(qū)域集合,將此集合分別輸入卷積神經(jīng)網(wǎng)絡(luò)內(nèi)提取輸電線路圖像特征,再將所提取的特征輸入支持向量機(jī)分類器內(nèi),確定該特征所屬類別(輸電線路缺陷類別),同時(shí)通過回歸預(yù)測算法優(yōu)化候選框位置[7],提升類別劃分精度。區(qū)域卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過長時(shí)間的演化后轉(zhuǎn)變?yōu)榭焖賲^(qū)域卷積神經(jīng)網(wǎng)絡(luò),其結(jié)構(gòu)如圖1所示。

利用卷積網(wǎng)絡(luò)采集輸電線路圖像特征時(shí),首先確定輸電線路缺陷圖像的特征屬性圖,利用RPN網(wǎng)絡(luò)生成候選錨[8]?？焖賲^(qū)域卷積神經(jīng)網(wǎng)絡(luò)確定形狀有所差異的候選框,在此基礎(chǔ)上利用不同損失函數(shù)共同訓(xùn)練,完成輸電線路缺陷識(shí)別?？紤]Faster R-CNN算法中對圖像邊緣計(jì)算存在一定缺陷,在目標(biāo)區(qū)域大于圖像邊界的條件下,需舍棄目標(biāo)區(qū)域而導(dǎo)致訓(xùn)練過程不收斂,降低最終識(shí)別精度,因此需對Faster R-CNN算法進(jìn)行優(yōu)化。

1.1 輸電線路圖像的采集與處理

利用無人機(jī)采集輸電線路圖像,受外在環(huán)境因素影響,所采集圖像內(nèi)存在嚴(yán)重噪聲[9]。因此需預(yù)處理所采集的輸電線路圖像,采用極值中值濾波算法對輸電線路圖像進(jìn)行降噪處理,降低圖像內(nèi)的噪聲干擾,令其轉(zhuǎn)變?yōu)檫m于識(shí)別的圖像,并最大程度保留細(xì)節(jié)信息。

中值濾波算法就是通過數(shù)字圖像的全部點(diǎn)的中值取代其中一點(diǎn)的值。該算法在具體應(yīng)用過程中雖然能有效抑制噪聲干擾,但也會(huì)對初始輸電線路圖像內(nèi)未被噪聲污染的像素點(diǎn)產(chǎn)生影響[10]。為消除這種影響,對中值濾波進(jìn)行優(yōu)化,提出極值中值濾波算法。其首先判斷像素點(diǎn)f i,j是否為極值點(diǎn),通過N和S分別表示判斷結(jié)果為極值點(diǎn)或非極值點(diǎn);考慮并非全部極值點(diǎn)均為噪聲點(diǎn)[11],所以為提升噪聲點(diǎn)檢測的精度,可利用閾值條件f i,j＜T1或f i,j＞T2(T1和T2均表示閾值)約束中值點(diǎn);然后通過窗口領(lǐng)域內(nèi)非噪聲點(diǎn)均值取代噪聲點(diǎn)的方式完成降噪處理。

1.2 輸電線路圖像的缺陷特征提取

將輸電線路圖像作為初始輸入,Faster R-CNN算法的第l層和第m層分別為卷積層和池化層,兩者的輸出特征向量分別為

式中:x l-1j和k lij分別表示l層內(nèi)的第i個(gè)輸出和l層的一個(gè)卷積核;* 和b lj分別表示對輸電線路圖像的卷積操作和卷積層偏置;f·（）表示Relu激活函數(shù);x m-1j和f(·)分別表示磁化層的輸入和soft max函數(shù);βmj和down(·)分別表示連接權(quán)重與輸入矩陣的求和操作;b mj表示池化層偏置。

利用式(1)與式(2)能夠獲取輸電線路圖像缺陷特征。

1.3 基于RPN網(wǎng)絡(luò)確定目標(biāo)候選區(qū)域

在確定輸電線路圖像的缺陷特征后,區(qū)域建議訓(xùn)練(RPN)網(wǎng)絡(luò)獲取多個(gè)目標(biāo)候選區(qū)域。作為全卷積網(wǎng)絡(luò),RPN網(wǎng)絡(luò)同F(xiàn)aster R-CNN共用卷積層,其通過滑窗映射d維特征向量[12]。在不同滑動(dòng)窗口的位置共同判斷k個(gè)區(qū)域建議,因此回歸層與分類層內(nèi)分別包含4k和2k個(gè)輸出,分類層輸出即為不同建議框歸于目標(biāo)或不歸于目標(biāo)的概率。K個(gè)建議框被對應(yīng)的k個(gè)錨點(diǎn)框參數(shù)化,不同錨以當(dāng)前滑動(dòng)窗口中心為基準(zhǔn)點(diǎn)[13]。RPN 網(wǎng)絡(luò)結(jié)構(gòu)示意如圖2所示。

圖2 RPN網(wǎng)絡(luò)結(jié)構(gòu)示意

RPN網(wǎng)絡(luò)聯(lián)合訓(xùn)練損失函數(shù)為

式中:x和y分別表示錨點(diǎn)框中心坐標(biāo);w和h分別表示錨點(diǎn)框?qū)挾群透叨取⒖焖賲^(qū)域卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于輸電線路缺陷識(shí)別中,可實(shí)現(xiàn)缺陷快速識(shí)別。

1.4 邊緣算法優(yōu)化Faster R-CNN算法的輸電線路缺陷識(shí)別

一般情況下,Faster R-CNN算法即可完成目標(biāo)識(shí)別的目的,但將其應(yīng)用于輸電線路缺陷識(shí)別時(shí),在目標(biāo)區(qū)域大于圖像邊界的條件下,需舍棄目標(biāo)區(qū)域,從而導(dǎo)致訓(xùn)練過程不收斂,降低最終識(shí)別精度,因此需對Faster R-CNN算法進(jìn)行優(yōu)化。利用邊緣計(jì)算優(yōu)化Faster R-CNN 算法可有效調(diào)整網(wǎng)絡(luò)結(jié)構(gòu),減少模型參數(shù)和計(jì)算量,從而在邊緣處理上更加高效。

以e i,j和g i,j分別表示Faster R-CNN 算法待識(shí)別的輸電線路圖像和該圖像的梯度幅值,g i,j可表示為

式中:dx表示待識(shí)別輸電線路圖像在x方向上的偏導(dǎo)數(shù);dy表示待識(shí)別輸電線路圖像在y方向上的偏導(dǎo)數(shù)。

則有

由于輸電線路圖像邊緣的灰度值波動(dòng)具有間斷性[14],梯度幅值較為顯著,因此輸電線路圖像的邊緣點(diǎn)同其周圍的非邊緣點(diǎn)梯度差異顯著[15]。以e'i,j表示輸電線路圖像邊緣第i個(gè)像素點(diǎn)的梯度,梯度差上限為

由此得到該像素點(diǎn)的梯度差上限

利用式(10)確定像素點(diǎn)梯度幅值,并抑制其非極大值,將局部極大值外的全部梯度值均抑制為0,由此完善Faster R-CNN 算法在邊緣處理上的缺陷,提升終端輸電線路圖像缺陷識(shí)別精度。

至此,完成基于邊緣算法優(yōu)化Faster R-CNN算法的輸電線路缺陷識(shí)別方法的設(shè)計(jì)。

2 測試結(jié)果

為驗(yàn)證文章所研究的基于邊緣算法優(yōu)化Faster RCNN算法的輸電線路缺陷識(shí)別方法的有效性,以某市域輸電線路為測試對象,利用文章算法對測試對象內(nèi)輸電線路缺陷進(jìn)行識(shí)別。利用無人機(jī)采集輸電線路缺陷圖像共1 200個(gè)樣本,其中1 000個(gè)樣本作為訓(xùn)練集對設(shè)計(jì)算法進(jìn)行訓(xùn)練,再利用200個(gè)樣本作為測試集進(jìn)行測試。訓(xùn)練參數(shù)設(shè)置如下:初始學(xué)習(xí)率為0.01;最終學(xué)習(xí)率為0.000 01;批尺寸設(shè)置為4;最大訓(xùn)練輪數(shù)為250;閾值為0.5;動(dòng)量為0.85;權(quán)重衰減為0.005。

2.1 圖像識(shí)別結(jié)果

針對無人機(jī)所采集的測試對象圖像,采用文章算法進(jìn)行缺陷識(shí)別,所得結(jié)果如圖3所示。

圖3 Faster R-CNN算法的缺陷識(shí)別結(jié)果

由圖3可知,采用文章算法對初始采集的測試對象進(jìn)行預(yù)處理,能夠有效抑制圖像內(nèi)的噪聲影響,提升圖像內(nèi)目標(biāo)的清晰度。單純采用Faster R-CNN算法進(jìn)行圖像缺陷識(shí)別時(shí),識(shí)別結(jié)果紋理缺失,僅能獲取測試對象部分圖像輪廓,表明單純的Faster R-CNN算法識(shí)別精度具有一定限制性。采用文章算法中邊緣計(jì)算優(yōu)化的Faster R-CNN算法進(jìn)行圖像缺陷識(shí)別時(shí),不僅測試對象邊緣識(shí)別精度明顯提高,測試對象的整體識(shí)別精度也得到提高,說明文章算法能夠顯著提升測試對象缺陷識(shí)別精度。

2.2 缺陷識(shí)別結(jié)果

設(shè)定測試對象缺陷類型,采用文章算法識(shí)別測試對象缺陷類型,并與設(shè)定缺陷類型進(jìn)行對比,以此驗(yàn)證文章算法的缺陷識(shí)別性能。部分測試對象的缺陷識(shí)別結(jié)果如表1所示。

表1 部分測試對象的缺陷識(shí)別結(jié)果

由表1可知,采用文章算法識(shí)別測試對象缺陷類型所得結(jié)果同測試對象設(shè)定缺陷類別完全一致,說明采用文章算法能夠準(zhǔn)確識(shí)別測試對象缺陷,有利于提升測試對象故障檢修效率。

2.3 缺陷類別識(shí)別準(zhǔn)確率測試

測試對象采用文章設(shè)計(jì)方法、文獻(xiàn)[3]方法、文獻(xiàn)[4]方法進(jìn)行缺陷識(shí)別后,部分缺陷類型的識(shí)別準(zhǔn)確率如圖4所示。

圖4 部分缺陷類型的識(shí)別準(zhǔn)確率

由圖4可知,與另外兩種方法相比,文章算法對測試對象各主要缺陷類別的識(shí)別準(zhǔn)確率高達(dá)85%以上,具有更高的缺陷識(shí)別準(zhǔn)確率,應(yīng)用效果更好。

3 結(jié)語

文章研究了一種基于邊緣算法優(yōu)化Faster RCNN算法的輸電線路缺陷識(shí)別方法,針對Faster R-CNN算法在識(shí)別圖像過程中的邊緣識(shí)別效果較差的問題,通過邊緣算法對其進(jìn)行優(yōu)化,再利用優(yōu)化后的模型來實(shí)現(xiàn)輸電線路缺陷識(shí)別。測試結(jié)果顯示,文章方法能夠顯著提升圖像識(shí)別的精度,更適于輸電線路的缺陷識(shí)別。