基于改進RetinaNet算法的輸電線路電力器件及異常目標檢測

彭紫揚，陳諾天，易俊飛，陶梓銘，毛建旭，謝錦瑩

(1.湖南大學電氣與信息工程學院，湖南 長沙 410082；2.國網湖南省電力有限公司長沙供電分公司，湖南 長沙 410015)

0 引言

為確保輸電線路的正常運行，保障電力系統的安全穩定，必須定期對輸電線路進行全面檢查。輸電線路的部件，例如陶瓷絕緣子、玻璃絕緣子、連接組件、懸掛夾具、防振錘等用量龐大，若存在缺失會對輸電線路電力可靠傳輸造成嚴重的影響。為了避免電力事故的發生，檢測輸電線路部件是否缺失是十分必要的。

目前，電力作業場景中有許多部件缺失需要人員在現場手動檢測，這需要大量的人力，效率低下，而且人工方式評估線路災損依賴員工的技術水平。針對這一問題，許多有關電力作業場景的視覺檢測研究方法被提出，但仍不足以滿足準確率高、效率高等工程應用的要求。

人工智能作為近年來的技術熱點，對諸多領域起到了推進的作用，如圖像檢測[1-3]、語音識別[4]、數據分析[5]等，深度學習更是在目標檢測領域占有重要的地位。將深度學習技術與電網應用相結合是當前電網企業及高校的研究熱點，王萬國等[6]利用Faster-RCNN識別輸電線路部件，分析了不同參數的設置對部件識別準確率的影響，但未對部件的缺失位置進行定位。王子昊[7]利用航拍圖像對輸電鐵塔關鍵部件缺陷檢測展開研究，提出了一種新的級聯式目標檢測框架，實現了絕緣子的定位和缺陷檢測。翁智等[8]提出了基于改進YOLOv3的高壓輸電線路關鍵部件檢測方法，實驗表明基于YOLOv3的改進網絡能夠實現巡檢關鍵部件的同步快速定位。目前基于深度學習的輸電線路部件缺失檢測仍面臨改進與優化主流算法性能的挑戰[9]。

本文針對電力作業場景下目標檢測過程中存在的問題，分析電力作業場景下的數據集特點，再根據數據集存在的問題，對目標檢測算法進行相應改進。

1 電力作業場景目標檢測算法

1.1 電力作業場景目標檢測算法改進模型結構 原理

基于電力作業場景下的目標檢測算法改進圍繞兩部分組成：利用改進樣本分配策略和損失函數來解決輸電線路電力器件及異常目標檢測算法微小目標[10-11]識別問題；通過數據增強來解決輸電線路電力器件及異常目標檢測中存在遮擋的問題。輸電線路電力器件及異常目標檢測算法改進模型結構原理如圖1所示。

圖1 電力作業場景目標檢測算法改進模型原理

RetinaNet網絡是一種單階段目標檢測模型，在擁有較快檢測速度的同時，也保持著較高的檢測精度。RetinaNet網絡主要由四部分構成：骨干網絡、檢測頭部、樣本分配策略及損失函數。本文設計的輸電線路電力器件及異常目標檢測改進模型主要對RetinaNet網絡的樣本分配策略和損失函數做出改進。

1.2 面向電力作業場景的小目標識別方法

為了解決小目標識別困難問題，本文特別關注樣本分配策略。小目標往往存在較多的負樣本，傳統的訓練中容易被負樣本所主導，導致小目標難以被準確檢測。為了更好地訓練模型，自適應樣本選擇方法(adaptive training sample selection，ATSS)通過設置不同的閾值來篩選出具有高貢獻的樣本，使模型更加關注與小目標相關的正樣本和難以分類的負樣本，這樣可以有效提高小目標的檢測性能。ATSS算法能在一定程度上解決目標檢測中的小目標檢測困難問題，算法流程如圖2所示，共分為5個步驟。

圖2 ATSS算法流程

步驟1：對于每個輸出的檢測層，計算每個錨點的中心點和目標的中心點的距離L2，計算公式如式(1)所示，選取K個錨點中心點離目標中心點最近的錨點為候選正樣本。

(1)

式中：Xi和Yi分別表示向量X和Y的第i個元素。

步驟2：計算每個候選正樣本和基準之間的IoU(重疊度)，計算這組IoU的均值mg和方差vg。

步驟3：根據方差和均值，設置選取正樣本的閾值，閾值計算公式如式(2)所示。

tg=mg+vg

(2)

步驟4：判斷大于閾值的是正樣本，其余的樣本都是負樣本。

步驟5：針對訓練集展開訓練。

綜上所述，ATSS算法通過自適應樣本選擇策略，能夠一定程度上解決目標檢測中的小目標難以檢測問題。這使得模型更加關注小目標，提高區分能力和定位精度。然而，小目標檢測在電力作業場景下的目標檢測中仍然具有挑戰性，需要綜合考慮其他因素和方法來進一步提升檢測效果。

模型訓練過程中會將模型的預測結果與真實標簽進行比較，并使用損失函數計算預測結果與真實標簽之間的差異，得到損失值。在檢測電力作業場景圖像中的目標時，將CIoU損失函數代替原有損失函數，會增強對小目標的檢測效果。CIoU損失函數通常在目標檢測任務中的損失計算步驟中使用，用于衡量檢測框的預測結果與真實標簽之間的差異，具體計算方法如式(3)所示。

FCIoU=1-(FIoU-p2(b，bt)/c2+αv)

(3)

(4)

(5)

式中：FIoU表示傳統交并比的計算結果；p(b，bt)表示目標框(b，bt)的中心點歐氏距離與兩個框的最小外接矩形對角線長度的比值；c表示兩個框的最小外接矩形的對角線長度；α是一個可調整的參數，用于平衡兩個項的權重；v表示一個與框的尺寸相關的懲罰項，用于調整框的形狀；w、h、wgt、hgt分別表示預測框、真實框的寬度和高度。

CIoU損失函數在計算兩個邊界框之間的相似性時，考慮了中心點之間的歐氏距離。這個距離的懲罰可以幫助模型更好地定位小目標，因為對于小目標來說，中心點的精確位置非常重要，同時使用最小外接矩形的對角線長度來懲罰邊界框的形狀差異。因為電力作業場景中絕緣子小目標具備多樣化的形狀特征，包括細長型、扁平型等。CIoU損失函數的形狀懲罰可以幫助模型更好地適應并預測這些多樣化的形狀。

CIoU損失函數對于目標框的縮放更為敏感，利用v這個懲罰項來調整框形狀。對于電力作業場景中的小目標來說，尺寸相對較小，因此邊界框的縮放變化可能更加明顯。CIoU損失函數能夠更好地處理目標框的縮放變化，從而提高對小目標的檢測效果。綜上所述，CIoU損失函數在考慮中心點距離和形狀懲罰的基礎上，更好地適應了小目標的特點，因此在電力作業場景中提升了對小目標的檢測效果。

1.3 面向電力作業場景的數據增強方法

目前電力作業場景圖像數據集有限，并且在樣本有限的情況下部分數據集樣本存在遮擋問題[12-13]，神經網絡學習到的特征不足[14]，因此需要進行數據增強。面向實地采集的電力作業場景圖像及航拍的線路巡檢圖像，本文提出一種基于電力作業場景的數據增強方法，批量式生成電力作業圖像以構建不同場景的數據集，數據增強過程包括5個步驟。

步驟1：數據增強的樣本為實地采集的電力作業場景圖，調整圖像的對比度可以增強目標與背景之間的區分度，尤其是在存在遮擋的情況下。采集圖像時因光照等因素的影響，高速CCD相機拍照時間短，圖像往往集中在一個或幾個灰度級區段。為了減弱由燈光變化造成的圖像變化，采用灰度值歸一化的方法，能有效對圖像進行補償減弱，通過調整圖像的亮度和對比度，可以增強目標的輪廓和細節，有助于模型更好地檢測遮擋目標。灰度歸一化公式如式(6)所示。

(6)

式中：I(i，j)和N(i，j)分別表示歸一化前圖像的灰度值、變換后圖像的灰度值；minI和maxI分別表示原有圖像的最小灰度值、最大灰度值。將其轉換為(0，1)之間的小數，通過更加高效的數據比對，神經網絡學習到的數據分布得以更廣泛地適用于各種場景。

步驟2：圖像采集中，除了光線偏差，不可避免地存在采集時產生的噪聲，高斯濾波在去除圖像噪聲方面非常有效，同時能保留圖像的輪廓和線條紋理特征。離散高斯核矩陣計算公式如式(7)所示。

(7)

式中：σ表示方差；k確定核矩陣的維數。

步驟3：通過隨機旋轉和翻轉圖像，可以模擬目標在不同角度和方向的遮擋情況。為了增強網絡在目標檢測過程中的魯棒性，引入了一項隨機翻轉操作，對圖片進行翻轉，使翻轉的概率達到了0.5。這樣可以讓模型學習到不同遮擋情況下目標的表現和特征，增強模型的魯棒性。

步驟4：對圖像進行隨機縮放和裁剪。隨機縮放和裁剪可以調整圖像的尺寸和視角，將部分被遮擋的物體暴露出來，可能會顯示更多的物體表面，引入更多的上下文信息，即周圍的環境和背景。這些上下文信息可以提供與物體位置、形狀和上下文相關的線索，有助于模型更好地推斷被遮擋的物體的存在，提高對遮擋目標的檢測能力。

步驟5：使用不同的樣本比例來增加模型的泛化能力，并根據測試結果對模型參數進行調整，最終得到較好的預測性能和準確率。可以模擬目標在不同位置和形變程度下的遮擋情況，這樣可以提高模型對遮擋目標的魯棒性和泛化能力。

數據增強可以模擬不同遮擋程度的場景，幫助模型提升對遮擋目標的魯棒性。對訓練數據應用數據增強技術，可以生成更多樣化的圖像樣本，使模型更好地適應不同遮擋程度的場景，有助于提高模型對遮擋目標的識別能力和魯棒性，在電力作業場景中能更準確地檢測到遮擋目標。

2 試驗

基于某電力作業場景數據集，與其他前沿檢測網絡進行對比試驗，評估指標包括每個類別的平均精度(average precision，AP)，IoU為0.5時精度均值(AP50)，IoU為0.75時精度均值(AP75)，每個類別的平均召回率(average recall，AR)。

2.1 數據集

基于深度學習的網絡訓練需要有一定數量的數據集。針對研究對象，共收集電力作業場景下圖像共1 733張，其中訓練集1 000張、驗證集250張、測試集483張。對其進行數據增強，同時分為8類，分別是陶瓷絕緣子、玻璃絕緣子、絕緣子缺失、連接組件、鳥巢、懸掛夾具、防震錘、防震錘缺失，使用LabelImg軟件進行標注，自行制作工作所需電力作業場景數據集(power operation scenarios dataset，POSD)，該數據集標簽包含電力作業場景中常見類別的位置信息和類別信息。

2.2 試驗環境和訓練參數

試驗基于MMDetection庫實現，操作系統是Ubuntu 18.04，配置CUDA 11.3，基于PyTorch 1.10.0深度學習框架，Python 3.7.11實現網絡，試驗配置是GPU(NVIDIA GeForce RTX 3090)2塊顯卡、Intel(R)Core(TM)i9-12900K CPU。

檢測網絡訓練采用隨機梯度下降(stochastic gradient descent，SGD)算法，學習率初始值設置為0.01，動量值為0.9，采用線性增長策略，在初始的500次迭代中學習率逐漸增加到初始學習率值，在每隔3個回合處學習率乘以0.4進行衰減，批尺寸設置為4；將ResNet 101從ImageNet數據集中學習到的訓練權重作為模型的預訓練參數，共進行30個回合迭代訓練。

2.3 POSD數據集下的性能評估

為驗證所提方法對輸電線路電力器件及異常目標檢測的有效性，將本文模型與RetinaNet[15]、ATSS[16]、Paa[17]、Yolox[18]、Tood[19]等5種算法在電力作業場景數據集POSD上進行訓練測試。

本文提出的方法適用于所有電力場景的目標檢測，但是POSD數據集含有的檢測對象只有8類，所以明確檢測的對象為8類，分別是陶瓷絕緣子、玻璃絕緣子、絕緣子缺失、連接組件、鳥巢、懸掛夾具、防振錘、防振錘缺失。

通過代入測試集測試可得檢測結果可視化效果圖，圖3為不同環境下電力作業場景的部分檢測結果對比。圖中紅框表示檢測出玻璃絕緣子，白框表示檢測出防振錘，綠框表示檢測出防振錘缺失，淺藍框表示檢測出連接組件，紫框表示檢測出懸掛夾具，黃框表示檢測出鳥巢等，邊界框上方的值為模型預測該類別的置信度。

(a) (b)

(c) (d)

(e) (f)

表1為電力作業數據集下不同算法針對不同類別識別準確率的對比，加粗為該模塊中精度最高的模型。可以發現本文模型精度在可檢測的8類對象上均有明顯提升，陶瓷絕緣子、玻璃絕緣子、絕緣子缺失、連接組件、鳥巢、懸掛夾具、防振錘、防振錘缺失的識別準確率相較于其他模型均提升了4.3個百分點以上。這是由于本文模型能夠自適應地選擇樣本，特別是正樣本(包含目標的區域)，使得模型更加關注難以檢測的目標區域，提高模型對目標的檢測能力，尤其是在目標密集、尺度變化較大或遮擋嚴重的情況下，能夠準確檢測出一幅圖像上的多個密集且存在遮擋的檢測目標。通過自適應訓練樣本選擇策略，本文模型在不同環境下的檢測效果均比較良好，有效地應對環境條件變化帶來的挑戰，產生始終可靠的目標檢測結果。

表1 電力作業數據集下不同算法針對不同類別識別準確率對比 %

各檢測算法在測試集上的性能表現見表2，加粗為該模塊中精度最高的模型。為比較不同尺度的精度，定義目標尺寸小于100×100像素為小目標，(100×100)～(200×200)像素為中目標，(200×200)～(300×300)像素為大目標。RAPs、RAPm、RAPL分別表示小尺寸、中等尺寸和大尺寸目標在不同交并比閾值θ設定下(θ為0.5～0.95)的精度平均值。RAP50和RAR為IoU的閾值為0.5時計算所得，RAP75為IoU的閾值為0.75時計算所得，RmAP表示為10個不同的IoU閾值即AIoU={0.50，0.55，…，0.95}的AP平均值，即RmAP=(RAP50+RAP55+…+RAP95)/10。

可見，Tood、Paa、ATSS的RAP50值均在95%左右，RetinaNet的RAP50值為90.8%，Yolox在RAP50上表現一般，在90%以下。本文模型與其余模型相比，獲得顯著提升的召回率，在AR上的表現上升了至少6.5個百分點，且同時RAP50高出至少1.5個百分點。本文模型的性能提升明顯，RAP50值達到97.7%。與雙階段模型及傳統模型相比，本文模型基于單階段模型RetinaNet進行改進，計算復雜度低。本文提出的模型相對于其余前沿模型，對不同尺度大小物體的檢測精度分別上升了14.9個百分點、13.8個百分點和7.6個百分點。AR相對于其余前沿模型也有所提高，降低了漏檢率，表明本文所提方法通過聚合多尺度上下文信息來自適應學習不同尺度目標的特征，改進損失函數，增強對小目標的檢測效果，提高了各尺度目標的檢測準確率。

表2 電力作業數據集下不同算法性能對比 %

2.4 網絡各模塊的改進效果

為進一步分析3個模塊對網絡的改進效果，基于本文所構建數據集對比ATSS、ResNet101、CIoU模塊3個組件加入前后的測試結果，見表3，加粗為該模塊中精度最高的模型。

表3 消融實驗結果 %

表3中，第一行為RetinaNet基線網絡，該網絡由ResNet50、原始FPN及加入GIoU損失函數模塊的檢測頭組成。可以看到，相比RetinaNet基線網絡，3個模塊的改進都明顯提高了檢測精度。樣本分布策略替換為ATSS以后，AP50值達到96.0%，相比基線網絡上升5.2個百分點，說明ATSS通過自適應樣本選擇，能夠更多地選擇難例樣本進行訓練，提高模型對遮擋目標的識別能力。同時特征提取網絡替換為ResNet101后，AP50值達到96.2%，相比基線網絡上升5.4個百分點，說明在改變樣本分布策略的情況下，采用ResNet101能繼續提高網絡的特征提取能力，但提升結果有限。在此基礎上，加入CIoU損失函數，AP50提升至97.7%，帶來明顯的精度提升，mAP和AP75值分別上升7.6個百分點和2.9個百分點，說明CIoU損失函數在考慮中心點距離和形狀懲罰的基礎上，更好地適應過小目標的特點。因此CIoU損失函數的加入，在電力作業場景目標檢測中提升了對各類復雜微小目標的檢測效果，從而更多地選擇難例樣本進行訓練，提高了模型對遮擋目標的識別能力，網絡更好捕捉多尺度的特征，減小檢測過程中的損失，進一步提升了檢測精度效果[20]。

3 結論

本文基于某電力作業場景數據集，與其他前沿檢測網絡進行對比試驗，得出以下結論：

1)本文構建一種電力作業場景目標檢測算法改進模型，可實現端到端的訓練，平均精度達到97.7%，與Tood、Yolox、Paa、RetinaNet、ATSS相比，AR提升了至少6.5個百分點，且同時AP50提升了至少1.5個百分點。

2)對于遮擋問題，本文提出的模型對遮擋目標的識別能力和魯棒性有所提升，在輸電線路電力器件及異常目標檢測中能更準確地檢測到遮擋目標。

3)本文所提模型的改進樣本分配策略和損失函數解決了電力作業場景檢測過程中微小目標識別問題，能在輸電線路電力器件及異常目標檢測中提升對小目標的檢測效果。