基于YOLOv3 的輸電工程智能檢測與分析技術研究

周云浩，郭達奇，周 鑫，王 楠，周 迎

（國網北京市電力公司電力建設工程咨詢分公司，北京 100021）

隨著人們生活水平的提高以及人工智能技術的不斷改進，輸電工程質量檢測手段越發豐富。而工程質量的優劣，將直接影響項目投產的進度與輸電的安全性。當前針對輸電工程質量的檢測大多依賴于人工經驗，存在人工成本高且效率較低的問題[1-4]。近年來隨著卷積神經網絡（Convolutional Neural Networks，CNN）的持續改進，利用深度學習（Deep Learning，DL）進行目標檢測的方法取得了良好的應用效果。文獻[5]采用YOLO 識別算法對目標進行檢測和分析，使得該算法的應用成為可能。文獻[6]基于Faster-RCNN（Faster-Regions Convolutional Neural Networks）算法進行輸電線路防震錘識別檢測，改善了傳統方法識別精度差的問題。但在上述研究中，大部分集中于對輸電線路缺陷的識別和分析，而識別精度仍有待進一步提高[7-11]。綜上所述，文中基于YOLOv3 開展了輸電工程質量智能檢測與分析技術研究。

1 YOLOv3 目標識別算法

1.1 圖像數據采集

在不同的環境下，利用高清攝像頭或人工拍攝的方法采集輸電工程的現場圖片，進而增加數據集的多樣性[12-14]。通常需要采用隨機旋轉的方式進行翻轉，以得到擴展的數據集，并增加數據樣本的多樣性，從而提高檢測模型的泛化能力。隨后，用矩形框標注樣本數據的質量問題，并在圖片左上角注釋問題的類別，以形成標準的測試集。其中，訓練集與測試集的比例通常為7∶3。最終將整個圖片作為輸入數據，并在坐標系內注明所屬類別。

在輸電工程質量檢測過程中，當發生數據樣本采集與檢測異常時，就會出現異常數據，而處理該數據是提高檢測精度的重要手段。其基本思路是在檢測到圖像區域內存在拐點數據時，就對此處的數據進行多次迭代計算，直至刪除凸包拐點數據。假設為三組輸入數據樣本，當檢測到中存在異常數據時，若向量之間的向量角偏小時，加權余弦值可表示為：

式中，‖ ‖·2表示L2 范數的內積，Wcos(·)表示加權余弦。

1.2 算法流程

YOLOv3[15-16]由YOLO 算法改進而來，其通過不斷優化自身及其他模型的優點，將回歸思想輸入整張圖像以得到目標的位置與類別，進而實現端對端的目標檢測。該算法將輸入信息分成s×s的網格，利用網格中目標的坐標來實現檢測。這一過程會形成B個邊界框，其預測位置信息與準確度的乘積即為置信度，可表征如下：

式中，con 表示置信度；P(object)表示目標可能性，若網格中包含該目標，其值為1，否則為0；為邊框準確度，當該值為1 時，表示真實標注框與預測框為重合狀態。

設P(class)為網格預測類別class 的概率，為了得到邊界分類信息，計算出置信度評分的概率如下：

在模型訓練的過程中，按照高低順序對置信度進行評分，將小于閾值的得分設置為0，應用非極大值置信度刪除重復度較高的數據，并保留評分大于0的數據。再采用多尺度融合方法進行目標檢測，對輸電工程的位置和類別加以預測，從而提高檢測準確度。

在對輸電工程質量進行檢測時，使用目標檢測技術識別工程的優劣，保證多尺度目標檢測準確率。檢測的算法流程，如圖1 所示。采集輸電工程的實時檢測圖片并提取單幀圖像，且將其輸入至目標識別模型中，統計檢測到的目標數量，進而實現工程質量的檢測與分析。

圖1 輸電工程質量檢測算法流程

1.3 改進目標檢測網絡結構

當輸入的數據數量越多時，訓練過程中將出現梯度消失等問題，此時可利用殘差網絡進行調和，并通過對比殘差和前后的特征，提取到圖片的特征信息。YOLOv3 使用多尺度融合方法可提高圖片的檢測效率。在進行輸電工程質量檢測的過程中，采用K-means 算法聚類分析時存在目標普遍較小的問題。因此為了提高檢測的實時性，在目標檢測模型中加入了輸電工程的位置及類別，以使其適應檢測。

2 輸電工程質量智能檢測與分析

2.1 圖像非線性自適應增強

在采集輸電工程圖像時，圖像質量會受到雨雪、大霧等天氣的影響，造成其灰度值偏低和有效信息丟失等情況。針對上述情況，需進行非線性自適應增強處理以提高圖像的質量，該處理流程如圖2所示。

圖2 非線性自適應增強算法流程

為提高圖像的對比度，則采用指數增強函數對圖像進行處理，該函數可表示為：

式中，Iin表示歸一化灰度值，其值在0～1 之間；T(·)表示圖像灰度函數；p表示灰度常數，其定義如下：

其中，c1、c2為常數，可根據實驗測試得到；ε表示誤差常數；Iave是邊框準確度的均值。

為了提升輸電工程圖像的質量，基于圖像的位置領域信息，選取高斯雙邊函數計算其均值信息。再利用卷積算法對輸電工程驗收圖片進行濾波處理，并保留在濾波過程中殘留的邊緣信息。

2.2 Faster-RCNN算法改進

為提高算法的實用性，對傳統的Faster-RCNN算法進行改進，即在特征層中添加高層語義，將FPFRCNN（Feature Pyramid-Faster Regions Convolutional Neural Networks）模型嵌入至密集連接結構內代替傳統的感興趣區域（Region of Interest，ROI）池化，以建立輸電工程質量檢測算法，并擴展算法的適用性。該算法的關鍵點在于特征金字塔的有效連接，可體現各數據層之間的空間特征；而對于池化層而言，則需連接ROI Align 層與預測層。算法需要通過壓縮金字塔結構以及修改Dense Net 的網絡結構，進而壓縮兩個神經元之間的間隙，并對相鄰神經元的精度進行重新校核，再建立特征塔網絡結構，從而完成數據的采樣分析。該結構建立流程如圖3 所示。

圖3 金字塔網絡結構構建流程

對于輸入且存在瑕疵的輸電工程質量圖片，首先需利用卷積算法識別該工程中質量不佳的特征塊；并采用Softmax 激活函數計算出該特征點屬于低質量特征的概率；然后確定候選區域，剩下的區域則傳遞至目標建議區域，以此進行初步分類和定位；接著將目標數據傳入到池化層，獲得目標建議塊后再輸入后續邊框區域；最終，利用邊框回歸函數達到識別低質量特征的目的。

2.3 模型訓練

在測試實驗中，從不同的位置搜集輸電工程的驗收圖片作為數據樣本集。經過顏色空間轉換，去除復雜背景且僅保留存在質量不佳特征的有效圖片。將圖像尺寸歸一化為600×500 像素，為了便于卷積神經網絡對圖片中含銹蝕的特征塊進行提取，需對經過數字圖像處理的所有圖片實現人工標注。標注采用了LabelImg 作為一個可視化的圖像標定工具。對目標圖像進行標注后會生成相應帶標簽的xml 文件，且遵循PASCAL VOC 的格式。標注的形式為采用矩形框對圖像中所有含銹蝕區域的部分進行標注。數據集則使用VOC2007 的制作格式，其包含圖片、標簽、集合共三個文件夾，最終得到部分數據集。

3 算例分析

算例分析在硬件環境為Ubuntu16.04 64 位操作系 統、i5 處理器、主 頻2.8 GHz、8 GB RAM 內 存、RTX2060 顯卡、6 GB 獨顯的環境下測試完成，開發環境為Tensorflow1.12.0+OpenCV3。同時，經測試將迭代次數根據實際情況設置為50 000 次；圖片大小統一設置為20 像素，即每20 次輸出一次Loss 值；學習率為0.000 1，權重衰減率是0.000 5，非極大值抑制前后候選區域的個數分別是6 000 個和300 個，處理時間則為3.5 h。

該次測試將圖片分為四類：輸電工程質量極好、較好、一般及較差像素的數目。由于在電力輸電工程行業中，項目類型與質量的評價標準、方向不一，且無人機在巡檢過程中所拍攝的圖像呈現多角度、多方向的特點，其遠近程度也各不相同。由此得到的目標檢測模型具有對真實場景下質量工程的識別能力，故可用來檢測模型在該環境下的適用性與實時性。然而不同的銹蝕部分拍攝的角度及所攝背景也存在較大差異，進而可分別檢測輸電工程的主要類別和工程施工難度，最后再統計檢測效果。根據測試結果評價檢測效果，評判標準采用正確率、錯誤率、召回率以及部分漏識別率（圖片中存在銹蝕區域未識別的部分也記為漏識）。統計結果如表1所示。

表1 銹蝕圖像的檢測結果

從表1 可以看出，經過檢測得到的目標網絡對于實際巡檢過程中所獲得的輸電工程質量極好的圖片正確率高達84.19%，錯誤率為10.08%，其漏識別率為5.73%。由此說明，目標檢測模型在一定程度上具有較優的檢測效果。

為驗證所述方法的有效性，在不同的算法框架下對該數據樣本進行測試，通過更改損失函數的種類定位目標數據的位置。不同類別下的測試結果，如表2 所示。由表2 可知，在Logistic 情形下L1 損失函數的AP 值最高，且高達98.78%

表2 損失函數驗證

在Logistic 情形下利用平滑L1 損失函數進行交叉驗證，且設置多組樣本數據來進行驗證，進而檢測輸電工程質量的優劣，并進行精確度對比。基于YOLOv3 的輸電工程質量檢測對比結果，如表3 所示。從表中可看出，所提方法的輸電工程質量檢測在目標檢測與識別精確度方面均展現了更優的性能，且實時處理時間最短，目標識別精度高達99.35%。

表3 故障缺陷識別精度對比

4 結束語

該文研究了基于YOLOv3 的輸電工程質量智能檢測與分析技術，通過監控到的輸電工程現場圖片實現工程質量的檢測與分析。此外，該方法還縮短了處理速度并且提升了檢測精度。算例分析表明，與Xception 等方法相比，YOLOv3 算法具有更優的檢測速度及精度。但針對于極端惡劣天氣環境，該算法仍存在檢測效果不佳的現象，故還需進一步完善數據處理和改進算法，以提高其普適性與實用性。