基于YOLOv2无人机高压绝缘子实时检测研究

王博文，刘兴东

(国网湖北省电力有限公司检修公司，湖北 武汉 430064)

1 引言

在高压输电线路中绝缘子为电力线导体提供隔离和机械支撑，对线路的安全稳定运行起着至关重要的作用。在泄漏电流大、污秽或恶劣的环境条件下，绝缘子在电气和机械应力下持续运行，很容易发生故障或损坏[1]。采用传统方法(如地面巡逻、仪表测量和爬杆等)监测高压绝缘子，可能效率低、耗时长和成本高。因此，实施基于视觉的检查，如直升机和无人机的空中检测高压绝缘子已经成为一种趋势[2]。

对于评估污秽、结冰、疏水性、老化等方面的绝缘子表面评估研究已有很多[3]，但是在评估之前，需要对绝缘子框架进行精确定位，一些研究集中在使用绝缘子的纹理或颜色特征来确定绝缘子位置；然而，航空影像在复杂背景、植被和光照条件变化下的应用面临困难，使得上述方法在该领域的应用效果不佳[3]，而深度学习神经网络技术的应用克服了这些挑战，并取得了良好的效果。

绝缘子实时检测的深度学习实现面临训练数据量有限、组件小、不平衡问题、环境杂乱等挑战[3]，本文旨在为这些问题提供有效的解决方案。

2 YOLOv2检测模型

在考虑了速度和精度之后，you only look once version 2(YOLOv2)网络更适合实时系统中建立，本文利用航空图像中的YOLO(You Only Look Once)深度学习神经网络模型来进行高压绝缘子实时检测，实现无人机实时自动监测。该架构优于现有卷积神经网络(CNN)网络的实现，如VGG、Resnet和单次多盒检测(SSD)算法。

YOLOv2模型对对象的预测原理就是基于对象在某个边框界的概率得分。在第一阶段，输入图像被分割成如图1(a)所示的S×S网格。如果目标的中心落入网格单元，则该网格单元负责检测该目标；每个网格单元预测B个边界框和这些框的置信度得分，如图1(b)所示；最后的包围盒使用非最大抑制(NMS)算法找到(见图1(c))。注意，每个边框界都有自己的置信度得分(C)，它表示包含一个对象的概率，没有对象的网格，以及低概率(置信度得分)将被删除。

图1 YOLOv2检测过程

如图1所示，图像被一个6×6的网格划分，每个网格单元的边界框预测集合数为3，由于只有一类YOLO预测将以下列形式进行:(6，6，3×5＋1)＝(6，6，16)。 YOLOv2网络与其他 CNN模型的主要区别在于能够同时进行对目标检测和分类训练。第二版YOLO在召回率和定位方面有了显著提高，但仍有准确的结果。改进是通过批量归一化、用于边界框预测的锚框、聚类和扩展特征图来实现的。

YOLOloss函数由3个主要成分组成:(1)分类；(2)定位；(3)置信度损失。分类损失表示每个单元格检测目标的概率。定位损失表示检测到的边界框位置和大小与地面真值的比较。而置信度损失则是找到的框与真实框之间的结合的交点。

3 实验结果与分析

基于Yolo2的无人机高压绝缘子检测与表面状态监测的总体流程如图2所示。利用无人机采集玻璃绝缘子数据集，该数据集由3500张大小为640×480的标记图像组成，包括植被和塔楼等背景复杂的图像。为了训练和验证YOLOv2模型，需要为每个图像形成注释。ViTBAT注释工具用于生成标签，即左上角的坐标、宽度和高度[4]。

图2 基于Yolo2的无人机高压绝缘子检测与表面状态监测的总体流程图

YOLOv2网络模型的输入是边界框的中心点，宽度和高度，对图像大小进行归一化处理，使其值位于 0 和 1 的范围内。 在{class，x，y，width，height}格式下，一些边框界位置的例子包括{0，0.5422，0.5552， 0.0625， 0.4104}， {0， 0.4727， 0.5333，0.0609， 0.4042}， {0， 0.3891， 0.4354， 0.0375，0.1125}，{0，0.3742，0.9510，0.0391，0.0896} 和{0，0.3313，0.95，0.0375，0.0958}。

为了避免因数据量不足而过拟合，采用了不同的增强技术:(1)高斯噪声:图像用白噪声大小进行缩放，按定义分布采样；(2)模糊:高斯(σ介于0～3.0之间)、平均(局部均值)和中值模糊(局部，值大小介于2～7之间)；(3)旋转和缩放:在图像边界方面，旋转和缩放的使用是相辅相成的，旋转－45°～45°，对应缩放 80～120%。；(4)加法:在 －45～45邻域像素之间添加随机值；(5)乘法:将邻域像素与随机数相乘以产生更亮或更暗的效果。如图3所示。

图3 绝缘体检测

算法1:生成图像增强的随机组合1:d e f g e n e r a t e A u g I n d(s e l f，n ＝ N o n e):2:i f n i s N o n e:3:n＝4 4:n m a x＝2∗ ∗n 5:A u g I n d ＝ [s e l f.f i l l E l e m(l i s t(b i n(x)[2:])，n，0)f o r x i n r a n g e(n m a x)]6:r e t u r n A u g I n d

数据增强技术是通过算法1随机组合多个增强器完成的。通过数据增强器处理图像后，为每张图像生成带有相应注释的标签，修改强度和噪声值的图像保持相同的标签。

(1)检测结果:数据增强后，数据集包括56000个样本。在增强之前，数据集包括3000个正样本和500个负样本。然后将数据分割为90%测试和10%验证:47600幅图像用于训练，8400幅用于测试阶段。在训练过程中，对配置文件进行了修改，使数据与定义的图层类型、过滤器大小、输入和输出图像的大小相匹配。模型的权值根据联合交集(IOU)、目标条件概率和平均召回率不断更新。图3给出了在训练好的网络上应用各种数据增强后的绝缘子检测结果。训练参数:batch＝32，subdivisions＝8，momentum ＝0.9，decay＝0.0005，angle＝0，saturation＝1.5，exposure＝1.5，hue＝0.1。 平均预测时间为0.04s，平均预测精度约为88%。此处，0.04s显示了使用无人机视频拍摄进行实时预测的能力，其准确度为88%，可用于进一步评估绝缘子的状态。

(2)比较:目前已有几种绝缘子检测方法。文献[5－7]报道的基于CNN的方法使用了非最大抑制(NMS)算法、VGG和ResNet模型，但这些方法仅适用于少量样本，计算效率低，过于复杂，无法在无人机系统中实现。文献[8]中的较快版本的递归CNN(R－CNN)和U－net只使用了620幅图像进行训练，由于采用了选择性搜索，因此计算时间相当大。近年来，文献[9－10]提出基于单次多盒检测(SSD)的级联架构和用于绝缘子检测的ResNet模型等在小目标上并不能很好地工作，需要图像块分类。最近文献[11]提出了一种用于绝缘子分割的生成对抗网络，该系统在适应性方面往往优于其他算法。但它是时间效率低，训练是耗时长，其性能取决于图像质量。较低的检测精度意味着状态监测变得不太准确，因为有些绝缘子将无法被检测并排除在评估之外，而本文提出的检测方法优于现有的所有这些技术。

(3)绝缘子表面状态评估:绝缘子定位检测后，可以对绝缘子表面状态进行评估。为了报告识别绝缘子表面状态的性能精度，我们利用无人机探测阶段获取的1000幅绝缘子图像进行了60×60像素的缩放，其中包括干净、水、雪和冰四种表面状态的绝缘子。数据分为80%的训练和20%的验证。在进行分类之前，对检测到的航空图像进行局部均值归一化去噪滤波。采用CNN、ReLu和softmax的3层神经网络(NN)、贝叶斯网络(Bayes net)、Random Forest和AdaBoost.M1等分类器对户外绝缘子状况进行分析，如表1所示，其中CNN性能最好，NN性能差。

表1 不同的分类器在清洁、水、雪和冰条件下绝缘子的分类精度

4 结论

本文提出了基于YOLOv2神经网络模型的无人机高压绝缘子实时检测的实现方法，并对清洁、水、雪、冰表面的绝缘子进行状态分类。该系统在无人机的实时情况下捕获的航拍图像上进行了测试，然后利用VitBAT注释工具手工标记数据离线训练YOLOv2模型，并使用多种数据增强工具避免训练数据过拟合。该方法可扩展用于实时多类检测，包括杆塔、杆塔和电力线的检测。