面向电网人员智能调度的实景巡检算法

孙丽丽，翟 启，张延童，翟洪婷，张庆锐

(国网山东省电力公司信息通信公司，山东 济南 250001)

输电线路系统作为当今社会最复杂、最庞大的人工系统之一，合理的电力维修人员调度成为了保障高压供电安全、维护电力系统正常工作的基本前提[1]。绝缘子缺陷作为输电线路故障的主要原因，因其出现区域随机性、故障面积不定性等特性，维修人员难以合理有效地进行调度。可能会发生“严重故障点处找不到人、正常点或小故障处挤满人”的情况，导致调度人员资源严重浪费。因此及时精准进行绝缘子缺陷检测是合理调度维修人员的重要前提。同时，由于实景巡检技术可以充分利用移动巡检设备(如无人机、无人车)或者固定巡检设备(如固定摄像终端等)进行实景图像采集，充分获得检测目标的特征信息，增加对目标的检测精度，故实景巡检技术在电力巡检方面具有巨大的优势，结合实景巡检的绝缘子检测技术成为目前精准调度绝缘子维修人员的主流方法。

随着深度学习技术的不断发展，实景巡检设备与深度学习算法的融合被广泛应用在各种电力和通信场景中[2，3]。当前常见的基于深度学习的目标检测算法主要分成两阶段算法和单阶段算法两大类。比如常见的两阶段检测方法有区域卷积神经网络(Region convolutional neural network，RCNN)[4]，Fast-RCNN，Faster-RCNN[5]和Mask-RCNN[6]。这类方法首先通过区域建议策略(Region proposals strategy，RPS)生成若干目标候选区域，进行特征提取后利用支持向量机识别目标类别，最后输出图像中的目标类型并标记其位置。文献[7]基于Faster-RCNN结构，引入正则化方法优化参数权重，提高对绝缘子缺陷检测的精度和准确度，但这种方法先经过候选区域生成网络提取目标潜在位置，再进行检测识别，在一定程度上制约了检测速度。而单阶段目标检测方法包括You only look once[8](YOLO)方法和Single shot multibox detector[9](SSD)方法。与两阶段方法相比，单阶段目标检测方法利用深度卷积神经网络提取的特征直接对目标进行识别和定位。文献[10]将SSD原有VGGNet网络换成残差网络(Residual network，ResNet)，提高对缺陷特征的提取能力，但是漏检率仍较高。文献[11]提出将最小凸集和预测框选择方法相结合的YOLOv3框架，并加入单分类器，在高维空间进行小样本学习，大大提高对绝缘子缺陷检测的精准度，但检测速度降低明显，不利于运用于实时检测。文献[12]使用YOLOv5模型对绝缘子缺陷进行检测，尽管检测速度得到了提升，但是检测精度并不高。

针对上述问题，本文提出在原本的YOLOv5l模型的骨干网络中加入注意力机制，提高对重要特征的提取能力。特征融合网络中使用双向特征金字塔网络(Bi-directional feature pyramid network，BiFPN)结构代替原本金字塔注意力网络(Pyramid attention network，PAN)结构，提高了特征融合能力。使用结合距离交并比损失的非极大值抑制(Non-max suppression using distance intersection over union，DIoU-NMS)代替原本的非极大值抑制(Non-max suppression，NMS)进行检测，提高了后续分类网络的识别准确率。最后进行相应的试验验证。

1 YOLOv5网络模型

YOLOv5是Ultarlytics LLC公司基于YOLOv4[13]改进的版本，在准确性以及检测速度上都表现优秀。根据网络深度和宽度的不同，YOLOv5共有4个 版 本:YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x。本文充分考虑精准度和检测速度两方面因素后，决定选用YOLOv5l版本作为本文方法的基础网络模型。

YOLOv5的网络模型主要分为4个部分，分别为输入端、骨干网络、特征融合网络和预测端，其网络结构如图1所示。

(1)输入端:输入端沿用YOLOv4的Mosaic数据增强方式，通过随机缩放、随机裁剪、随机排布的方式进行图片拼接，丰富了检测数据集，增加了网络的普遍适用性。

(2)骨干网络:YOLOv5的骨干网络含有Focus结构和跨级部分网络(Cross stage partial network，CSP)结构。Focus结构通过切片操作对尺度为640×640×3的输入图片进行裁剪，接着经过一个通道数为32的卷积层，输出一个320×320×32的特征映射。但是，CSP结构对于小特征提取能力并不强，容易造成小目标漏检。

(3)特征融合网络:特征融合网络使用了特征金字塔网络(Feature pyramid network，FPN)＋PAN结构。FPN是自上而下的，采用上采样的方式对信息进行传递融合，获得预测特征图，PAN采用自底向上的特征金字塔，传达强定位特征，两者同时使用加强网络特征融合能力。但是，FPN＋PAN只是进行简单的双向融合策略，对同层特征重要性并没有很好地区分。

(4)预测端:Prediction包括边界框(Bounding box)损失函数和NMS。YOLOv5通过使用通用交并比损失(Generalized intersection over union loss，GIoU loss)作为回归边框的损失函数，解决边界不重合问题，使用加权NMS剔除重复冗余的预测框，保留置信度最高的预测框信息，完成目标检测过程，但是GIoU loss会出现训练过程中发散的问题，使目标框回归不稳定。

图1 YOLOv5结构图[14]

2 算法描述

2.1 改进后的网络模型结构

考虑到绝缘子缺陷较小，传统YOLOv5网络识别度不高，本文在骨干网络中的CSP1_3和CSP2_1位置加入注意力机制模块，提高对重要特征的提取能力。在特征融合网络中，使用BiFPN结构代替原本的PAN结构，引入横向通道，通过权重计算更好地平衡各个特征之间的关系，得到更好的特征融合效果。具体方案是:在YOLOv5的第2个通道拼接模块中添加第一层注意力机制的输出特征图以及在第3个通道拼接模块中使用第二层注意机制后通过CBL模块后的输出特征图，添加后的特征与原本要融合的特征进行按点逐位相加操作。最后本文使用DioUNMS代替原本的NMS，通过引入边界框与真实框之间的中心点作为判断，加速收敛过程，提高后续分类网络的识别准确率。本文将改进的YOLOv5l模型命名为DSE-YOLOv5(Double squeeze and excitation-you only look once version 5)，整体结构如图2所示。

图2 DSE-YOLOv5整体结构图

2.2 双层注意力机制

针对传统骨干网络对绝缘子缺陷特征提取能力不强的问题，本文在骨干网络的CSP1_3和CSP2_1的位置分别加入注意力机制模块[15]，构成一种针对缺陷特征的双层注意力机制，用于强化含有重要信息的通道特征，提高对重要特征信息的提取能力。注意力机制模块的工作原理如图3所示，首先对输入特征图(H×W×C)进行全局池化，池化窗口大小为(H×W)，通道数不变，输出为(1×1×C)的特征描述，H、W、C分别为特征图的高、宽和特征通道数，计算过程如式(1)所示

式中:k∈(1，C)表示第k个通道，u k为经过二维空间卷积后的输出，z k为经过通道压缩后对应输出。

然后经过两个全连接层，分别具有个C/r神经元和具有C个神经元，从而更好地拟合通道间复杂的相关性。最后通过sigmod激活函数得到一个输出为(1×1×C)权重因子并与原本的输入特征图相乘，获得不同比重的输出特征图，相关计算如式(2)和式(3)所示

式中:z=(z1，z2，…，z C)为经过通道压缩后所获得的全局信息，S=(s1，s2，…，s C)为通道激励操作的输出，s k表示第k个通道中的激励操作输出值，δ表示Relu函数，W1、W2为两个全连接层的系数，其中，r为缩放参数，用来降低网络的计算复杂度和参数量，U=(u1，u2，…，u C)为尺度缩放时输入到各通道的初始权重。

图3 注意力机制结构图

2.3 使用BiFPN结构

传统的YOLO5在特征融合网络中采用了PAN的结构。此结构虽然可以将高层特征图的强语义信息与低层特征图的定位信息进行双向融合，但融合时是将不同层级的特征直接相加，并未考虑它们最后输出贡献不等的问题。为了解决PAN中出现的输出贡献不等问题，使网络融合更加高效，本文提出使用BiFPN[16]替换PAN。BiFPN引入了横向通道，通过权重计算更好地平衡不同尺度的特征信息，提高了特征融合能力，具体工作原理如图4所示。为了与YOLOv5的3种输出特征保持一致，本文使用了BiFPN结构中的p3、p4和p7这3个节点作为输入特征节点，记作为，，，相关计算过程如式(4)所示

式中:ωi(i=1，2)是自适应权重因子，其它公式符号含义与式(4)中的定义一致。

图4 BiFPN结构

2.4 DioU-NMS检测

NMS是目标检测常用的后处理算法，用于剔除冗余检测框。但是传统的NMS只考虑两个框的重叠面积，对边界框与真实框重叠关系的描述不够全面，时常会产生错误的抑制。因此本文选取DIoU-NMS[17]来代替原本的NMS，DIoU-NMS将边界框和真实框之间重叠的面积和中心点距离共同作为对冗余框的剔除标准，加快了收敛速度，提高了检测精准度，其公式如下

式中:s i是不同类别的评分；M为得分最高的边界框；IoU表示边界框和真实框的交并比；ε是设置的NMS的阈值；RDIoU(·)表示DIoU惩罚因子，具体公式如下

式中:ρ2(b，bgt)表示边界框和真实框中心点之间的距离，c2表示两个框的最小外接矩的对角线长度。

2.5 基于DSE-YOLOv5检测结果的人员调度算法

由2.2、2.3、2.4可知，DSE-YOLOv5结构成功解决原本YOLOv5中存在的绝缘子缺陷识别度不高问题，为电网人员调度提供有效检测前提。因此，本文基于DSE-YOLOv5检测结果，提出一种维修人员调度算法，用来解决当前面临的绝缘子维修人员调度不充分的问题，具体调度步骤如下。

(1)实景巡检设备通过DSE-YOLOv5模型把检测出缺陷的绝缘子缺陷图片实时回传，并在回传的缺陷图片上标注缺陷位置、缺陷识别置信度、以及拍摄区域的位置信息。

(2)根据回传图片中的缺陷置信度和缺陷位置受损大小，输电线路监测人员进行受损情况分类，将置信度小于设定阈值以及受损程度较小的绝缘子所在区域记作一般受损情况；反之，对置信度大于设定阈值或者受损程度严重的绝缘子所区域，记作紧急受损情况。

(3)对于一般受损情况，监测人员会自动将这一区域的位置信息记入后台并发出预警。若当前维修人员紧张，事件后移；若当前人员充足，经过调度人员确认后，派遣相关人员去维修。

(4)对于紧急情况，检测人员会将回传图片以及DSE-YOLOv5的判断信息发送给维修人员进行进一步确定。如果维修人员对设备受损程度存在质疑，监测人员会给巡检设备下达回传指令，巡检设备收到此指令后，会对绝缘子缺陷位置进行多方位拍摄，并将拍摄结果进行二次实景回传，等待维修人员再次确认；如果维修人员确认此输电线路绝缘子受损严重，检测人员会下发紧急调度指令，并调度相关的绝缘子维修人员进行现场维修。

3 试验结果与分析

3.1 试验环境

为了验证改进的YOLOv5l框架对绝缘子缺陷识别的可行性和准确性，将此算法集成在PyTorch深度学习框架中，在NVIDIA GeForce RTX 3060 Laptop GPU显卡上完成训练及测试，相关配置如表1所示。

表1 试验环境配置

3.2 数据来源及相关准备

本文试验采用的数据集主要来源于中国电力绝缘子数据集(China power insulator data，CPLID)[18]，这个数据集包括无人机捕获的正常绝缘子图像以及合成的具有缺陷的绝缘子图像两部分。考虑到这个数据集的缺陷图像均为人工合成，并没有真实绝缘子缺陷图像，本文添加了40张不同场景的真实缺陷绝缘子图片进入这个数据集。因此，本文采用数据集图像包括600张无人机航拍的正常绝缘子图像、40张真实绝缘子缺陷图像以及248张人工合成的绝缘子缺陷图像。同时，为了提高模型的泛化性能，本文通过添加光调节、噪声、锐化等方法对数据集进行增强，增强后的样本数量为4 860。本文按照7∶3的比例，随机将增强后的数据集分为训练集和测试集，一些示例图像如图5所示。

图5 数据集中缺陷和正常的绝缘子图

由于数据集和分类种类的不同，YOLOv5的初始锚框参数[116，90，156，198，373，326]、[30，61，62，45，59，119]、[10，13，16，30，33，23]并不适合本文任务检测，所以本文采用K-means算法对初始锚框进行修正，修正的后的锚框为[116，90，156，198，373，326]、[30，61，62，45，59，119]、[10，13，16，30，33，23]。此外，本文网络模型训练所需要的超参数设置如下:迭代批量为2，衰减系数为0.000 5，总迭代次数为300次，初始学习率为0.001。

3.3 试验指标

由上文可知，本文在试验中的样本分为具有缺陷的绝缘子和正常绝缘子两部分，则试验样本的检测结果与实际情况的对应关系如下。

(1)真正例(True positive，TP):表示具有缺陷的绝缘子，判定为缺陷绝缘子，即正样本判断正确的情况；

(2)假正例(False positive，FP):表示正常的绝缘子，判定为缺陷绝缘子，即负样本判断错误的情况；

(3)真反例(True negative，TN):表示正常的绝缘子，判定正常绝缘子，即负样本判断正确的情况；

(4)假反例(False negative，FN):表示具有缺陷的绝缘子，判定为正常绝缘子，即正样本判断错误的情况。

在此基础上，本文选取了精确率、召回率、平均精度均值(Mean average precision，mAP)、F1指数和每秒传输帧数(Frames per second，FPS)这5个指标对检测结果进行评价，相关指标定义如下:

(1)精确率(Precision):表示模型分类正确的缺陷绝缘子样本占所有分类为缺陷绝缘子样本的比例，如式(8)所示

(2)召回率(Recall):表示模型分类正确的缺陷绝缘子图像占所有实际上为缺陷绝缘子的比例，如式(9)所示

(3)平均精度均值(mAP):作为网络模型精度指标，其计算方式如式(10)所示

式中:r表示[0，0.1，0.2，…，1]中11个不同级别的阈值，C表示类别数，由于本文只有正常绝缘子和缺陷绝缘子两类，故本文中C取2。

(4)F1指数(F1-measure):常用于平衡精确率和召回率，是分类模型中常用的一个综合评价指标，其计算方式如式(11)所示

(5)FPS:表示模型每秒可以预测的图像数量，用于体现模型处理速度，其计算方式如式(12)所示

3.4 试验结果

本文根据上述指标对比DSE-YOLOv5、YOLOv5l和YOLOv5x这3种算法的性能，具体对比结果如表2所示。

从表2可以看出，DSE-YOLOv5网络模型与原模型相比，在精准率和召回率、mAP以及F1指数上都有很大的提升，而模型权重仅仅只增加8.8M，FPS仅下降了2.92。其次，通过与YOLOv5x对比可知，本文算法在精准率、召回率和F1指数这3个指标上仍然具有优势，但是模型权重比YOLOV5x模型降低了67.9M，FPS提高了12.94。由此可以看出本文改进的YOLOv5l模型在保证检测速度和轻量化优势的同时，保证了对缺陷绝缘子的识别精度。

表2 性能指标对比表

为了进一步验证本文所提模型性能，本文对DSE-YOLOv5网络整体的收敛性进行了分析，图6为3种模型总的DIoU损失、目标损失和分类损失函数图，横坐标为迭代的次数，纵坐标为损失度，可以看到本文的模型损失下降速度比YOLOV5l和YOLOV5x更快，因此本文提出模型对绝缘子缺陷检测效果更好。

图6 3种模型的训练损失对比

最后，本文使用1 458张测试图片，对YOLOv5x模型和本文提出的DSE-YOLOv5进行对比分析。相关结果表明，本文的检测模型在曝光、阴暗和模糊的情况下对绝缘子缺陷定位更加精准，并且漏检和错检比例有所下降，部分检测结果对比如图7所示。

图7 DSE-YOLOv5与原YOLOv5模型检测结果对比

图7(a)从左到右分别是传统的YOLOv5模型出现的对绝缘子缺陷图片的漏检、多检、误检和对远景拍摄的绝缘子图片识别度低的情况，而DSE-YOLOv5对这些特定的情况进行改进，改进后的识别结果，如图7(b)所示。从图中可以看出，本文模型可以精准识别原模型漏检的绝缘子缺陷，并且对多检和误检情况进行修正，同时对远景识别的精准度有所增加。这些有效、精准的检测结果，为合理进行人员调度打下了有效基础。

4 结束语

针对由绝缘子缺陷检测精度不高而造成的维修人员的人力资源浪费问题，本文在原始的YOLOv5l网络基础上，对YOLOv5l进行改进，提出了基于DSE-YOLOv5的绝缘子缺陷检测方法。试验结果表明，DSE-YOLOv5的损失函数有着更好的收敛性，精准率上升了5.1%，召回率上升了2.8%，mAP提高了5.26%。

将DSE-YOLOv5网络应用到电力缺陷绝缘子检测领域，能够进一步加强对电力维修人员的合理调度，方便输电线路的管理。此外，由于DSEYOLOv5在检测绝缘子缺陷方面有着较好的检测速度和精准度，未来可以迁移到其他重要电气领域，增加电网调度的广泛性。