基于改进型YOLOv4的输电线路绝缘子识别与故障检测

胡梦雪, 王勇

(上海电力大学,计算机科学与技术学院,上海 200120)

0 引言

随着无人机巡检的普及,电力巡查逐渐从人力巡检中摆脱出来。现如今更换成机器巡检后,由于技术手段单一、电力设备所处的复杂环境等,如果输电线路出现故障,依然会存在线路难识别定位、故障漏检等问题。虽然无人机巡检是对传统人工巡检的技术提升,但是巡检精度下降后就会导致人力消耗的增加[1]。

绝缘子所处环境在户外,极易发生绝缘子串破损、漂浮悬挂物等问题,从而导致绝缘子的闪络或严重放电,对电网的安全稳定运行产生干扰。因此,一旦发现绝缘子瓷瓶发生脱落、破损或者金属销出现锈蚀状态将会为工作人员提供预警,让工作人员及时更换绝缘子[2]。

随着人工智能技术的发展,近年来有不少研究者将深度学习算法应用到电力系统的检测,特别是故障检测。孙叶等[3]将深度学习算法应用到电力变压器的故障检测中,实现了较优的实时识别。目标检测算法YOLO[4]是近年来深度学习领域特别受关注的检测算法,它将目标领域预测和目标类别预测合二为一,将目标检测任务看作目标领域预测和类别预测的回归问题,实现了端到端的物体检测。杨波等[5]提出了实时目标检测模型,能够实时地检测到鸟巢位置,但该模型在测试过程中出现了预测尺寸框过大、部分漏检等问题。ZHAO等[6]使用了深层卷积神经网络对绝缘子红外图像进行检测,但红外图像拍摄的这种方式可能会增加巡检的计算量。张子健等[7]提出的图像检测方法是在不同场景下准确定位绝缘子区域,通过逐片对比避免了图像一致性差的问题。这为本文提出的绝缘子识别和故障检测提供了启发。若将该方法应用到绝缘子识别和故障绝缘子检测中,那么图像轮廓必然会增大一定的计算量,数据量上不可行。张焕坤等[8]使用密集连接网络实现了绝缘子图像的特征复用和融合,识别速度快、准确率高,为本文提供了思路。

1 问题分析

本文提出一种方法既可以实现复杂环境下输电线路上绝缘子的识别,又能够在无人机巡检过程中精确地检测到绝缘子的故障。考虑到原有的算法适用于检测小目标物体,在原有的网络结构中加入注意力机制算法,可以更好地提取到小目标特征进行特征融合。经过数据集的准备和算法研究,得到大致的算法训练流程,如图1所示。

图1 算法训练流程

2 改进的YOLOv4模型

2.1 YOLOv4算法原理

YOLOv4算法采用深层卷积神经网络,吸收了当前很多经典卷积神经网络架构的优秀思想,比如Faster R-CNN[9]、Mask R-CNN[10]等。该算法运行速度快,在位置检测和对象的识别方面性能达到最优,其平均精度均值(mAP)在VOC数据集上达到63.4%检测率的情况下还能进行实时检测,尤其是加强了对小物体的识别能力,这个特点与绝缘子故障检测的应用非常契合。

2.2 YOLOv4网络结构的改进

YOLOv4在COCO数据集上的实验结果与EfficientDet、YOLOv3相比,在实时检测标准上(大于30帧/s的条件下),算法的精度有不小的提升,同时速度略有减慢。但对于复杂环境下遮挡或重叠的绝缘子,检测精度有待提升。

为了实现绝缘子特征的提取,本文算法模型借鉴了注意力机制CBAM思想,在Neck模块的CBL×5卷积层中加入注意力机制,使得CBL×5输出部分能传递更精确的卷积特征,实现绝缘子特征的提取。注意力机制结构如图2所示。

图2 CBAM网络结构

另一方面,为了获取更多的特征,本文模型借鉴了特征融合的思想,在Head板块的输入部分CBL前加入上采样,实现绝缘子多特征的获取。在原有网络结构基础上需要改进的部分以及改进后的部分如图3所示。

(a) 原有结构

3 实验过程

3.1 绝缘子数据集的扩增与标注

本文的训练数据很少,采用公开数据集得到的初始图像集仅有648张,因此使用影视分割算法和卷积网络U-Net对原始图片进行分割处理和更换背景来获取更多的训练样本(见图4)。

(a) 扩增样本1

本文使用了图片标注工具LabelImg对绝缘子的数据集进行标注,主要分为两大类:绝缘子和绝缘子的故障类型。将图片中所有的绝缘子标注为“insulator”;将图片中的破损绝缘子标注为“defect”;将图片中绝缘子上的悬挂物标注为“hang”。具体的绝缘子样本标注情况如图5所示,每张图中均含有对应的标签。

(a) 悬挂物绝缘子样本标注

3.2 k-means聚类算法

YOLOv3中通过聚类COCO数据集得到9个anchor,其VOC数据集包含20类目标。类似地,本文的数据集包含3类目标,分别是绝缘子、带悬挂物绝缘子和破损绝缘子。使用模型CBAM-YOLOv4聚类本文的绝缘子数据集,计算出对应的边框,提高了边框的检出率。

3.3 目标检测模型的训练

使用改进后的YOLOv4网络进行了训练,当模型收敛后,在训练的数据集上对其进行测试。实验中的网络训练参数为:① 激活函数为Mish;② 优化器为Adam;③ 迭代次数Epochs为300;④ BatchSize(每个Batch中训练样本的数量)为8;⑤ 学习率设置为0.01。

共获得1193张可供训练的绝缘子图片,每一张绝缘子图片中包含一串或多串绝缘子,并且绝缘子上带有悬挂物或破损的情况。将绝缘子和两种故障类型的绝缘子数据集按照6∶1划分,其中,训练集约占85.7%,测试集约占14.3%,即从总数据集中随机选取200张图片作为测试集,最终的标注结果共产生1193个标签。

实验环境是在Windows系统下进行配置的,具体的实验环境配置如表1所示。

表1 实验环境配置

本次实验的性能指标有mAP、准确率P、召回率R、F1score和帧率(帧/s),如图6所示。3种模型的实验结果性能指标对比如表2、表3所示。

表2 3种模型主要性能指标比较

表3 3种模型绝缘子分类其他性能指标比较

图6 3种模型检测效果比较

由实验得出,加入注意力机制后实现了绝缘子图像的特征提取,减少了特征信息的流失,检测精度有了很大的提升。同时,YOLOv4的neck部分采用了PANet中的特征金字塔增强模块,用于增强Backbone提取的特征。加入SPP结构后,网络结构会对绝缘子是否存在悬挂物和破损的情况进行识别和预测,检测速度得到了很大的提升。

3.4 模型的检测效果

图7为模型的检测效果。从图7可以看出,本算法可以有效地检测到绝缘子的位置,还能够判断绝缘子是否存在悬挂物或破损的情况,这可以极大地帮助巡检人员通过直观结果来排查绝缘子故障。

4 总结

YOLOv4是一种有监督的深度学习网络,对于训练数据集的数量和质量都有较高的要求。本文在实验中花费了大量时间在模型的调整上,希望基于半监督或无监督的深度学习方法可以应用在今后的训练工作中能够节省大量的时间。同时,更轻量级的神经网络算法模型适应于检测微小物体,也更适用于移动设备的场景中,这或将成为无人机巡检作业的未来研究方向。