基于深度学习的架空线路关键部件典型缺陷识别研究_陈剑波.pdf

测控技术2023 年第 42 卷第 7 期模式识别与人工智能收稿日期:2022 10 14基金项目:国网新疆电力有限公司科技项目(5230BD220001)引用格式:陈剑波，唐锐，姚平，等 基于深度学习的架空线路关键部件典型缺陷识别研究 J 测控技术，2023，42(7):22 28CHEN J B，TANG，YAO P，et al esearch on Typical Defects Identification of Key Components of Overhead Lines Based onDeep Learning J Measurement Control Technology，2023，42(7):22 28基于深度学习的架空线路关键部件典型缺陷识别研究陈剑波，唐锐，姚平，张赛飞，廖林(国网新疆电力有限公司巴州供电公司，新疆 库尔勒841000)摘要:为了精确识别定位架空线路中关键部件的缺陷情况，提出了一种改进的 YOLOv3 检测方法，首先采用 epVGG 模块替换骨干网络 Darknet-53 中的残差单元，加快推理速度;其次通过改进损失函数，引入 SIoU 使模型训练更快，精确率更高;最后通过改进检测头，采用不同的分支进行计算，提升检测效果。实验结果表明，改进方法与 YOLOv3 相比，精确率提高了 3 4%，召回率提高了 2.6%;性能相比于 SSD、Faster-CNN 网络模型也具有一定优越性。关键词:YOLOv3;目标检测;epVGG;SIoU;架空线路巡检中图分类号:TP391 4文献标志码:A文章编号:1000 8829(2023)07 0022 07doi:10 19708/j ckjs 2023 07 004esearch on Typical Defects Identification of Key Components of Overhead LinesBased on Deep LearningCHEN Jianbo，TANG ui，YAO Ping，ZHANG Saifei，LIAO Lin(State Grid Xinjiang Electric Power Co Ltd Bazhou Power Supply Company，Korla 841000，China)Abstract:In order to accurately identify and locate the defects of key components in overhead lines，an im-proved YOLOv3 detection method is proposed Firstly，the epVGG module is used to replace the residual unitin the backbone network Darknet-53 to speed up inference Secondly，by improving the Loss function，SIoU isintroduced to make the model training faster and improve the accuracy Finally，by improving the detectionhead and using different branches for calculation，the detection effect is improved The experimental resultsshow that compared with YOLOv3，the improved method improves the precision rate by 3 4%and the recallrate by 2.6%，it also has certain advantages compared with SSD and Faster-CNN network models in per-formanceKey words:YOLOv3;target detection;epVGG;SIoU;overhead line inspection架空线路是输送电力的重要纽带，确保架空线路安全对于电力系统安全稳定运行意义重大。绝缘子、悬垂线夹和均压环等金具是架空线路中常见的部件，由于长期暴露于外部自然环境下，这些部件难免会出现缺陷从而产生隐患，威胁电力系统安全稳定运行，因而需要定期巡检来确保电能持续供应和架空线路安全运行。现有巡检方式主要包括人工巡检、直升机巡检1、机器人巡检2、无人机巡检3 4 等。目前国内架空线路巡检模式主要为无人机巡检结合人工辅助巡22检方式，通过给无人机设定航线对架空线路进行巡检，对无人机回传的图像进行人工甄别，或者将无人机取得的影像数据上传服务器，服务器再采取深度学习方法对架空线路影像数据进行甄别，在人力物力上投入较大。当前基于深度学习的目标检测方法大致可以分为基于候选区域的两阶段目标检测方法和基于回归的单阶段目标检测方法。基于候选区域的两阶段检测方法有-CNN5、Faster-CNN6、Mask-CNN7 等，这类检测方法精度较高;基于回归的单阶段检测方法有YOLO8 10、SSD11 等，这类检测方法具有更快的处理速度。在满足检测精度要求下，由于基于回归的单阶段检测方法检测速度更快，因此其在实际应用中使用更加广泛，适用于实时性要求高、需要快速检测的场景。基于深度学习方法，国内外许多学者对架空线路关键部件检测进行了研究，文献 12 提出了一种改进的单级多框检测器模型对架空线路部件进行检测，在SSD 模型中使用改进的斥力损失函数，对于小目标和密集目标取得了较好的检测效果。文献 13通过引入注意力机制和空间金字塔结构，改进了特征提取网络，提出了一种基于 YOLOv3 改进的绝缘子缺陷检测算法，提升了模型的特征表达能力。文献 14以YOLOv3 为框架，提出了基于最小凸集的损失函数，同时以基于最小凸集的预测框选择代替非极大值抑制处理，能有效检测识别架空线路中多种典型的缺陷和故障。文献 15以 VGG-16 作为骨干网络，在倒数第二个全连接层 FC7 提取金具的深度特征向量后利用主成分分析(Principal Component Analysis，PCA)实现降维，基于全局混杂平衡原理进行特征和标签的匹配学习完成分类，进一步提升了金具缺陷识别精度。考虑到架空线路中关键部件缺陷的多样性，并针对检 测 精 度 不 高 的 问 题，本 文 提 出 了 一 种 改 进YOLOv3 的架空线路常见缺陷检测方法。1YOLOv3 检测原理YOLOv3 整体设计采用编码器 解码器架构来进行特征提取，Darknet-53 网络结构设计借鉴了残差结构的思想，在网络加深的同时避免了梯度爆炸和梯度消失等问题16，Darknet-53 共有 53 层，其结构如图 1所示8。YOLOv3 在 COCO 开源数据集上取得了较好的效果，但是在架空线路关键部件检测问题上，需要进行相应的改进。为解决上述问题，本文在 YOLOv3 基础上进行优化，提出了一种基于 YOLOv3 的架空线路关键部件识别算法，通过实验和测试，验证了改进算法的有图 1Darknet-53 网络结构效性。2改进模型网络 ep-YOLOv3主要改进思路如下:对 YOLOv3 的骨干网络进行改进，融合 epVGG 网络，节省内存;采用 SIoU边界框回归损失函数，有效降低回归的自由度，加快网络收敛;采用更加简洁高效的解耦头，维持精度并加快解耦速度。2 1骨干网络改进YOLOv3 网络有着更高的精度，但由于使用较多的分支结构，会明显增加内存消耗，降低推理速度，不利于模型推理。VGG 网络属于直筒型结构，由于只使用 3 3 卷积核，且没有分支结构，运算并行度更高。Ding 等17 提出的 epVGG 网络结构，通过结构重参数化，实现了在训练阶段的网络多分支训练，以强化模型特征提取能力，并在推理阶段进行网络分支合并，以加快模型推理速度。用 SiLU 激活函数代替原 epVGG网络中的 eLU 激活函数，收敛更快。epVGG 网络训练和推理模型如图 2 所示。网络的训练模型如图 2(a)所示，通过 3 3 卷积核、1 1 卷积核分支及 Iden-tity 残差连接构成多分支结构，能有效缓解梯度消失等问题，让模型更快收敛。网络的推理模型如图 2(b)所示，通过多个 3 3 卷积和多次 SiLU 激活函数堆叠，形成直筒型结构，加快了模型推理速度。通过结构重参数化方法实现训练模型到推理模型的转化:将卷积层和批归一化层进行融合;通过填充等效方式将卷积核转化为 3 3 卷积核，从而将卷积层都变为 3 332基于深度学习的架空线路关键部件典型缺陷识别研究大小的卷积核;合并所有 3 3 大小的卷积核，即将分支的权重和偏置叠加到一个 3 3 卷积核之中，并由此卷积核进行模型推理。图 2epVGG 网络训练和推理模型为满足实际需求，本文引入改进后的 epVGG 网络作为骨干网络，加强特征提取能力，减少信息损失，同时加快推理速度，便于部署到无人机上。改进后的网络整体结构如图 3 所示。图 3改进后网络结构图2 2SIoU 函数改进CIoU18、DioU18、GIoU19 等都没有考虑到所需要的真实框与预测框之间的不匹配的方向，导致收敛速度慢且训练效率低，为此 SIoU20 被提出，其考虑了回归之间的向量角度，重新定义了惩罚指标。SIoU 损失函数由 4 个成本函数构成。第1 部分是角度成本函数，其计算方法如图4 所示。图 4角度成本函数计算方法图 4 左下角为预测框，右上角为真实框。角度成本函数计算公式如下:=1 2 sin2 arcsin(x)4x=Ch=sin()=(Bgtc，x Bc，x)2+(Bgtc，y Bc，y)2Ch=max(Bgtc，y，Bc，y)min(Bgtc，y，Bc，y)Cw=max(Bgtc，x，Bc，x)min(Bgtc，x，Bc，x)(1)式中:为后续计算距离成本函数的组件;x 为角 对应的正弦值;为真实框中心点和预测框中心点之间的欧氏距离;Ch为真实框中心点纵坐标 Bgtc，y与预测框中心点纵坐标 Bc，y之差的绝对值;Cw为真实框中心点横坐标 Bgtc，x与预测框中心点横坐标 Bc，x之差的绝对值。第 2 部分是距离成本函数，定义如下:=t=x，y(1 et)x=(Bgtc，x Bc，xcw)2y=(Bgtc，y Bc，ych)2=2(2)式中:ch和 cw为预测框和真实框最小外接框的高度和宽度。当预测框和真实框之间的角度 趋近于零时，距离成本函数的贡献大大降低;相反，越接近/4，距离成本函数贡献越大。为衡量预测框与真实框之间距离接近程度的参数，为被赋予时间优先的距离值。当 趋近于零时，距离成本函数趋近于一个常数。第 3 部分是形状成本函数，其计算公式如下:42测控技术 2023 年第 42 卷第 7 期=t=w，h(1 et)w=w wgtmax(w，wgt)h=h hgtmax(h，hgt)(3)式中:wgt和 hgt为真实框的宽和高;w 和 h 为预测框的宽和高。的值决定了形状成本函数的大小，根据数据集不同，其取值也不同。的值是形状成本函数中非常重要的一项，它控制着对形状成本函数的关注程度。如果 的值设置为 1，它将立即优化一个边框，从而损害边框的自由移动。此处参考文献 20的作者建议，设置为 2 6 之间的一个值。第 4 部分是交并比(Intersection over Union，IoU)成本函数，其计算公式如下:LIoUCost=1 II=BBgtBBgt(4)式中:I 为 IoU;和传统 IoU 函数类似，B 为预测框大小;Bgt为真实框大小。最终得到边框回归损失表达式如下:Lbox=1 I+2(5)2 3检测头改进检测头的设计已经在目标检测和目标分类的网络中被验证有效。检测有着分类任务和定位任务