馬耀名，張 雨

（遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院，遼寧葫蘆島 125105）

0 引言

高壓輸電線路途徑地形復(fù)雜，多在山區(qū)、河流等人跡罕至區(qū)域，傳統(tǒng)人工巡檢，成本和難度都較高。隨著無(wú)人機(jī)技術(shù)快速發(fā)展，借助無(wú)人機(jī)完成電力巡線已成為趨勢(shì)［1-2］。絕緣子是高壓輸電線路重要組成部分，在電氣絕緣和輸電線路支撐中有重大作用；絕緣子長(zhǎng)期暴露室外，很易發(fā)生破損和掉串，嚴(yán)重影響電網(wǎng)安全。為了更高效、快速檢測(cè)絕緣子缺陷，借助無(wú)人機(jī)航拍快速定位絕緣子是絕緣子缺陷檢測(cè)的前提［3-4］。

傳統(tǒng)絕緣子識(shí)別方法主要是通過(guò)航拍圖像邊緣輪廓、顏色特征和機(jī)器學(xué)習(xí)方法，例如：郝艷捧等［5］提出使用Grab Cut圖論法分割提取絕緣子；黃新波等［6］先通過(guò)形態(tài)學(xué)運(yùn)算尺度小波變換以及逆變換系數(shù)特征對(duì)航拍圖像清晰化處理，再借助邊緣檢測(cè)方法提取絕緣子；苑利等［7］提出借助支持向量機(jī)算法識(shí)別紅外絕緣子圖像；姚曉通等［8］先通過(guò)Canny 邊緣特征點(diǎn)，再利用特征點(diǎn)匹配方法識(shí)別絕緣子。上述傳統(tǒng)方法雖可識(shí)別絕緣子，但需根據(jù)場(chǎng)景設(shè)計(jì)不同目標(biāo)特征，穩(wěn)定性和泛化性較差，識(shí)別準(zhǔn)確率也較低。

為了提高絕緣子識(shí)別精度，白潔音等［9］采用Faster-RCNN（Faster Region-based Convolutional Neural Network）算法［10］提取絕緣子，引入了自適應(yīng)圖像預(yù)處理、基于面積非極大值抑制和切分檢測(cè)等方法；雖可有效檢測(cè)絕緣子，但交并比（Intersection Over Union，IoU）、歸一化層等未改進(jìn)，致使絕緣子定位精度和模型訓(xùn)練效率較低。趙文清等［11］提出一種注意力機(jī)制與Faster-RCNN 相結(jié)合的絕緣檢測(cè)方法，該方法在卷積特征提取網(wǎng)絡(luò)中引入壓縮激勵(lì)網(wǎng)絡(luò)結(jié)構(gòu)［12］，使模型能夠關(guān)注與目標(biāo)相關(guān)特征通道并弱化其他無(wú)關(guān)特征通道；比原Faster-RCNN 算法更有效檢測(cè)絕緣子，但仍未對(duì)IoU 和歸一化層改進(jìn)。蔣姍等［13］提出把特征金字塔結(jié)構(gòu)網(wǎng)絡(luò)（Feature Pyramid Network，F(xiàn)PN）［14］與Faster-RCNN 算法相結(jié)合檢測(cè)絕緣子，針對(duì)遮擋絕緣子，使用軟性非極大值抑制（Soft Non-Maximum Suppression，Soft NMS）算法［15］規(guī)避不同絕緣子相互遮擋而被誤刪情況；能有效識(shí)別圖像中更小比例絕緣子，但未對(duì)交并比和歸一化層改變，若單批次訓(xùn)練尺寸較小時(shí)，模型收斂速度較慢。賴秋頻等［16］提出把邊緣檢測(cè)、直線檢測(cè)等傳統(tǒng)方法與YOLO-V2（You Only Look Once V2）算法［17］結(jié)合絕緣子識(shí)別方法，該方法可迅速準(zhǔn)確地在輸電線路巡檢圖像中識(shí)別出絕緣子；但YOLO-V2 算法損失函數(shù)、錨框等設(shè)計(jì)與YOLO-V3［18］差距較大，檢測(cè)性能不及YOLOV3。故顏宏文等［19］在YOLO-V3 算法基礎(chǔ)上改進(jìn)，針對(duì)訓(xùn)練數(shù)據(jù)集正負(fù)樣本不均衡現(xiàn)象，對(duì)YOLO-V3 引入焦點(diǎn)損失函數(shù)和均衡交叉熵函數(shù)；雖能有效定位絕緣子，但I(xiàn)oU 評(píng)價(jià)策略較差，致使回歸框定位精度較差。楊焰飛等［20］結(jié)合YOLOV3 與Inception-Resnet-v2 算法［21］檢測(cè)絕緣子，通過(guò)改變網(wǎng)絡(luò)結(jié)構(gòu)以增加網(wǎng)絡(luò)寬度，按照絕緣子特性改進(jìn)損失函數(shù)并借助K均值算法選擇錨點(diǎn)框；相較于原YOLO-V3 算法有較大改進(jìn)，但交并比和歸一化層仍未改變。

基于Faster-RCNN 和YOLO 算法絕緣子檢測(cè)方法，雖可有效定位絕緣子，但網(wǎng)絡(luò)模型收斂速度較慢，目標(biāo)回歸框不夠穩(wěn)定，嚴(yán)重影響絕緣子定位精度和識(shí)別準(zhǔn)確率。針對(duì)上述問題，本文提出一種基于改進(jìn)Faster-RCNN 的絕緣子檢測(cè)算法，首先在特征提取部分引入具有通道注意力機(jī)制動(dòng)態(tài)選擇機(jī)制網(wǎng)絡(luò)（Selective Kernel Neural Network，SKNet）［22］，使特征提取網(wǎng)絡(luò)自動(dòng)分辨不同特征通道重要程度，增強(qiáng)特征提取網(wǎng)絡(luò)特性；然后使用濾波器響應(yīng)歸一化（Filter Response Normalization，F(xiàn)RN）層［23］替代原批歸一化（Batch Normalization，BN）層［24］，可消除模型在訓(xùn)練過(guò)程中對(duì)單批次訓(xùn)練數(shù)據(jù)大小依賴，當(dāng)顯卡內(nèi)存較小時(shí)，可更有效提高網(wǎng)絡(luò)收斂速度；最后使用更符合回歸機(jī)制的距離交并比（Distance IoU，DIoU）［25］代替原IoU 方法，原IoU 方法無(wú)法準(zhǔn)確反映預(yù)測(cè)框與真實(shí)框重合程度，DIoU 方法將錨框之間距離、重疊率以及目標(biāo)尺度均計(jì)算在內(nèi)，可更精確定位絕緣子。

1 相關(guān)技術(shù)

1.1 SKNet通道注意力模塊

SKNet 啟發(fā)自皮質(zhì)神經(jīng)元根據(jù)不同刺激可動(dòng)態(tài)調(diào)節(jié)其自身感受野大小，在卷積層每個(gè)階段增加不同尺寸濾波器分支。為了使神經(jīng)元可自適應(yīng)調(diào)整感受野大小，在不同卷積核大小的多卷積核中加入具有自動(dòng)選擇操作的動(dòng)態(tài)選擇卷積，SKNet 主要分為三個(gè)步驟：分解、融合和選取，如圖1 所示。

圖1 SKNet通道注意力模塊Fig.1 SKNet channel attention module

具體步驟如下：

1）分解。對(duì)于任何輸入特征映射X∈RH×W×C，首先分別對(duì)輸入特征映射進(jìn)行3×3 和5×5 卷積操作，得到：X→∈RH×W×C和。

2）融合。通過(guò)門級(jí)控制神經(jīng)網(wǎng)絡(luò)來(lái)自多個(gè)分支信息流，并將這些攜帶不同尺度信息卷積層傳遞到下一層網(wǎng)絡(luò)中。先對(duì)分解步驟中得到通過(guò)元素智能求和得到：

得到卷積層U后，再使用全局平均池化操作得到sc：

通過(guò)全局平均池化層可統(tǒng)計(jì)卷積層每個(gè)通道攜帶信息，然后再對(duì)sc特征輸出全連接層得到z，達(dá)到降低特征維度、提高網(wǎng)絡(luò)效率的目的，則z為：

其中：δ為線性整流（Rectified Linear Unit，ReLU）激活函數(shù)；β為BN 層；Ws∈Rd×c。

3）選取。經(jīng)過(guò)融合操作，可自適應(yīng)得到不同空間尺度權(quán)重信息，則對(duì)z進(jìn)行softmax 函數(shù)可得到a和b權(quán)重通道特征層，分別為：

其中：A，B∈Rc×d；a和b分別為軟注意力機(jī)制。那么，輸出最終特征映射V得到各個(gè)卷積核注意力權(quán)重，表示為：

其中：V=[V1，V2，…，VC]，Vc∈RH×W。

1.2 DIoU

IoU 是目標(biāo)檢測(cè)最常用指標(biāo)參數(shù)，不僅用來(lái)判斷正負(fù)樣本，還可評(píng)價(jià)預(yù)測(cè)框和真實(shí)框距離，可以寫成：

其中：

其中：p、q分別為預(yù)測(cè)框和真實(shí)框橫縱坐標(biāo)。

圖2 IoU與DIoU對(duì)比Fig.2 Comparison of IoU and DIoU

DIoU 更符合回歸機(jī)制，將目標(biāo)與錨框之間的距離、重疊率以及尺度都參考進(jìn)去，能使Faster-RCNN 目標(biāo)框回歸更加穩(wěn)定。

其中：d、dgt分別表示預(yù)測(cè)框和真實(shí)框中心點(diǎn)；ρ為兩中心點(diǎn)歐氏距離；m表示能包含預(yù)測(cè)框和真實(shí)框最小外接矩形的對(duì)角線距離。

傳統(tǒng)IoU 損失函數(shù)可寫成：

對(duì)于DIoU 損失函數(shù)R(d，dgt)=，則DIoU 損失函數(shù)可寫成：

1.3 FRN層

為了防止深層網(wǎng)絡(luò)陷入梯度飽和區(qū)域，導(dǎo)致網(wǎng)絡(luò)收斂速度下降，多會(huì)在深層網(wǎng)絡(luò)中添加歸一化層，使激活函數(shù)輸入特征分布保持在一個(gè)穩(wěn)定狀態(tài)。常用BN 方法嚴(yán)重依賴每批訓(xùn)練數(shù)據(jù)大小，當(dāng)單次訓(xùn)練樣本數(shù)據(jù)過(guò)小時(shí)，會(huì)導(dǎo)致BN 層統(tǒng)計(jì)單批次訓(xùn)練數(shù)據(jù)維度存在偏差，致使網(wǎng)絡(luò)精度下降。

FRN 層主要分為兩部分：濾波器響應(yīng)歸一化層和閾值線性單元（Threshold Linear Unit，TLU），如圖3 所示。主要步驟如下：

圖3 FRN歸一化層Fig.3 FRN normalization layer

1）FRN 層構(gòu)建。

若是輸入數(shù)據(jù)x尺寸為(j，g，k，w)，分別表示一批訓(xùn)練數(shù)據(jù)個(gè)數(shù)、通道數(shù)、特征圖尺寸，先對(duì)每個(gè)樣本每個(gè)通道歸一化處理，然后再對(duì)特征圖上每個(gè)值進(jìn)行式（13）計(jì)算：

其中：ν2為通道特征值平均平方和；ε為閾值，防止分母為0。

FRN 層相較BN 層，僅對(duì)單個(gè)樣本在Nu=k×w維度上歸一化，不依賴一批訓(xùn)練數(shù)據(jù)個(gè)數(shù)，有效消除了中間層帶來(lái)尺度變化問題。

2）TLU 層構(gòu)建。

在FRN 層中未減去均值，歸一化后特征值不是關(guān)于0 對(duì)稱，會(huì)以任意方式偏移零值。若是借助ReLU 函數(shù)作為激活函數(shù)，會(huì)導(dǎo)致誤差，產(chǎn)生很多零值，嚴(yán)重影響模型性能。為了解決零值偏移問題，F(xiàn)RN 歸一化引入閾值化ReLU 層，即TLU 層：

FRN 歸一化層共引入了三個(gè)可學(xué)習(xí)參數(shù)γ、β、τ，分別學(xué)習(xí)變換重構(gòu)尺度、偏移和閾值。

2 基于改進(jìn)Faster-RCNN的絕緣子圖像檢測(cè)

本文基于改進(jìn)Faster-RCNN 算法對(duì)電力巡線圖像實(shí)現(xiàn)絕緣子檢測(cè)，核心是對(duì)傳統(tǒng)Faster-RCNN 算法卷積層特征提取層和候選區(qū)域提取層（Region Proposal Network，RPN）進(jìn)行改進(jìn)，以增強(qiáng)檢測(cè)算法魯棒性和提高檢測(cè)精度。

圖4 為Faster-RCNN 算法流程，為了增大卷積層特征提取層感受野，本文提出基于SKNet 通道注意力機(jī)制的殘差神經(jīng)網(wǎng)絡(luò)（Residual Neural Network，ResNet）算法［26］作為特征提取網(wǎng)絡(luò)；為降低單次獲取訓(xùn)練樣本大小對(duì)模型訓(xùn)練影響，提高模型收斂速度，使用FRN 層代替BN 層；為了提高邊界框回歸參數(shù)準(zhǔn)確率和效率，借助DIoU 代替IoU 作為邊界框回歸評(píng)估指標(biāo)。

圖4 Faster-RCNN算法流程Fig.4 Flowchart of Faster-RCNN algorithm

2.1 基于SKNet的ResNet50網(wǎng)絡(luò)特征提取

為了盡可能緩解隨著網(wǎng)絡(luò)層數(shù)增加而造成的梯度消失、爆炸和網(wǎng)絡(luò)退化等問題，殘差神經(jīng)網(wǎng)絡(luò)模型在堆疊卷積層中加入了殘差網(wǎng)絡(luò)。特征提取網(wǎng)絡(luò)的卷積層和殘差網(wǎng)絡(luò)增加可提取更多圖像特征，但會(huì)導(dǎo)致模型復(fù)雜度增加、模型運(yùn)行效率下降。為了使ResNet 可根據(jù)輸入特征信息，多個(gè)尺度自適應(yīng)感受野大小，本文在殘差網(wǎng)絡(luò)中添加SKNet 模塊，具體如圖5 所示。

圖5 基于SKNet的殘差結(jié)構(gòu)Fig.5 Residual structure based on SKNet

為了高效、快速提取圖像特征信息，本文在ResNet50 網(wǎng)絡(luò)模型上改進(jìn)，如表1 所示，對(duì)ResNet50 模型殘差結(jié)構(gòu)替換成圖5 結(jié)構(gòu)，由此可得到具有通道注意力機(jī)制ResNet50模型。

表1 SKNet-ResNet50網(wǎng)絡(luò)結(jié)構(gòu)Tab.1 SKNet-ResNet50 network structure

為了加速和提升訓(xùn)練模型效果，原ResNet 算法在模型中添加BN 層，BN 層需在訓(xùn)練過(guò)程中，統(tǒng)計(jì)每批訓(xùn)練數(shù)據(jù)中間量，這使得BN 層嚴(yán)重依賴每批訓(xùn)練數(shù)據(jù)數(shù)量。本文使用單卡訓(xùn)練模型，顯卡內(nèi)存有限，無(wú)法增加單次獲取訓(xùn)練樣本數(shù)量訓(xùn)練模型。限于硬件條件，本文每次訓(xùn)練圖像數(shù)量均為4，若使用BN 層會(huì)嚴(yán)重影響網(wǎng)絡(luò)模型穩(wěn)定性。在1.3 節(jié)分析知，F(xiàn)RN 歸一化層不依賴單次訓(xùn)練樣本大小，故在本文中使用FRN 歸一化層代替原BN 層。

2.2 候選區(qū)域生成網(wǎng)絡(luò)

Faster-RCNN 算法的候選區(qū)域提取層如圖6 所示，主要執(zhí)行了兩個(gè)動(dòng)作：在分類層判斷候選區(qū)域內(nèi)是否存在絕緣子，輸出節(jié)點(diǎn)分別表示特征為前后景概率；在回歸層，借助特征探測(cè)器預(yù)測(cè)目標(biāo)候選區(qū)域中心點(diǎn)、長(zhǎng)和寬四個(gè)參數(shù)。

圖6 候選區(qū)域提取層Fig.6 Candidate region extraction layer

2.2.1 分類層

為了保證目標(biāo)檢測(cè)算法具有較好尺度不變性，原Faster-RCNN 算法遍歷特征圖時(shí)，會(huì)生成比例為｛1∶1，2∶1，1∶2｝且尺寸大小分別為64×64，128×128，256×256 錨框。原Faster-RCNN 算法錨框比例不適用于檢測(cè)絕緣子比例，為了得到更好錨框比例，本文對(duì)數(shù)據(jù)集中絕緣子長(zhǎng)寬比例統(tǒng)計(jì)，絕緣子長(zhǎng)寬比4∶1 占60%左右、2∶1 占13%左右、6∶1 占10%左右、5∶1 占17%左右；故本文中錨框比例設(shè)為｛2∶1，4∶1.5∶1，6∶1｝，尺寸大小分別為64×64，128×128，256×256。

遍歷特征后，通過(guò)softmax 激活函數(shù)可得到特征圖屬于前后景概率，從中選擇前景概率前300 區(qū)域作為絕緣子檢測(cè)候選區(qū)域。

2.2.2 回歸層

原Faster-RCNN 算法使用IoU 作為衡量候選區(qū)域框準(zhǔn)確性評(píng)價(jià)指標(biāo)，該方法計(jì)算簡(jiǎn)單易理解，但不能很好反映候選框相交狀態(tài)，不利于候選區(qū)域框回歸定位。DIoU 更符合回歸機(jī)制，將目標(biāo)與錨框之間距離、重疊率以及尺度都參考進(jìn)去，使得Faster-RCNN 算法目標(biāo)框回歸更加穩(wěn)定，具體計(jì)算方式參看1.2 節(jié)。

在檢測(cè)到物體后，需要借助DIoU 抑制多余檢測(cè)框，但由于僅考慮重疊區(qū)域交并比，會(huì)致使檢測(cè)框精度下降，因此引入DIoU 作為非極大值抑制標(biāo)準(zhǔn)，不僅考慮重疊區(qū)域，還考慮中心點(diǎn)距離，則DIoU 非極大值抑制分類置信度hi為：

其中：ε為非極大值抑制閾值；G為最高置信框中心點(diǎn)；Di為預(yù)測(cè)框之間中心點(diǎn)。

3 實(shí)驗(yàn)與結(jié)果分析

本文基于Pytorch1.5 深度學(xué)習(xí)框架搭建模型，計(jì)算機(jī)主要配置為：Ubuntn18.04 操作系統(tǒng)，i7-7820X CPU，顯卡為1080Ti，內(nèi)存32 GB。

3.1 數(shù)據(jù)集和實(shí)驗(yàn)參數(shù)

本文使用中國(guó)電力線絕緣子數(shù)據(jù)集（Chinese Power Line Insulator Dataset，CPLID）提供圖像數(shù)據(jù)［4］，該數(shù)據(jù)集共有864張絕緣子圖像，圖像尺寸為1152×864。為了增強(qiáng)訓(xùn)練集，本文對(duì)數(shù)據(jù)樣本進(jìn)行以下操作：

1）平移，對(duì)絕緣子圖像水平或垂直平移10°。

2）旋轉(zhuǎn)，對(duì)數(shù)據(jù)集順或逆時(shí)針旋轉(zhuǎn)5°。

3）飽和度，在HSV（Hue，Saturation，Value）模型下調(diào)整數(shù)據(jù)集飽和度。

4）亮度，在HSV 模型下改變數(shù)據(jù)集亮度。

5）Cutout 操作［27］，隨機(jī)將絕緣子樣本上部分區(qū)域剪掉，并填充像素值0，如圖7 所示。

圖7 Cutout操作Fig.7 Cutout operation

6）CutMix 操作［28］，隨機(jī)將樣本部分區(qū)域剪掉，并隨機(jī)填充訓(xùn)練集樣本區(qū)域像素值，分類結(jié)果按一定比例分配，如圖8 所示。

圖8 CutMix操作Fig.8 CutMix operation

通過(guò)上述操作，可將數(shù)據(jù)集數(shù)量擴(kuò)充到3 000 張，并隨機(jī)選取500 張作為測(cè)試集，2 500 張絕緣子圖像作為訓(xùn)練集。

3.2 實(shí)驗(yàn)結(jié)果

為了更好衡量本文算法優(yōu)越性，采用平均準(zhǔn)確率（Average Precision，AP）和平均召回率（Average Recall，AR）作為判定指標(biāo)。實(shí)驗(yàn)主要分為三個(gè)部分：檢測(cè)Faster-RCNN算法和本文算法在測(cè)試集上檢測(cè)絕緣子數(shù)量；測(cè)試DIoU 交并比、FRN 歸一化層和SKNet 模塊對(duì)Faster-RCNN 算法影響；與YOLO-V2［16］、YOLO-V3［19］絕緣子檢測(cè)算法比較。

為了驗(yàn)證本文算法有效性，在測(cè)試集中選擇500 張電力線圖像檢測(cè)絕緣子，F(xiàn)aster-RCNN 算法交并比IoU 設(shè)為0.5，本文所用DIoU 交并比也為0.5，具體統(tǒng)計(jì)結(jié)果如表2 所示。由表2 可知，測(cè)試集的絕緣子總數(shù)為1 435 個(gè)，原Faster-RCNN 算法遺漏了123 個(gè)絕緣子，本文所提檢測(cè)算法僅遺漏35 個(gè)；原Faster-RCNN 算法錯(cuò)誤識(shí)別184 個(gè)絕緣子，本文算法錯(cuò)誤檢測(cè)89 個(gè)絕緣子。表2 表明，本文算法檢測(cè)絕緣子數(shù)量和準(zhǔn)確性都優(yōu)于原Faster-RCNN 算法，能夠精準(zhǔn)有效檢測(cè)輸電線路中絕緣子。

表2 絕緣子漏檢、錯(cuò)檢統(tǒng)計(jì)結(jié)果Tab.2 Statistical results of missing and wrong insulator detection

本文在Faster-RCNN 算法中引入DIoU 交并比、FRN 歸一化層和SKNet 模塊，為了更好地表明DIoU 交并比、FRN 歸一化層和SKNet 模塊對(duì)Faster-RCNN 算法影響，分別統(tǒng)計(jì)Faster-RCNN、Faster-RCNN+DIoU、Faster-RCNN+FRN、Faster-RCNN+SKNet 和本文算法的AP 和AR 值，具體值見表3。

表3 Faster-RCNN算法改變網(wǎng)絡(luò)后數(shù)據(jù)統(tǒng)計(jì) 單位：%Tab.3 Data statistics after Faster-RCNN algorithm changing network unit：%

Faster-RCNN 算法使用DIoU 代替IoU 交并比，可有效提高Faster-RCNN 算法準(zhǔn)確性，AP 值提高了3.02 個(gè)百分點(diǎn)，平均召回率提高了0.45 個(gè)百分點(diǎn)，表明了DIoU 可更好表達(dá)候選框狀態(tài)。限于GPU 資源，本文單次獲取訓(xùn)練圖像數(shù)量為4，致使原Faster-RCNN 算法收斂難度增加；Faster-RCNN+FRN 算法把原BN 層替換成不依賴單次訓(xùn)練數(shù)據(jù)尺寸FRN層，有效增加了檢測(cè)算法穩(wěn)定性。SKNet 模塊使特征提取網(wǎng)絡(luò)可自動(dòng)判斷不同特征通道重要性，增強(qiáng)了特征提取網(wǎng)絡(luò)表達(dá)力，由此可增加算法檢測(cè)精度。由表3 可知，F(xiàn)aster-RCNN+SKNet 算法相較原Faster-RCNN 算法AP 值提高0.31個(gè)百分點(diǎn)，AR 值增加0.23 個(gè)百分點(diǎn)。本文算法將DIoU 交并比、FRN 歸一化層和SKNet 通道注意力模塊整合到Faster-RCNN 算法中，由表3 知，本文算法相較原Faster-RCNN 算法AP 值提高了3.46 個(gè)百分點(diǎn)，平均召回率提高了2.76 個(gè)百分點(diǎn)；表明本文算法可更精確定位電力線路圖像中絕緣子，穩(wěn)定性更好。

使用YOLO-V2［16］、YOLO-V3［19］與本文算法對(duì)比，從表4所示的實(shí)驗(yàn)結(jié)果可以看出，所提改進(jìn)Faster-RCNN 算法平均召回率和平均準(zhǔn)確率均為最高，相較原Faster-RCNN 算法AP值增加3.46 個(gè)百分點(diǎn)，AR 值提高了2.76 個(gè)百分點(diǎn)。YOLOV3 算法平均召回率和平均準(zhǔn)確率相較YOLO-V2 算法分別提高了4.53 個(gè)百分點(diǎn)、4.82 個(gè)百分點(diǎn)，但仍低于本文所提改進(jìn)Faster-RCNN 算法。由表4 知，本文算法平均召回率和平均準(zhǔn)確率均高于其他算法，表明本文算法具有較高穩(wěn)定性。

表4 不同算法實(shí)驗(yàn)結(jié)果對(duì)比 單位：%Tab.4 Experiment result comparison of different algorithms unit：%

圖9 為傳統(tǒng)Faster-RCNN、YOL-V2、YOLO-V3 和本文改進(jìn)Faster-RCNN 算法在測(cè)試集上部分檢測(cè)效果。測(cè)試圖像a中有兩個(gè)絕緣子目標(biāo)且尺度不同，其中：Faster-RCNN、YOLO-V2 和YOLO-V3 算法均漏檢較小尺寸絕緣子；本文所提改進(jìn)Faster-RCNN 算法檢測(cè)效果最好，圖中絕緣子均被提取，如圖9（d）。測(cè)試圖像b 中具有三個(gè)檢測(cè)目標(biāo)，絕緣子尺寸依次下降，其中：Faster-RCNN 算法漏檢尺度較小絕緣子；YOLO-V2 算法漏檢兩個(gè)絕緣子，錯(cuò)檢一個(gè)絕緣子；YOLO-V3算法漏檢兩個(gè)絕緣子，錯(cuò)檢兩個(gè)絕緣子；本文所提改進(jìn)Faster-RCNN 算法仍未出現(xiàn)漏檢或錯(cuò)檢絕緣子，如圖9（d）所示。測(cè)試圖像c 中共有三個(gè)絕緣子，遠(yuǎn)景絕緣子尺度相似但只有部分在圖像中，其中：Faster-RCNN 算法未漏檢絕緣子，但是較大尺度絕緣子被檢測(cè)到兩次，如圖9（a）所示；YOLOV2 算法漏檢尺度較小兩個(gè)絕緣子，YOLO-V3 算法漏檢一個(gè)尺度較小絕緣子；本文所提改進(jìn)Faster-RCNN 算法檢測(cè)效果較好，測(cè)試圖像中三個(gè)絕緣子均被框選，如圖9（d）。由此可知，本文算法檢測(cè)絕緣子的定位精度高、穩(wěn)定性好，可應(yīng)用于電力巡線絕緣檢測(cè)場(chǎng)景中。

圖9 不同算法檢測(cè)效果對(duì)比Fig.9 Comparison of detection effect of different algorithms

4 結(jié)語(yǔ)

針對(duì)高壓輸電線路人工巡檢難度較大、成本較高等問題，提出一種改進(jìn)Faster-RCNN 算法電力巡線無(wú)人機(jī)航拍絕緣子檢測(cè)方法。該方法在特征提取網(wǎng)絡(luò)中引入注意力通道模塊SKNet 層，增加特征提取網(wǎng)絡(luò)特征提取視野和表達(dá)力；通過(guò)FRN 層歸一化特征通道，使歸一化不再依賴單次訓(xùn)練數(shù)據(jù)尺寸；在候選區(qū)域提取層，使用更精確表達(dá)目標(biāo)框位置關(guān)系DIoU 交并比替代IoU，增加目標(biāo)檢測(cè)算法回歸精度。經(jīng)實(shí)驗(yàn)結(jié)果表明：所提改進(jìn)Faster-RCNN 算法具有較高穩(wěn)定性，可精確定位絕緣子，為進(jìn)一步檢測(cè)絕緣子是否存在缺陷提供了準(zhǔn)確位置信息。