李梅玉，李仕林，趙明，方正云，張亞飛，余正濤

1.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，昆明 650217；2.昆明理工大學(xué)國(guó)土資源工程學(xué)院，昆明 650500；3.昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，昆明 650500；4.昆明理工大學(xué)云南省人工智能重點(diǎn)實(shí)驗(yàn)室，昆明 650500

0 引 言

絕緣子是一種能夠耐受電壓和機(jī)械應(yīng)力的特殊絕緣器件，在架空輸電線路中應(yīng)用廣泛。由于輸電線路長(zhǎng)期暴露在外，絕緣子極易受到侵蝕而發(fā)生爆片或老化。絕緣子一旦發(fā)生故障，將引起輸電線路供電中斷，影響電網(wǎng)的安全運(yùn)行和居民的正常生活。為降低絕緣子故障導(dǎo)致的安全隱患，需要定期對(duì)架空輸電線路進(jìn)行巡檢，因此，從巡檢圖像中快速有效地檢測(cè)出絕緣子，對(duì)其進(jìn)行定位和缺陷分析就顯得尤為必要。

目前電網(wǎng)中使用的絕緣子主要分為玻璃絕緣子和復(fù)合絕緣子兩類(lèi)，如圖1所示。從外觀上看，兩種絕緣子在顏色和形狀上差異較大，造成特征空間中兩種絕緣子域偏移較為嚴(yán)重。大多數(shù)情況下，僅能得到單一類(lèi)型的絕緣子樣本，用其訓(xùn)練得到的模型部署到其他類(lèi)型絕緣子檢測(cè)任務(wù)時(shí)，會(huì)由于不同類(lèi)型絕緣子之間存在的域偏移而導(dǎo)致檢測(cè)性能急劇下降。

圖1 電網(wǎng)中使用的兩類(lèi)絕緣子Fig.1 Two types of insulators used in the power grid((a)glass insulator；(b)composite insulator)

無(wú)監(jiān)督域自適應(yīng)目標(biāo)檢測(cè)方法是一種廣泛用于跨域檢測(cè)、識(shí)別的方法，在訓(xùn)練過(guò)程中使用源域有標(biāo)注的樣本和目標(biāo)域無(wú)標(biāo)注的樣本，通過(guò)學(xué)習(xí)一種域不變(或域?qū)R后)的特征表示，可以有效緩解由于域偏移造成的性能顯著下降。這類(lèi)方法大致可分為基于風(fēng)格遷移的無(wú)監(jiān)督域自適應(yīng)目標(biāo)檢測(cè)方法(Yang等，2020；Kim等，2019b；Inoue等，2018)和基于自訓(xùn)練的無(wú)監(jiān)督域自適應(yīng)目標(biāo)檢測(cè)方法(RoyChowdhury等，2019；Kim等，2019a；Zhang等，2020)兩類(lèi)。

基于風(fēng)格遷移的方法通常將源域已標(biāo)注的圖像風(fēng)格遷移至目標(biāo)域圖像下，然后利用遷移后已標(biāo)注的圖像對(duì)模型進(jìn)行有監(jiān)督訓(xùn)練，這種方式可以降低不同風(fēng)格帶來(lái)的域偏移對(duì)性能的影響。然而輸電線路巡檢圖像尺寸較大且背景復(fù)雜，如果利用圖像生成的方法將源域圖像遷移至目標(biāo)域下容易產(chǎn)生模型崩塌。因此這類(lèi)方法難以直接應(yīng)用到無(wú)監(jiān)督域自適應(yīng)絕緣子檢測(cè)任務(wù)中?；谧杂?xùn)練的方法一般是對(duì)目標(biāo)域數(shù)據(jù)進(jìn)行偽標(biāo)簽預(yù)測(cè)，之后將偽標(biāo)簽與目標(biāo)數(shù)據(jù)相結(jié)合以有監(jiān)督的形式訓(xùn)練模型。這類(lèi)方法極其依賴(lài)標(biāo)簽預(yù)測(cè)的準(zhǔn)確性，而輸電線路巡檢圖像中背景復(fù)雜、雜物繁多，這些噪聲會(huì)對(duì)標(biāo)簽的預(yù)測(cè)產(chǎn)生不利影響，利用有噪聲的偽標(biāo)簽結(jié)合絕緣子數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練容易降低模型的識(shí)別能力，不利于模型部署。

受Goodfellow等人(2014)提出的生成對(duì)抗網(wǎng)絡(luò)思想的啟發(fā)，本文設(shè)計(jì)了一個(gè)基于對(duì)抗一致性約束的無(wú)監(jiān)督域自適應(yīng)絕緣子檢測(cè)算法來(lái)提取不同類(lèi)型絕緣子共有且具有魯棒性的特征信息，從而使模型具有域自適應(yīng)性。具體地，輸入不同類(lèi)型絕緣子圖像到特征提取器，將得到的特征分別輸入到兩個(gè)不同的分類(lèi)器，將分類(lèi)器輸出的分類(lèi)結(jié)果與對(duì)應(yīng)的絕緣子類(lèi)型進(jìn)行類(lèi)別約束，目的是使特征提取器能提取不同類(lèi)型絕緣子獨(dú)有的特征信息。在對(duì)抗過(guò)程中，本文方法提出引入一個(gè)額外的分類(lèi)網(wǎng)絡(luò)，用于將源域與目標(biāo)域中不同類(lèi)型的絕緣子特征分到同一類(lèi)別下，從而使模型能提取不同絕緣子共有的魯棒性特征。與有監(jiān)督的絕緣子檢測(cè)方法(趙振兵 等，2019；程海燕 等，2017；姚春羽 等，2012；Tao等，2020)不同，本文提出的方法不需要目標(biāo)域樣本的標(biāo)簽就能在跨域絕緣子檢測(cè)任務(wù)中獲得較好性能，而且采用的YOLO-V3(you only look once V3)特征提取網(wǎng)絡(luò)不需要候選框預(yù)測(cè)和篩選機(jī)制，提高了檢測(cè)速度。總的來(lái)說(shuō)，本文主要貢獻(xiàn)如下：1)提出一種基于對(duì)抗一致性約束的無(wú)監(jiān)督域自適應(yīng)絕緣子檢測(cè)算法，利用兩個(gè)具有差異的分類(lèi)網(wǎng)絡(luò)對(duì)絕緣子進(jìn)行類(lèi)別約束，提取不同類(lèi)型絕緣子的私有特征，通過(guò)一種對(duì)抗分類(lèi)策略使模型學(xué)習(xí)到絕緣子共有的特征，提高了模型對(duì)不同類(lèi)型絕緣子識(shí)別的魯棒性。2)本文方法不同于其他有監(jiān)督絕緣子檢測(cè)算法，訓(xùn)練集中只有一種類(lèi)型的有標(biāo)簽樣本，在無(wú)監(jiān)督的條件下能對(duì)不同類(lèi)型絕緣子進(jìn)行跨域檢測(cè)，更加適用于現(xiàn)實(shí)部署，降低了對(duì)不同類(lèi)型絕緣子的誤檢率。3)提出的模型是一個(gè)基于YOLO-V3的端到端的模型，不需要額外的候選框計(jì)算和篩選機(jī)制，在一定程度上提升了模型的訓(xùn)練效率。

1 相關(guān)工作

1.1 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法

隨著深度學(xué)習(xí)的不斷發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法表現(xiàn)突出、效果優(yōu)異，成為流行的目標(biāo)檢測(cè)方法。Krizhevsky等人(2017)在圖像與卷積核之間進(jìn)行卷積操作提取物體的高維特征，提高了模型的泛化能力。Redmon等人(2016)提出YOLO目標(biāo)檢測(cè)算法，將輸入圖像劃分成若干網(wǎng)格，每個(gè)網(wǎng)格分別進(jìn)行坐標(biāo)回歸和類(lèi)別回歸，然而由于劃分網(wǎng)格數(shù)量較多，在回歸計(jì)算過(guò)程中效率低下，同時(shí)因?yàn)榫W(wǎng)格會(huì)由于圖像中存在若干不同尺寸的物體或者物體彼此有重疊時(shí)產(chǎn)生錯(cuò)誤的預(yù)測(cè)結(jié)果，泛化能力較差。為解決該問(wèn)題，Redmon和Farhadi(2018)在原始YOLO算法上進(jìn)行改進(jìn)，提出YOLO-V3目標(biāo)檢測(cè)算法，通過(guò)添加多尺度預(yù)測(cè)機(jī)制將聚類(lèi)后得到的錨點(diǎn)分配給不同尺度的檢測(cè)框，降低了誤檢率，并且在網(wǎng)絡(luò)最后輸出3種不同尺度的深度特征和分類(lèi)概率，提高了模型對(duì)同類(lèi)且不同尺寸物體檢測(cè)的泛化能力。然而對(duì)于絕緣子檢測(cè)任務(wù)而言，不同類(lèi)型的絕緣子外觀差異較大。在缺乏某一類(lèi)絕緣子樣本標(biāo)注的情況下，直接將YOLO-V3應(yīng)用到跨域絕緣子檢測(cè)任務(wù)時(shí)，會(huì)由于域偏移導(dǎo)致性能急劇下降。本文提出的基于對(duì)抗一致性約束的絕緣子檢測(cè)算法的目的是在無(wú)監(jiān)督條件下賦予模型提取不同類(lèi)型絕緣子魯棒性特征的能力，從而使模型能更好地識(shí)別不同類(lèi)型的絕緣子。

1.2 無(wú)監(jiān)督域自適應(yīng)目標(biāo)檢測(cè)算法

Zhu等人(2017)提出的循環(huán)一致性生成對(duì)抗網(wǎng)絡(luò)在圖像風(fēng)格遷移任務(wù)上取得了巨大成功。在目標(biāo)檢測(cè)領(lǐng)域，一些研究者嘗試?yán)没陲L(fēng)格遷移的方法進(jìn)行無(wú)監(jiān)督跨域目標(biāo)檢測(cè)(Yang等，2020；Kim等，2019b；Inoue等，2018)。風(fēng)格遷移主要是將源域的圖像風(fēng)格遷移至目標(biāo)域，同時(shí)保留源域標(biāo)簽信息，利用遷移后的圖像結(jié)合源域標(biāo)簽重新訓(xùn)練模型，以此減輕不同風(fēng)格的域偏移對(duì)模型性能造成的影響。Inoue等人(2018)將源域的真實(shí)場(chǎng)景圖像通過(guò)循環(huán)一致性網(wǎng)絡(luò)生成具有卡通風(fēng)格的圖像，并利用生成后的圖像對(duì)模型進(jìn)行微調(diào)。然而對(duì)于輸電線路巡檢圖像而言，其具有尺寸較大、背景復(fù)雜和目標(biāo)物繁多等特點(diǎn)，利用循環(huán)一致性網(wǎng)絡(luò)進(jìn)行不同風(fēng)格圖像的生成會(huì)產(chǎn)生大量噪聲，利用這些有噪聲的圖像重新微調(diào)網(wǎng)絡(luò)會(huì)導(dǎo)致其性能急劇下降。

基于自訓(xùn)練的無(wú)監(jiān)督域自適應(yīng)目標(biāo)檢測(cè)算法(RoyChowdhury等，2019；Kim等，2019a)利用有標(biāo)注的源域數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，通過(guò)預(yù)訓(xùn)練模型對(duì)目標(biāo)域數(shù)據(jù)進(jìn)行偽標(biāo)簽的預(yù)測(cè)，利用目標(biāo)域數(shù)據(jù)結(jié)合偽標(biāo)簽重新對(duì)模型進(jìn)行微調(diào)。Kim等人(2019a)通過(guò)SSD(single shot MultiBox detector)(Liu等，2016)檢測(cè)得到難樣本，通過(guò)背景得分正則化幫助網(wǎng)絡(luò)提取難樣本具有鑒別性的特征來(lái)減少域偏移，以更加準(zhǔn)確地對(duì)目標(biāo)域樣本進(jìn)行偽標(biāo)簽預(yù)測(cè)。在這類(lèi)方法使用的樣本中，所要識(shí)別的目標(biāo)在圖像中占比較大，所以易于提取目標(biāo)物的特征。對(duì)于輸電線路巡檢圖像而言，絕緣子僅在圖像中占有很小的比例，不利于進(jìn)行偽標(biāo)簽預(yù)測(cè)，而且圖像中目標(biāo)物繁多，容易對(duì)特征提取造成干擾，所以很難將自訓(xùn)練的無(wú)監(jiān)督域自適應(yīng)方法直接應(yīng)用到絕緣子檢測(cè)任務(wù)中。不同于上述方法，本文提出一種利用對(duì)抗訓(xùn)練的方法提取不同類(lèi)型絕緣子共有且具有魯棒性的特征，減小絕緣子外觀差異對(duì)數(shù)據(jù)分布的影響，增強(qiáng)了模型在復(fù)雜背景下對(duì)絕緣子的識(shí)別能力。

2 本文算法

在缺少目標(biāo)域樣本標(biāo)簽的情況下，為了提高模型對(duì)復(fù)雜輸電線路圖像中目標(biāo)域絕緣子的檢測(cè)能力，本文提出一種基于對(duì)抗一致性約束的無(wú)監(jiān)督域自適應(yīng)絕緣子檢測(cè)算法，算法流程如圖2所示。該算法將YOLO-V3目標(biāo)檢測(cè)網(wǎng)絡(luò)(Redmon和Farhadi，2018)作為主體框架，使用DarkNet-53(Redmon和Farhadi，2018)作為特征提取主干網(wǎng)絡(luò)。具體而言，預(yù)訓(xùn)練階段分別輸入有標(biāo)簽的源域樣本和無(wú)標(biāo)簽的目標(biāo)域樣本到Y(jié)OLO-V3網(wǎng)絡(luò)中提取特征，將得到的兩組特征分別輸入到兩個(gè)分類(lèi)網(wǎng)絡(luò)W1和W2，通過(guò)類(lèi)別標(biāo)簽約束兩個(gè)分類(lèi)網(wǎng)絡(luò)能對(duì)不同類(lèi)型的絕緣子提取相應(yīng)的獨(dú)有特征。

圖2 本文算法流程Fig.2 The flow chart of the proposed algorithm

對(duì)抗一致性學(xué)習(xí)過(guò)程如圖3所示，輸入源域和目標(biāo)域的樣本到Y(jié)OLO-V3網(wǎng)絡(luò)中提取特征，將得到的兩組特征圖同時(shí)輸入到一個(gè)初始化的分類(lèi)網(wǎng)絡(luò)W3，通過(guò)交叉熵訓(xùn)練W3使之不能正確區(qū)分兩類(lèi)絕緣子。然后固定W3，訓(xùn)練主干網(wǎng)絡(luò)使兩組特征的分類(lèi)結(jié)果到同一個(gè)標(biāo)簽下，使網(wǎng)絡(luò)能提取不同類(lèi)型絕緣子具有的一致性和魯棒性特征。

圖3 對(duì)抗訓(xùn)練流程圖Fig.3 The flow chart of adversarial training((a)the first stage；(b)the second stage)

2.1 絕緣子特征提取

坐標(biāo)回歸需要將預(yù)測(cè)的中心點(diǎn)和尺度與真實(shí)的中心點(diǎn)和尺度做約束。對(duì)預(yù)測(cè)的中心點(diǎn)的約束具體表示為

(1)

(2)

Lbox=Lbox_wh+Lbox_xy

(3)

除了對(duì)預(yù)測(cè)結(jié)果進(jìn)行坐標(biāo)約束，還要對(duì)其進(jìn)行類(lèi)別約束，具體為

(4)

(5)

LYOLO-V3=β1Lbox+β2Lcls+β3Lobj

(6)

本文采用Redmon和Farhadi(2018)提出的超參數(shù)設(shè)置，將β1、β2、β3設(shè)為1。應(yīng)用式(6)能夠?qū)^緣子進(jìn)行初步檢測(cè)，為提取不同類(lèi)型絕緣子私有特征奠定了基礎(chǔ)。值得注意的是，本文方法在訓(xùn)練過(guò)程中僅使用源域的絕緣子坐標(biāo)標(biāo)簽，將其和模型預(yù)測(cè)的坐標(biāo)進(jìn)行回歸約束，不使用任何目標(biāo)域絕緣子的坐標(biāo)標(biāo)簽。

2.2 絕緣子一致性特征提取

通過(guò)利用YOLO-V3中的坐標(biāo)回歸、分類(lèi)回歸和置信度回歸，模型已經(jīng)具有對(duì)絕緣子特征的初步提取能力。然而在缺乏目標(biāo)域絕緣子標(biāo)簽的情況下，由于輸電線路圖像中背景復(fù)雜，目標(biāo)物種類(lèi)繁多，如果不增強(qiáng)絕緣子特征的魯棒性將會(huì)造成誤檢率過(guò)高，影響模型部署。為解決此問(wèn)題，提出一種在無(wú)監(jiān)督條件下通過(guò)對(duì)抗訓(xùn)練提取絕緣子一致性特征的方法。具體地，在預(yù)訓(xùn)練階段設(shè)計(jì)了兩個(gè)不同的分類(lèi)網(wǎng)絡(luò)W1和W2，分別將其應(yīng)用到源域絕緣子和目標(biāo)域絕緣子的分類(lèi)任務(wù)上，通過(guò)對(duì)分類(lèi)結(jié)果的類(lèi)別進(jìn)行約束使模型提取到不同類(lèi)型絕緣子的私有特征。對(duì)于源域絕緣子而言，上述過(guò)程可表示為

(7)

(8)

對(duì)兩個(gè)分類(lèi)網(wǎng)絡(luò)的結(jié)果分別進(jìn)行絕緣子的類(lèi)別約束，可以使特征提取網(wǎng)絡(luò)E提取源域絕緣子和目標(biāo)域絕緣子各自私有的特征，然而這種特征并不具有魯棒性。在復(fù)雜輸電線路圖像中，應(yīng)當(dāng)使模型能夠提取絕緣子魯棒性的特征，利用這種特征對(duì)不同類(lèi)型的絕緣子能進(jìn)行正確定位，提高模型的檢測(cè)能力。通過(guò)預(yù)訓(xùn)練階段兩個(gè)分類(lèi)網(wǎng)絡(luò)對(duì)各自類(lèi)型絕緣子進(jìn)行的類(lèi)別約束，網(wǎng)絡(luò)能夠提取不同類(lèi)型絕緣子各自私有的特征，然而這種特征提取能力不能部署到跨域絕緣子識(shí)別任務(wù)中，因?yàn)閮煞N絕緣子間的外觀差異會(huì)造成檢測(cè)性能下降。為能提高跨域絕緣子檢測(cè)性能，在對(duì)抗階段(圖3)提出了一種對(duì)抗一致性約束來(lái)提取絕緣子一致性特征的方法。具體地，增加一個(gè)額外的分類(lèi)網(wǎng)絡(luò)W3，將兩種絕緣子的特征輸入到該網(wǎng)絡(luò)中，通過(guò)交叉熵單獨(dú)訓(xùn)練W3使之將復(fù)合絕緣子特征和玻璃絕緣子特征判斷為不同類(lèi)。具體為

(9)

(10)

式中，ui表示兩種絕緣子屬于同一類(lèi)別的標(biāo)簽。利用這一方法，可以促使特征提取網(wǎng)絡(luò)提取不同類(lèi)型絕緣子具有一致性的特征，在無(wú)監(jiān)督的條件下提高模型的檢測(cè)能力。最后，整合所有損失函數(shù)為

(11)

式中，β、λ1、λ2、λ3分別為各項(xiàng)損失函數(shù)對(duì)應(yīng)的權(quán)重參數(shù)。在后面的實(shí)驗(yàn)中，會(huì)對(duì)每個(gè)參數(shù)進(jìn)行討論，展示不同參數(shù)下模型的性能，從而選取適用于模型的最優(yōu)參數(shù)。本文算法流程如下：

定義：編碼器E和3個(gè)分類(lèi)器W1，W2，W3。

輸出：最優(yōu)模型E*。

1)圖像預(yù)處理，將圖像縮放為416×416×3。

2)for eachk∈[1,n] do：

(3)通過(guò)式(3)(7)(8)分別訓(xùn)練E，W1和W2；

end for。

3)for eachk∈[n,m] do：

(3)通過(guò)式(9)訓(xùn)練W3；

end for。

4)for eachk∈[m,p] do：

(3)通過(guò)式(3)(10)訓(xùn)練E；

end for。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 數(shù)據(jù)集和評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)所用的數(shù)據(jù)集共有4 113幅不同類(lèi)型的絕緣子圖像，其中2 416幅包含玻璃絕緣子，1 697幅含有復(fù)合絕緣子，樣例如圖4和圖5所示。在這些樣本中，每個(gè)數(shù)據(jù)集都分成訓(xùn)練集和測(cè)試集，訓(xùn)練集占總樣本的2/3，測(cè)試集占1/3。這些圖像大多數(shù)都是無(wú)人機(jī)在輸電線路巡檢過(guò)程中拍攝的，還有一部分是相機(jī)和手機(jī)拍攝得到。由樣例可以看出，巡檢圖像背景復(fù)雜多變，絕緣子尺度大小不一，光照等各不相同，這些因素使得數(shù)據(jù)集樣式豐富，數(shù)據(jù)分布廣泛。

圖4 數(shù)據(jù)集中玻璃絕緣子樣例Fig.4 The example of glass insulators in dataset

圖5 數(shù)據(jù)集中復(fù)合絕緣子樣例Fig.5 The example of composite insulators in dataset

在標(biāo)注工作中，用Label-Img軟件對(duì)圖像中的絕緣子進(jìn)行人工標(biāo)注，標(biāo)注格式與流行數(shù)據(jù)集PAS-CAL VOC(pattern analysis,statistical modeling and computational learning visual object classes)(Evering-ham等，2010)相同，標(biāo)注信息存儲(chǔ)在“.xml”文件中。標(biāo)注樣例如圖6所示。

圖6 標(biāo)注樣例Fig.6 The example of annotation

為了充分體現(xiàn)模型的魯棒性和對(duì)比實(shí)驗(yàn)的科學(xué)性，采用常見(jiàn)的平均精度均值(mean average precision,mAP)作為評(píng)估指標(biāo)。

3.2 實(shí)施細(xì)節(jié)

采用YOLO-V3目標(biāo)檢測(cè)網(wǎng)絡(luò)(Redmon和Farhadi，2018)作為基礎(chǔ)框架。該框架使用DarkNet-53作為特征提取網(wǎng)絡(luò)，圖像尺寸統(tǒng)一縮放為416×416×3輸入到該網(wǎng)絡(luò)中，網(wǎng)絡(luò)最后的3組殘差塊分別輸出了3個(gè)不同尺度的圖像特征，將這些特征輸入到3個(gè)并聯(lián)的下采樣過(guò)程，最終得到13×13×18、26×26×18、52×52×18這3個(gè)不同尺度的特征圖。使用深度學(xué)習(xí)平臺(tái)Pytorch搭建YOLO-V3網(wǎng)絡(luò)3個(gè)分類(lèi)網(wǎng)絡(luò)，其中3個(gè)分類(lèi)網(wǎng)絡(luò)結(jié)構(gòu)相同，均由2個(gè)全連接層組成，第1層輸入維度是3 042，第2層輸入維度為64，輸出維度均為1。DarkNet-53和3個(gè)分類(lèi)網(wǎng)絡(luò)均采用隨機(jī)梯度下降法進(jìn)行優(yōu)化，對(duì)于DarkNet-53，設(shè)置其學(xué)習(xí)率為0.005，動(dòng)量為0.937。3個(gè)分類(lèi)網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)置為0.000 1，動(dòng)量設(shè)為0.9。在訓(xùn)練過(guò)程中，將訓(xùn)練的迭代次數(shù)設(shè)為100，批次大小設(shè)置為16。目標(biāo)損失函數(shù)中的4個(gè)參數(shù)β、λ1、λ2、λ3在復(fù)合絕緣子跨域到玻璃絕緣子任務(wù)中設(shè)置為0.1、3、3、1，在玻璃絕緣子跨域到復(fù)合絕緣子任務(wù)中設(shè)置為1、3、3、10。

3.3 實(shí)驗(yàn)對(duì)比

目前，絕緣子檢測(cè)任務(wù)沒(méi)有公共的數(shù)據(jù)集，所以無(wú)法在已公開(kāi)的數(shù)據(jù)集上進(jìn)行對(duì)比。一些較為先進(jìn)的絕緣子識(shí)別方法(趙振兵 等，2019；Tao等，2020)采用的數(shù)據(jù)集中絕緣子類(lèi)型單一，無(wú)法滿(mǎn)足跨域的絕緣子檢測(cè)和識(shí)別。此外，這類(lèi)方法均在有監(jiān)督的條件下進(jìn)行訓(xùn)練，無(wú)法直接與它們的結(jié)果進(jìn)行對(duì)比。由于缺少基于域自適應(yīng)的跨域絕緣子檢測(cè)方法，本文的對(duì)比方法采用較為成熟的目標(biāo)檢測(cè)方法與無(wú)監(jiān)督域自適應(yīng)目標(biāo)檢測(cè)方法，在無(wú)監(jiān)督條件下進(jìn)行對(duì)比實(shí)驗(yàn)。這些對(duì)比方法包括YOLO(Redmon等，2016)、YOLO-V3(Redmon和Farhadi，2018)、Faster-RCNN(region convolutional neural networks)(Chen等，2018)、Aug-FPN(augmentational feature pyramid network)(Guo等，2020)和Pisa-RCNN(Cao等，2020)。在實(shí)驗(yàn)中，首先進(jìn)行玻璃絕緣子到復(fù)合絕緣子的跨域檢測(cè)任務(wù)(glass→composite)，在該任務(wù)中僅使用玻璃絕緣子的標(biāo)簽信息，復(fù)合絕緣子的標(biāo)簽不可用，實(shí)驗(yàn)結(jié)果如表1所示?？梢钥闯觯疚姆椒ǖ钠骄A(yù)測(cè)精度遠(yuǎn)高于YOLO (Redmon等，2016)目標(biāo)檢測(cè)算法，且優(yōu)于基于Faster-RCNN改進(jìn)的Pisa-RCNN和Aug-FPN算法。這類(lèi)方法沒(méi)有考慮物體的域間差異，不能促使模型提取域不變的特征，因而在跨域絕緣子檢測(cè)任務(wù)上性能不佳。對(duì)于基礎(chǔ)框架YOLO-V3(Redmon和Farhadi，2018)目標(biāo)檢測(cè)網(wǎng)絡(luò)，本文算法在其基礎(chǔ)上，將mAP提升了11.5%，說(shuō)明本文算法確實(shí)增強(qiáng)了模型提取絕緣子魯棒性特征的能力。

表1 玻璃絕緣子到復(fù)合絕緣子實(shí)驗(yàn)結(jié)果Table 1 The experimental result of glass→composite

同樣，在復(fù)合絕緣子到玻璃絕緣子(composite→glass)的跨域檢測(cè)任務(wù)中，僅使用復(fù)合絕緣子的標(biāo)簽信息，不用玻璃絕緣子的標(biāo)簽信息，實(shí)驗(yàn)結(jié)果如表2所示?？梢钥闯?，本文算法優(yōu)于其他對(duì)比方法。平均預(yù)測(cè)精度與glass→composite任務(wù)相比較低，主要原因是訓(xùn)練樣本數(shù)量相差較大，用于訓(xùn)練的復(fù)合絕緣子樣本數(shù)量比玻璃絕緣子少約700幅，樣本不平衡導(dǎo)致了檢測(cè)結(jié)果相差較大。

表2 復(fù)合絕緣子到玻璃絕緣子實(shí)驗(yàn)結(jié)果Table 2 The experimental result of composite→glass

為了更好地展示本文算法的優(yōu)越性，對(duì)絕緣子檢測(cè)任務(wù)進(jìn)行可視化展示，復(fù)合絕緣子和玻璃絕緣子檢測(cè)結(jié)果分別如圖7和圖8所示。可以看出，在具有復(fù)雜背景干擾的輸電線路圖像中，模型仍然能夠?qū)Σ煌?lèi)型的絕緣子進(jìn)行準(zhǔn)確識(shí)別和定位。

圖7 復(fù)合絕緣子檢測(cè)可視化結(jié)果Fig.7 The visualization results of composite insulators detection

圖8 玻璃絕緣子檢測(cè)可視化結(jié)果Fig.8 The visualization results of glass insulators detection

同時(shí)，為了證明本文方法具有較強(qiáng)的應(yīng)用推廣能力，用COCO(common objects in context)數(shù)據(jù)集(Lin等，2014)對(duì)本文方法進(jìn)行有監(jiān)督訓(xùn)練，并在測(cè)試集上進(jìn)行測(cè)試。表3為本文方法與Libra R-CNN(Pang等，2019)和Grid-R-CNN(Lu等，2019)方法的實(shí)驗(yàn)結(jié)果對(duì)比?？梢钥闯?，在常規(guī)的圖像檢測(cè)任務(wù)中，本文方法仍然表現(xiàn)出較好的性能。

表3 COCO數(shù)據(jù)集實(shí)驗(yàn)結(jié)果Table 3 The experimental results on COCO dataset

3.4 消融實(shí)驗(yàn)

本文方法是在YOLO-V3基礎(chǔ)上進(jìn)行的改進(jìn)，所以為了凸顯改進(jìn)后的模型相較于原始網(wǎng)絡(luò)的優(yōu)越性，進(jìn)行了消融實(shí)驗(yàn)。

表4 玻璃絕緣子到復(fù)合絕緣子消融實(shí)驗(yàn)結(jié)果Table 4 The ablation study of glass→composite

在將復(fù)合絕緣子作為有標(biāo)簽的源域、玻璃絕緣子作為無(wú)標(biāo)簽的目標(biāo)域的使用中，與glass→composite實(shí)驗(yàn)設(shè)置相同，β、λ1、λ2、λ3分別設(shè)置為0.1、3、3、1，實(shí)驗(yàn)結(jié)果如表5所示?？梢钥闯?，在YOLO-V3的基準(zhǔn)識(shí)別率17.0%的基礎(chǔ)上，差異分類(lèi)模塊和對(duì)抗一致性分類(lèi)模塊分別將mAP提高了2.8%和6.4%。

表5 復(fù)合絕緣子到玻璃絕緣子消融實(shí)驗(yàn)結(jié)果Table 5 The ablation study of composite→glass

從上述實(shí)驗(yàn)可以看出，本文方法在不同目標(biāo)數(shù)據(jù)集的跨域絕緣子檢測(cè)任務(wù)上都能夠提高模型性能，充分說(shuō)明了本文算法能夠避免輸電線路復(fù)雜背景的影響，在無(wú)監(jiān)督的條件下促使模型提取不同類(lèi)型絕緣子具有的魯棒性特征。

3.5 參數(shù)分析

在式(11)中，差異分類(lèi)和對(duì)抗一致性在整體損失函數(shù)中的權(quán)重分別為β、λ1、λ2、λ3。本節(jié)通過(guò)分析權(quán)重參數(shù)，討論4項(xiàng)損失函數(shù)對(duì)模型整體性能的影響。在此過(guò)程中，分析其中一項(xiàng)損失函數(shù)的作用時(shí)，其他項(xiàng)的權(quán)重設(shè)置為最優(yōu)值，以便觀察該項(xiàng)權(quán)重對(duì)整體性能的影響。

圖9為參數(shù)β對(duì)mAP值的影響?？梢钥闯?，β分別取值為1和0.1時(shí)，glass→composite和composite→glass兩個(gè)任務(wù)取得了最優(yōu)結(jié)果，mAP分別為55.1%和23.4%。在兩個(gè)跨域任務(wù)中，β對(duì)整體性能的波動(dòng)相較其他3個(gè)參數(shù)影響較小，反映出YOLO-V3缺乏對(duì)檢測(cè)不同類(lèi)型絕緣子的自適應(yīng)能力。

圖9 β參數(shù)分析Fig.9 The parameter analysis of β

λ1是對(duì)源域絕緣子類(lèi)別約束的權(quán)重，其參數(shù)分析結(jié)果如圖10所示?？梢钥闯觯瑢⑵湓O(shè)置為3時(shí)，在兩個(gè)不同的任務(wù)上mAP都達(dá)到了最大值，分別為55.1%和23.4%。通過(guò)對(duì)源域絕緣子進(jìn)行類(lèi)別約束使模型提取屬于源域絕緣子的特征，為后續(xù)對(duì)抗訓(xùn)練提取不同絕緣子具有一致性的特征奠定了基礎(chǔ)。

圖10 λ1參數(shù)分析Fig.10 The parameter analysis of λ1

λ2是對(duì)目標(biāo)域絕緣子類(lèi)別約束的權(quán)重，參數(shù)分析結(jié)果如圖11所示?？梢钥闯?，當(dāng)λ2為3時(shí)，兩個(gè)任務(wù)的性能都達(dá)到了最優(yōu)值，在glass→composite和composite→glass上mAP分別達(dá)到了55.1%和23.4%。由于λ1和λ2對(duì)應(yīng)的損失函數(shù)都是對(duì)不同類(lèi)型絕緣子進(jìn)行類(lèi)別約束，所以結(jié)果具有相似性。

圖11 λ2參數(shù)分析Fig.11 The parameter analysis of λ2

λ3控制模型提取絕緣子一致性特征的能力，對(duì)增強(qiáng)模型的魯棒性、提升模型性能具有重要作用。對(duì)其參數(shù)分析的結(jié)果如圖12所示。由結(jié)果可以看出，在復(fù)合跨玻璃的目標(biāo)檢測(cè)中，λ3為1時(shí)，對(duì)應(yīng)項(xiàng)對(duì)模型性能的貢獻(xiàn)最高，mAP達(dá)到23.4%。在玻璃跨復(fù)合的任務(wù)中，模型最高性能對(duì)應(yīng)的λ3值為10。所以，對(duì)不同的跨域任務(wù)，設(shè)定不同的λ3以獲取最優(yōu)的性能。兩個(gè)任務(wù)中最優(yōu)性能對(duì)應(yīng)的λ3不同，主要是因?yàn)閿?shù)據(jù)集樣本不均衡所致，用于訓(xùn)練的復(fù)合絕緣子樣本數(shù)量比玻璃絕緣子少約700幅圖像，所以對(duì)樣本數(shù)據(jù)少的任務(wù)該項(xiàng)權(quán)重不宜過(guò)大。

圖12 λ3參數(shù)分析Fig.12 The parameter analysis of λ3

4 結(jié) 論

為提高輸電線路巡維中的絕緣子檢測(cè)效率，降低人工標(biāo)注成本，提出一種對(duì)抗一致性約束的無(wú)監(jiān)督域自適應(yīng)絕緣子檢測(cè)算法。該方法對(duì)源域樣本與目標(biāo)域樣本的網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與對(duì)應(yīng)的絕緣子類(lèi)別進(jìn)行約束，使模型能夠提取到不同類(lèi)型絕緣子獨(dú)有的特征。在對(duì)抗學(xué)習(xí)過(guò)程中引入一個(gè)額外的分類(lèi)器用于將源域中絕緣子特征與從目標(biāo)域中預(yù)測(cè)到的目標(biāo)物特征分到同一類(lèi)別下，從而使模型能提取不同類(lèi)型絕緣子共有的魯棒性特征。該方法減小了不同類(lèi)型絕緣子間存在的域差異，提高了模型的泛化性能。在實(shí)驗(yàn)部分，本文與目前先進(jìn)的無(wú)監(jiān)督域自適應(yīng)目標(biāo)檢測(cè)算法進(jìn)行了對(duì)比，結(jié)果證明了本文所提算法的優(yōu)越性，同時(shí)在主流數(shù)據(jù)集COCO上的實(shí)驗(yàn)結(jié)果展示了本文算法的可擴(kuò)展性。消融實(shí)驗(yàn)中，通過(guò)對(duì)比改進(jìn)前后模型的性能，證明了本文方法的有效性。參數(shù)分析中，通過(guò)改變超參數(shù)觀察該方法對(duì)整體性能的影響，從而選取了最優(yōu)的參數(shù)。然而本文方法還需要有標(biāo)簽的源域樣本對(duì)模型進(jìn)行訓(xùn)練。在未來(lái)的工作中，將進(jìn)一步研究不同類(lèi)型絕緣子之間特征的差別，探索無(wú)需標(biāo)注樣本就可以識(shí)別不同類(lèi)型絕緣子的方法。