梁禮明，鄒 培

（江西理工大學(xué)電氣工程與自動(dòng)化學(xué)院，江西贛州 341000）

0 引言

隨著我國(guó)智能電網(wǎng)技術(shù)的快速發(fā)展，各種復(fù)雜環(huán)境下的輸電線路建設(shè)已經(jīng)取得巨大成功，然而輸電線路常年暴露在大自然中，時(shí)常會(huì)出現(xiàn)一些故障，給電力輸送的穩(wěn)定性和安全性均造成較大影響［1］。輸電線路出現(xiàn)故障很大程度上是受絕緣子的影響。絕緣子是輸電線路中重要的組成部分，其一般由玻璃或陶瓷材料制成，可以增加爬電距離、提高輸電效率，但容易出現(xiàn)破損、掉串等問題。為提高電網(wǎng)的安全系數(shù)，必須經(jīng)常對(duì)輸電線路的絕緣子進(jìn)行檢測(cè)，以保證電力輸送質(zhì)量。

1 相關(guān)研究

傳統(tǒng)的絕緣子檢測(cè)方法一般依靠人工方式提取絕緣子的特征信息，如絕緣子的外觀、顏色以及輪廓特征等。例如，尚方等［2］提出一種基于絕緣子顏色特征和空間特征的缺陷檢測(cè)方法，該方法在復(fù)雜多變的背景環(huán)境下也能夠較好地檢測(cè)出絕緣子故障，模型魯棒性較強(qiáng)；方挺等［3］認(rèn)為絕緣子的破損和掉串問題會(huì)嚴(yán)重影響輸電線的絕緣能力，為了及時(shí)檢測(cè)出絕緣子故障，其提出一種基于絕緣子輪廓特征的故障檢測(cè)方法，該方法首先定位出絕緣子的輪廓，然后通過計(jì)算絕緣子數(shù)目判斷出其是否出現(xiàn)掉串等問題。傳統(tǒng)的絕緣子檢測(cè)方法過于依賴特征的人工提取，提取結(jié)果好壞直接影響到模型檢測(cè)絕緣子的精確度。

自深度學(xué)習(xí)理論被提出，業(yè)界開始采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Nerural Network，CNN）自適應(yīng)學(xué)習(xí)絕緣子的語義特征，大幅度提高了檢測(cè)模型的泛化性能和魯棒性。目前主流的目標(biāo)檢測(cè)算法可分為二階段算法、關(guān)鍵點(diǎn)算法、一階段算法3 類。二階段算法首先提取目標(biāo)的候選區(qū)域（錨框），然后對(duì)該區(qū)域進(jìn)行分類和回歸，代表算法包括Faster RCNN（Faster Region-CNN）［4］和SSD（Single Shot Multibox Detector）［5］。二階段法由于提取了更為精確的候選區(qū)域，檢測(cè)精度較高，但步驟稍顯繁瑣，從而導(dǎo)致檢測(cè)速度較慢。例如，Liu 等［6］基于Faster R-CNN 算法提出一種檢測(cè)絕緣子故障檢測(cè)方法，能以較高的精確度檢測(cè)出絕緣子故障位置，但未能解決該類算法速度較慢的問題。關(guān)鍵點(diǎn)算法摒棄了錨框機(jī)制生成候選區(qū)域的步驟，采用目標(biāo)關(guān)鍵點(diǎn)生成點(diǎn)范圍內(nèi)的高斯分布區(qū)域，從而對(duì)點(diǎn)區(qū)域內(nèi)的目標(biāo)像素進(jìn)行分類和回歸，代表算法包括CornerNet［7］、CornerNet-lite［8］、Centernet-triplets［9］。該類算法采用檢測(cè)目標(biāo)的多個(gè)關(guān)鍵點(diǎn)預(yù)測(cè)目標(biāo)的位置和類別，但一幅圖像中的目標(biāo)并不是單一的，可能存在多個(gè)，在預(yù)測(cè)出大量關(guān)鍵點(diǎn)信息時(shí)，需要對(duì)這些關(guān)鍵點(diǎn)進(jìn)行分組，以找出屬于同一目標(biāo)的關(guān)鍵點(diǎn)，該步驟不僅耗時(shí)而且極易產(chǎn)生錯(cuò)誤分組。針對(duì)這個(gè)問題，Zhou 等［10］提出一種CenterNet 算法，其僅用目標(biāo)的中心點(diǎn)信息作為預(yù)測(cè)框，由于模型僅預(yù)測(cè)出每個(gè)目標(biāo)的中心點(diǎn)，不需要對(duì)關(guān)鍵點(diǎn)進(jìn)行分組，大幅度提高了模型的檢測(cè)速度，但中心點(diǎn)特征信息遠(yuǎn)少于多關(guān)鍵點(diǎn)（如角點(diǎn)），故需要更為強(qiáng)大的特征提取網(wǎng)絡(luò)學(xué)習(xí)目標(biāo)的特征表示。一階段算法同時(shí)進(jìn)行目標(biāo)類別的預(yù)測(cè)和邊界框的生成，在檢測(cè)速度上具有明顯優(yōu)勢(shì)。如YOLOv3 算法直接采用Darknet53 網(wǎng)絡(luò)進(jìn)行目標(biāo)的坐標(biāo)和類別預(yù)測(cè)［11］，其將目標(biāo)圖像劃分為多種大小的網(wǎng)格區(qū)域，然后對(duì)每個(gè)網(wǎng)格區(qū)域內(nèi)的像素進(jìn)行檢測(cè)，以判斷出是否含有目標(biāo)像素。YOLOv3 算法采用Darknet53 網(wǎng)絡(luò)同時(shí)進(jìn)行分類和位置預(yù)測(cè)兩個(gè)任務(wù)，這對(duì)模型的特征學(xué)習(xí)能力提出了較大挑戰(zhàn)。例如，陳智羽等［12］基于YOLOv3 算法提出一種絕緣子檢測(cè)算法，其對(duì)Draknet53 網(wǎng)絡(luò)中的殘差塊［13］進(jìn)行了優(yōu)化，額外增加了小目標(biāo)特征學(xué)習(xí)的殘差模塊，使得模型的特征學(xué)習(xí)能力進(jìn)一步增強(qiáng)。為使一階段算法的檢測(cè)精度進(jìn)一步提高，就必須對(duì)原有特征提取網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，從而使一階段算法的精度和檢測(cè)速度達(dá)到最佳平衡狀態(tài)。隨后，YOLOv4 算法［14］的提出解決了一階段算法檢測(cè)精度不夠的問題。該算法從特征提取網(wǎng)絡(luò)結(jié)構(gòu)、數(shù)據(jù)處理以及模型訓(xùn)練等多個(gè)方面對(duì)YOLOv3 算法進(jìn)行了改進(jìn)，無論是檢測(cè)精度還是檢測(cè)速度方面均較YOLOv3 算法得到了質(zhì)的提升，但YOLOv4 算法在一些較暗和形變的圖像處理任務(wù)中不能達(dá)到最佳檢測(cè)效果。

鑒于以上問題，本文基于YOLOv4 算法的思想提出一種改進(jìn)的檢測(cè)算法，以克服絕緣子圖像光線較暗的問題，并自適應(yīng)絕緣子形變圖像的特征學(xué)習(xí)。

2 YOLOv4算法

YOLOv4 是一種通用的目標(biāo)檢測(cè)算法，期在YOLOv3的基礎(chǔ)上從多個(gè)角度對(duì)模型進(jìn)行了優(yōu)化，如在數(shù)據(jù)預(yù)處理部分引入了馬賽克數(shù)據(jù)增強(qiáng)方法，增強(qiáng)了模型的抗干擾能力；在特征提取網(wǎng)絡(luò)結(jié)構(gòu)中，YOLOv4 采用了更為穩(wěn)健的網(wǎng)絡(luò)結(jié)構(gòu)CSPDarknet53，在卷積模塊中采用了非線性表達(dá)能力更強(qiáng)的Mish 激活函數(shù)，并融合了殘差單元與CSPNet［15］網(wǎng)絡(luò)兩者的優(yōu)點(diǎn)，形成了語義特征學(xué)習(xí)能力更強(qiáng)的CSPResNet；在模型訓(xùn)練過程中，引入了Drop-block 的方式隨機(jī)刪除某些神經(jīng)元，以降低模型過擬合的可能性。

YOLOv4 能適應(yīng)多尺度的目標(biāo)檢測(cè)，得益于其強(qiáng)大的特征提取網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

Fig.1 YOLOv4 network structure圖1 YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv4 算法輸入圖像的大小為416×416，通道數(shù)為3，首先經(jīng)過卷積模塊（Conv+BN+Mish）擴(kuò)充圖像的通道特征，再經(jīng)過殘差單元（Residual）提取目標(biāo)的特征信息，并且特征圖像的尺度不斷縮小，通道數(shù)不斷增加。網(wǎng)絡(luò)結(jié)構(gòu)的中部為SPPNet 模塊，可使網(wǎng)絡(luò)獲得較大的感受野，學(xué)習(xí)到更為高級(jí)的語義特征。在網(wǎng)絡(luò)結(jié)構(gòu)后端有跨層連接（Concat）結(jié)構(gòu)以及卷積層，這是由于圖像尺度的變化會(huì)導(dǎo)致特征信息丟失，而增加跨層連接可以對(duì)不同網(wǎng)絡(luò)層的特征信息進(jìn)行融合；卷積層則是為了將特征信息的大小和維度統(tǒng)一后進(jìn)行跨層連接操作。YOLOv4 網(wǎng)絡(luò)的輸出端共有3個(gè)，分別為out1、out2 以及out3，3 個(gè)端口分別輸出52×52、26×26 以及13×13 大小的特征圖，大尺度的特征圖像用于預(yù)測(cè)小目標(biāo)，小尺度的特征圖像用于預(yù)測(cè)大目標(biāo)。

YOLOv4 將特征圖劃分為不同數(shù)量的網(wǎng)絡(luò)格，每個(gè)網(wǎng)絡(luò)格設(shè)置3 個(gè)預(yù)測(cè)框，每個(gè)預(yù)測(cè)框都會(huì)預(yù)測(cè)5 個(gè)參數(shù)，即目標(biāo)的位置坐標(biāo)（x，y）、目標(biāo)預(yù)測(cè)框的寬和高（w，h）以及目標(biāo)所屬類別的置信度（confidence）。本文針對(duì)單類別的絕緣子進(jìn)行檢測(cè)，故模型輸出的維度為3×（5+1）=18。

3 算法建立

3.1 絕緣子檢測(cè)過程中的問題

在采集絕緣子圖像過程中，圖像質(zhì)量會(huì)受到相機(jī)角度和光照等因素的影響，從而導(dǎo)致模型無法很好地學(xué)習(xí)到絕緣子的特征，為此在圖像預(yù)處理過程中需要針對(duì)環(huán)境因素作出相應(yīng)措施。此外，CNN 對(duì)圖像輸入的大小有限制，如YOLOv4 要求輸入的圖像大小為416×416，而采集到的圖像大小一般不能達(dá)到這一要求，常規(guī)處理是對(duì)采集圖像大小直接進(jìn)行調(diào)整，而這會(huì)使得圖像產(chǎn)生非剛體形變，從而損失掉大部分有用的特征信息，在采用卷積層學(xué)習(xí)絕緣子的特征表示時(shí)，卷積層固有的采樣模式并不能很好地對(duì)絕緣子進(jìn)行采樣學(xué)習(xí)。圖2 為某一絕緣子調(diào)整后的圖像和尺寸。

Fig.2 Adjusted insulator image and size圖2 絕緣子調(diào)整后圖像和尺寸

3.2 絕緣子圖像預(yù)處理

YOLOv4 算法采用馬賽克數(shù)據(jù)增強(qiáng)策略豐富目標(biāo)的特征信息，其將4 張目標(biāo)圖像通過隨機(jī)縮放、隨機(jī)翻轉(zhuǎn)以及隨機(jī)放置等方法進(jìn)行組合，在對(duì)圖像數(shù)據(jù)進(jìn)行批次標(biāo)準(zhǔn)化處理時(shí)會(huì)計(jì)算這4 張圖像的相關(guān)參數(shù)，故在GPU 顯存不夠的情況下，設(shè)置較小的batch 參數(shù)便可以較好地訓(xùn)練模型。

從圖3 中可以看出，4 種不同絕緣子圖像的亮度值各不相同，部分圖像存在亮度值過大或過小的問題，這會(huì)給特征提取帶來較大影響。針對(duì)圖像亮度值過大和過小的問題，一般會(huì)采用伽馬變換的方式進(jìn)行調(diào)整。伽馬變換是一種簡(jiǎn)單的指數(shù)運(yùn)算，通過控制灰度縮放系數(shù)c和伽馬因子r的大小對(duì)輸出灰度值大小進(jìn)行調(diào)整，從而改善圖像亮度。假設(shè)輸入圖像和輸出圖像的灰度值分別為i和o，其取值區(qū)間均為［0-1］，則伽馬變換的計(jì)算公式為：

Fig.3 Different insulator picture brightness圖3 不同絕緣子圖像亮度

式中，當(dāng)c 取1 時(shí)，不同的r值對(duì)輸出圖像的灰度值有不同程度的影響；當(dāng)r>1 時(shí)，輸出的灰度值相對(duì)輸入的灰度值會(huì)變小，而r<1時(shí)則相反。

r值需要根據(jù)圖像的特征人為確定。面對(duì)大量圖像數(shù)據(jù)時(shí)，每個(gè)圖像均需要設(shè)定不同的參數(shù)，此時(shí)人工方式已經(jīng)失效。針對(duì)這個(gè)問題，本文借鑒文獻(xiàn)［16］提出的自適應(yīng)伽馬變換方法對(duì)絕緣子圖像亮度值進(jìn)行調(diào)整。首先計(jì)算絕緣子圖像三通道的亮度傾向指數(shù)k［17］，公式為：

式中，Larg為絕緣子圖像亮度均值；Lmin和Lmax分別為絕緣子圖像中亮度值的最小值和最大值。

由式（2）可分別得出絕緣子圖像3 個(gè)通道的k 值。文獻(xiàn)［10］指出k值與式（1）中的r值呈線性關(guān)系，即：

根據(jù)設(shè)定的α和β值即可得出3 個(gè)通道的k 值，結(jié)合式（1）可以得到自適應(yīng)伽馬變換后的圖像亮度值。

3.3 絕緣子圖像形變處理

YOLOv4 算法輸出的特征圖大小是固定的，為滿足這一特性，需要統(tǒng)一輸入圖像的大小（416×416），而本文使用的絕緣子圖像大小為1 152×864。可以看出，絕緣子圖像的寬和高與輸入圖像的寬和高并不同時(shí)呈現(xiàn)倍數(shù)關(guān)系，若強(qiáng)行進(jìn)行尺寸調(diào)整勢(shì)必會(huì)使得絕緣子圖像扭曲，從而導(dǎo)致模型無法學(xué)習(xí)到有用的特征表示。針對(duì)這個(gè)問題，本文采用可變形卷積［18］替代傳統(tǒng)卷積。傳統(tǒng)卷積為規(guī)則的格點(diǎn)采樣模式，并采用滑動(dòng)窗口的方式按照從左到右、從上到下的順序依次遍歷整個(gè)圖像，在面對(duì)形變后產(chǎn)生失真的絕緣子圖像時(shí)，規(guī)則的格點(diǎn)采樣已經(jīng)不能提取到高質(zhì)量的絕緣子特征?？勺冃尉矸e打破了傳統(tǒng)卷積固有的采樣模式，其對(duì)每個(gè)采樣位置均增加了一個(gè)偏移量預(yù)測(cè)，以提高算法對(duì)形變后絕緣子圖像特征的學(xué)習(xí)能力。

現(xiàn)假設(shè)有1 個(gè)大小為3×3 的卷積核kernel，對(duì)輸入特征圖x進(jìn)行傳統(tǒng)卷積計(jì)算，輸出特征圖局部位置l0處的特征映射用T(l0)表示為：

其中kernel及n的分別定義為：

式（4）中的w（*）表示卷積核的權(quán)重值，ln為kernel的某個(gè)局部位置。

可變形卷積與傳統(tǒng)卷積最大的區(qū)別是前者加入了偏移量Δln的學(xué)習(xí)，從而使卷積采樣點(diǎn)可以自適應(yīng)滿足形變的絕緣子圖像，可變形卷積表示為：

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備與處理

選取中國(guó)電力絕緣子公開數(shù)據(jù)庫［19］，其包含不同材料、不同結(jié)構(gòu)的絕緣子圖像，分辨率為1 152×864，從中選取600 張質(zhì)量較好的絕緣子圖像作為本次實(shí)驗(yàn)數(shù)據(jù)。考慮到數(shù)據(jù)庫樣本量較少的問題，本文另從百度圖庫中爬取了400 張絕緣子圖像，并采用LabelImg 軟件對(duì)圖像中的絕緣子進(jìn)行標(biāo)注，標(biāo)注格式為VOC2007。

YOLOv4 算法需要預(yù)先計(jì)算錨框大小，以判斷固定網(wǎng)格內(nèi)是否含有目標(biāo)并優(yōu)化預(yù)測(cè)框與真實(shí)框的距離。原始的YOLOv4 算法得到的錨框數(shù)據(jù)是基于VOC 數(shù)據(jù)庫獲取的，與本文實(shí)驗(yàn)數(shù)據(jù)庫的多樣性與長(zhǎng)寬比例均有較大差異，為此本文采用Kmeans［20］算法重新計(jì)算數(shù)據(jù)庫的錨框。

Kmeans 算法是一種無監(jiān)督的機(jī)器學(xué)習(xí)算法，采用隨機(jī)選擇聚類中心的方式計(jì)算聚類中心與每個(gè)樣本數(shù)據(jù)的特征距離，并根據(jù)距離大小劃分簇，從而得到新的聚類中心，不斷循環(huán)迭代得到最終聚類結(jié)果。本文采用距離公式作為Kmeans算法的優(yōu)化指標(biāo)，表示為：

式中，IoU表示真實(shí)框與預(yù)測(cè)框的交并比。

根據(jù)Kmeans 算法，本文得到9 個(gè)不同大小的錨框，不同特征圖大小對(duì)應(yīng)的錨框關(guān)系如表1所示。

Table 1 Different sizes of the feature map corresponding to anchor box relationship表1 不同特征圖大小對(duì)應(yīng)的錨框關(guān)系

4.2 實(shí)驗(yàn)環(huán)境與模型評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)仿真平臺(tái)為PyCharm，編程語言為Python，采用第三方圖形處理庫OpenCV 及深度學(xué)習(xí)框架Keras。計(jì)算機(jī)配置為Intel?CoreTMi7-6700H CPU，16G 內(nèi)存，Nvidia Ge-Force GTX 2070 GPU，操作系統(tǒng)為Ubuntu16.04.2。模型訓(xùn)練Epoch 數(shù)為100，批次大小設(shè)置為16，學(xué)習(xí)率設(shè)置為0.000 1。

采用精確率P（Precision）和召回率R（Recall）作為模型評(píng)價(jià)指標(biāo)，分別表示為：

式中，TP表示絕緣子被正確預(yù)測(cè)的數(shù)目；FP表示背景被預(yù)測(cè)為絕緣子的數(shù)目；FN表示絕緣子被預(yù)測(cè)為背景的數(shù)目。

為更好地評(píng)價(jià)模型的綜合性能，基于不同的IoU 閾值計(jì)算出模型的平均精確率AP（Average Precision），并采用每秒傳輸幀數(shù)（Frames Per Second，F(xiàn)PS）評(píng)價(jià)算法的檢測(cè)速度，其中AP的計(jì)算公式為：

4.3 實(shí)驗(yàn)結(jié)果比較

為充分驗(yàn)證本文算法的的有效性，采用目前主流目標(biāo)檢測(cè)算法Faster RCNN、YOLOv3、YOLOv4、CornerNet、CenterNet 與本文算法進(jìn)行比較實(shí)驗(yàn)，模型訓(xùn)練與測(cè)試均采用上述數(shù)據(jù)庫，得到的實(shí)驗(yàn)結(jié)果如表2 所示?？梢钥闯?，本文算法的綜合性能最佳，其中AP 指標(biāo)達(dá)到93.2%，比YOLOv4 的檢測(cè)精度提高了0.7%，檢測(cè)速度為43FPS，比YOLOv4 的檢測(cè)速度慢了1 幀，但仍然能夠達(dá)到實(shí)時(shí)性的檢測(cè)要求。表2 的前3 行算法均為錨框算法，使用預(yù)定義的錨框搜索絕緣子可能存在的位置，有利于絕緣子位置的精確判斷，其中原始YOLOv4算法的AP 值和檢測(cè)速度均高于其他兩種算法，這得益與其采用的多模塊網(wǎng)絡(luò)結(jié)構(gòu)，使得算法對(duì)絕緣子的特征學(xué)習(xí)能力大幅度提高。CornerNet 和CenterNet 算法作為無錨框算法的代表，摒棄了錨框機(jī)制的使用，直接將絕緣子的關(guān)鍵點(diǎn)部分作為目標(biāo)候選區(qū)域，在檢測(cè)精度上高于Faster RCNN 和YOLOv3。

Table 2 Comparison of experimental results of different algorithms表2 不同算法實(shí)驗(yàn)結(jié)果比較

圖4 為4 種對(duì)照算法與本文算法在測(cè)試集上的檢測(cè)效果比較，其中實(shí)驗(yàn)圖像為從測(cè)試集中隨機(jī)抽取的2 張圖像，其明亮度以及背景復(fù)雜度均有所不同。

Fig.4 Test results of contrast algorithms compared with proposed algorithm圖4 對(duì)照算法與本文算法測(cè)試效果比較

可以看出，F(xiàn)aster RCNN 和YOLOv3 算法在檢測(cè)絕緣子的位置時(shí)，其預(yù)測(cè)框與真實(shí)目標(biāo)位置存在一定差距，預(yù)測(cè)框并不能精確地包圍住目標(biāo)。CornerNet 算法雖然能夠較為精確地預(yù)測(cè)出絕緣子位置，但存在多個(gè)預(yù)測(cè)框重疊的問題，分析認(rèn)為，該算法雖然摒棄了錨框機(jī)制的使用，而采用預(yù)測(cè)目標(biāo)的一對(duì)角點(diǎn)回歸出目標(biāo)的預(yù)測(cè)框，但在一幅圖像中存在多個(gè)目標(biāo)時(shí)，CornerNet 算法會(huì)預(yù)測(cè)出大量角點(diǎn)對(duì)，在對(duì)角點(diǎn)對(duì)進(jìn)行分組操作時(shí)會(huì)錯(cuò)誤地將不同目標(biāo)的角點(diǎn)分為一組，從而導(dǎo)致不同目標(biāo)的預(yù)測(cè)框出現(xiàn)重疊現(xiàn)象。同時(shí)，本文發(fā)現(xiàn)Faster RCNN、YOLOv3 和CornerNet 算法在第2 張圖像的檢測(cè)中存在一定的漏檢現(xiàn)象，如圖4 第2 列圖像所示，第2 張圖像光線較暗，且絕緣子目標(biāo)存在一定的遮擋現(xiàn)象，導(dǎo)致以上3 種算法產(chǎn)生了漏檢問題，說明這3 種算法不能較好地克服光線昏暗以及目標(biāo)遮擋問題。

YOLOv4 算法在這2 張測(cè)試圖像中的檢測(cè)效果相較其他3 種對(duì)照算法更好，其采用的馬賽克數(shù)據(jù)增強(qiáng)方法能在一定程度上克服目標(biāo)遮擋問題，同時(shí)其穩(wěn)健的模型結(jié)構(gòu)具有很好的語義特征學(xué)習(xí)能力。YOLOv4 算法在第2 張光線較暗的測(cè)試圖像中雖然能夠檢測(cè)出遮擋的絕緣子，但預(yù)測(cè)框不夠精準(zhǔn)，這可能與圖像光線較差以及目標(biāo)圖像形變等因素有關(guān)。綜上所述，本文算法能較好地克服以上問題，采用的自適應(yīng)伽馬變換在光線較暗的場(chǎng)景中也能檢測(cè)出絕緣子，同時(shí)采用的可變形卷積能夠?qū)W習(xí)到各種形變目標(biāo)的特征，自適應(yīng)形變目標(biāo)的精準(zhǔn)預(yù)測(cè)。

4.4 模型魯棒性能驗(yàn)證

為驗(yàn)證本文模型的魯棒性能，對(duì)絕緣子圖像進(jìn)行翻轉(zhuǎn)、裁剪以及縮放處理，然后使用本文模型對(duì)處理后的絕緣子圖像進(jìn)行檢測(cè)，結(jié)果如圖5 所示?？梢钥闯?，絕緣子圖像在經(jīng)過各種變換后會(huì)丟失掉一定量的特征信息，并且存在失真的問題，但本文模型仍然能夠較好地檢測(cè)出相應(yīng)目標(biāo)，充分說明該模型的魯棒性較好。

Fig.5 Robust performance verification of the proposed model圖5 模型魯棒性能驗(yàn)證

5 結(jié)語

本文提出一種基于YOLOv4 的絕緣子檢測(cè)算法，該算法能夠克服圖像形變、失真問題的影響，且具有檢測(cè)精度高、速度快的優(yōu)點(diǎn)，相較于幾種常用絕緣子檢測(cè)算法，本文算法的綜合性能最佳。然而，本文算法在模型訓(xùn)練時(shí)需要花費(fèi)大量時(shí)間，同時(shí)對(duì)計(jì)算機(jī)配置有較高要求，后期將重點(diǎn)研究模型壓縮以及訓(xùn)練效率提高等問題，以實(shí)現(xiàn)算法的成功落地轉(zhuǎn)化。