王 凱，許 敏，孫 翔，許 全，譚守標(biāo)

(安徽大學(xué) 電子信息工程學(xué)院，合肥 230000)

1 引 言

絕緣子作為輸電線路的重要組成部分，具有良好的電流絕緣和機(jī)械保護(hù)支撐作用[1].其長(zhǎng)期暴露在自然環(huán)境惡劣的野外工作環(huán)境，從而很容易出現(xiàn)自爆、污穢等缺陷[2]，直接影響了架空輸電線路的安全和穩(wěn)定性，甚至給社會(huì)造成巨大的經(jīng)濟(jì)損失[3].因此，為了確保電力系統(tǒng)的穩(wěn)定運(yùn)行，絕緣子的定期檢查、維護(hù)是十分重要的.

傳統(tǒng)的絕緣子缺陷檢測(cè)主要依靠人工借助檢測(cè)工具實(shí)地勘察、直升機(jī)載人巡檢、再到后來(lái)通過(guò)傳統(tǒng)檢測(cè)算法分析無(wú)人機(jī)采集的輸電線路圖像.但是，我國(guó)的電力基礎(chǔ)設(shè)施大多具有規(guī)模大、覆蓋范圍廣、輸電線路間結(jié)構(gòu)復(fù)雜多變等特點(diǎn)，這些巡檢方式在效率、安全性、成本、準(zhǔn)確度等方面都存在明顯的缺陷.近年來(lái)，隨著深度學(xué)習(xí)的飛躍發(fā)展，圖像分類、目標(biāo)檢測(cè)和語(yǔ)義分割等深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺(jué)中取得了巨大的進(jìn)步，并且在實(shí)際工程中得到了廣泛的應(yīng)用[4].基于此，國(guó)內(nèi)各電網(wǎng)公司相繼開(kāi)始將互聯(lián)網(wǎng)、人工智能和電力系統(tǒng)相結(jié)合，以圖像采集設(shè)備無(wú)人機(jī)為介質(zhì)，將深度學(xué)習(xí)技術(shù)[5]應(yīng)用到絕緣子缺陷檢測(cè).深度學(xué)習(xí)通過(guò)自主學(xué)習(xí)的訓(xùn)練方式，加上各個(gè)層級(jí)之間的互相聯(lián)系，顯著地提升了網(wǎng)絡(luò)的特征提取能力，并且非線性表達(dá)能力也非常豐富.解決了傳統(tǒng)方法在效率、成本、準(zhǔn)確度等方面的不足，并對(duì)輸電線路所處的復(fù)雜自然環(huán)境有很好的適應(yīng)能力.

無(wú)人機(jī)航拍圖像視野大，角度多變，導(dǎo)致航拍的絕緣子圖像具有缺陷區(qū)域面積較小、背景復(fù)雜、干擾目標(biāo)多等特點(diǎn).基于上述無(wú)人機(jī)航拍絕緣子圖像的特點(diǎn)，目前已經(jīng)有了一系列基于深度學(xué)習(xí)的絕緣子缺陷檢測(cè)算法研究.Liao等人[6]使用結(jié)合了深度殘差網(wǎng)絡(luò)Resnet101的Faster R-CNN算法對(duì)絕緣子缺陷進(jìn)行檢測(cè)，與傳統(tǒng)的檢測(cè)算法相比，顯著提升了絕緣子缺陷的檢測(cè)精度，但是該算法計(jì)算量較大，無(wú)法滿足絕緣子缺陷檢測(cè)的實(shí)時(shí)性需求.Yao等人[7]將YOLOv3應(yīng)用于絕緣子缺陷檢測(cè)，使用GIoU損失函數(shù)代替了原始損失函數(shù)的IoU損失，在不增加模型尺寸的情況下，相比較原YOLOv3算法提高了絕緣子的檢測(cè)精度，但是漏檢現(xiàn)象比較嚴(yán)重.Ling等人[8]采用級(jí)聯(lián)的策略，首先通過(guò)Faster R-CNN檢測(cè)出絕緣子的位置，然后再使用U-net分割識(shí)別缺陷目標(biāo)，但是當(dāng)絕緣子重疊時(shí)，該算法的絕緣子缺陷檢測(cè)性能會(huì)顯著降低.Wu等人[9]通過(guò)改進(jìn)YOLOv3，設(shè)計(jì)了一種基于目標(biāo)區(qū)域(ROI)的絕緣子缺陷定位方法.

基于上述分析可知，由于航拍圖像中絕緣子缺陷區(qū)域面積小且背景復(fù)雜等特點(diǎn)，導(dǎo)致目標(biāo)檢測(cè)算法的絕緣子缺陷檢測(cè)精度差.針對(duì)上述問(wèn)題，并考慮到實(shí)際工程應(yīng)用中絕緣子缺陷檢測(cè)實(shí)時(shí)性的需求，本章選取當(dāng)前最流行的單階段檢測(cè)算法YOLOv3進(jìn)行研究，提出了基于YOLOv3改進(jìn)的絕緣子缺陷檢測(cè)算法GC-SPP-YOLOv3.實(shí)驗(yàn)表明，該方法相比較原始YOLOv3檢測(cè)精度提升了3.43%，并且檢測(cè)速度幾乎沒(méi)有損耗，依然可以滿足絕緣子缺陷檢測(cè)的實(shí)時(shí)性的需求.

2 基于YOLOv3改進(jìn)的絕緣子缺陷檢測(cè)算法

絕緣子缺陷檢測(cè)具有缺陷目標(biāo)較小、分辨率低、特征信息少、特征表達(dá)能力較弱等難點(diǎn)，針對(duì)上述問(wèn)題，本文以提高絕緣子缺陷特征的表達(dá)能力為出發(fā)點(diǎn)進(jìn)行一系列探索工作，主要改進(jìn)如下：

1)借鑒Ghost Module[10]的思想，提出新的特征提取網(wǎng)絡(luò)G-Darknet53，在保證檢測(cè)精度不變的情況下，降低了模型在特征提取階段的計(jì)算量，檢測(cè)速度得到顯著提升；

2)在G-Darknet53中引入雙重注意力機(jī)制CBAM[11]，優(yōu)化骨干網(wǎng)絡(luò)的特征表達(dá)能力，豐富特征圖中絕緣子缺陷特征信息；

3)在YOLOv3的3個(gè)Detection head前面分別引入了空間金字塔模塊，結(jié)合全局和局部的多尺度特征信息來(lái)豐富絕緣子缺陷目標(biāo)的表征層次，改進(jìn)算法GC-SPP-YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

圖1 GC-SPP-YOLOv3算法的網(wǎng)絡(luò)結(jié)構(gòu)

2.1 特征提取網(wǎng)絡(luò)G-Darknet53

在傳統(tǒng)的卷積操作中，為了讓模型對(duì)輸入的圖片有透徹的理解，一般會(huì)通過(guò)大量卷積計(jì)算生成豐富冗余的特征圖.特征圖的冗余成為那些優(yōu)秀的目標(biāo)檢測(cè)算法的一個(gè)特性.將ResNet50生成的特征圖進(jìn)一步處理得到圖2[10]，其中相似的特征圖使用相同顏色的框標(biāo)注.

圖2 特征圖可視化

如圖2所示，特征圖中存在大量的冗余相似特征圖，這些冗余特征圖為常見(jiàn)的檢測(cè)算法帶來(lái)了較好的檢測(cè)效果，但是過(guò)多的卷積操作會(huì)導(dǎo)致大量的計(jì)算量.因此，如何在保持檢測(cè)性能不變的情況下，減少卷積操作的計(jì)算量成為重要的研究點(diǎn).針對(duì)上述問(wèn)題，Han等人[10]提出了一個(gè)全新的Ghost Module，Ghost Module的主要思想分為兩步：首先通過(guò)少量卷積獲得輸入圖片的基礎(chǔ)特征；然后基于上述基礎(chǔ)特征，通過(guò)一系列簡(jiǎn)單的線性操作(Cheap Operations)生成豐富冗余的特征圖，與普通卷積相比，所需要的參數(shù)量顯著降低.

對(duì)于傳統(tǒng)卷積獲取冗余特征，假設(shè)輸入數(shù)據(jù)為X，通道數(shù)為c，則通過(guò)傳統(tǒng)卷積獲取n個(gè)特征圖的計(jì)算過(guò)程如式(1)所示，其中f為卷積核權(quán)重，b表示偏置項(xiàng).

Y=X*f+b

(1)

而對(duì)于GhostModule，通過(guò)通道數(shù)為c的基礎(chǔ)特征獲取n通道特征圖的計(jì)算過(guò)程如式(2)、式(3)所示.

Y′=X*f′+b

(2)

(3)

圖3 G-Darknet53結(jié)構(gòu)

2.2 雙重注意力模塊

注意力機(jī)制的思想主要是由人類視覺(jué)感知系統(tǒng)的工作原理啟發(fā)而來(lái)，當(dāng)需要關(guān)注視野中各種各樣物體中的某一個(gè)時(shí)，視覺(jué)感知系統(tǒng)會(huì)通過(guò)復(fù)雜的視覺(jué)工作機(jī)制將感興趣的物體聚焦，而對(duì)于周圍不感興趣的物體，就將其模糊或者淡化[12].Yu等人[13]將注意力機(jī)制的概念引入自然語(yǔ)言處理領(lǐng)域，并取得了巨大進(jìn)步，基于此，隨后在計(jì)算機(jī)視覺(jué)領(lǐng)域掀起了注意力機(jī)制的研究熱潮，當(dāng)今目標(biāo)檢測(cè)中常用的注意力機(jī)制有主要有CBAM和SENet[14]等.

由于無(wú)人機(jī)、直升機(jī)獲取的輸電線路圖像具有視野大、目標(biāo)小、場(chǎng)景復(fù)雜等特點(diǎn)，導(dǎo)致圖像中缺陷特征信息少，為了提升網(wǎng)絡(luò)的特征表達(dá)能力，以豐富特征圖中的絕緣子缺陷特征信息，因此考慮在上述提出的特征提取網(wǎng)絡(luò)G-Darknet53中引用雙重注意力機(jī)制模塊CBAM，CBAM的結(jié)構(gòu)如圖4所示.

圖4 CBAM結(jié)構(gòu)圖

相比較SENet只關(guān)注特征通道的相關(guān)性，CBAM通過(guò)通道注意力機(jī)制和空間注意力機(jī)制結(jié)合的方式來(lái)提升模型的特征提取能力.在對(duì)提取的特征進(jìn)行篩選加權(quán)的過(guò)程中，通道注意力機(jī)制著重關(guān)注“目標(biāo)是什么”，使用平均池化和最大池化對(duì)特征圖進(jìn)行處理以降維，然后由多層感知機(jī)為每個(gè)通道的權(quán)重重新進(jìn)行分配.其公式如式(4)所示，其中，σ代表激活函數(shù).W0，W1為共享感知機(jī)的兩層參數(shù).

(4)

空間注意力機(jī)制著重關(guān)注的信息部分則是“目標(biāo)在哪里”，首先采用最大池化和平均池化操作將通道數(shù)為C的特征圖壓縮至1，從而充分學(xué)習(xí)空間注意力的特征.其計(jì)算公式如式(5)所示，其中f7×7表示7×7大小的卷積核操作.

(5)

通過(guò)上述兩種方式結(jié)合的方式來(lái)側(cè)重提取有用的特征信息，而對(duì)于無(wú)用或普通信息則進(jìn)行弱化，具體表現(xiàn)為在訓(xùn)練學(xué)習(xí)的過(guò)程中對(duì)特征圖的權(quán)重重新賦值[14]，注意力模型的注意點(diǎn)就是權(quán)重較高的特征圖.從而更加高效地利用特征提取網(wǎng)絡(luò)所提取的特征信息，以提升模型檢測(cè)性能.本文將每個(gè)殘差分支都插入一個(gè)CBAM模塊，如圖5所示，以提升網(wǎng)絡(luò)的特征表達(dá)能力，本文將這個(gè)特征提取網(wǎng)絡(luò)稱為GC-Darknet53.

圖5 Residual Block集成CBAM的結(jié)構(gòu)

2.3 空間金字塔模塊

YOLOv3通過(guò)借鑒特征金字塔FPN[15]的思想，引入了多尺度檢測(cè)策略.通過(guò)融合3個(gè)不同尺寸的特征圖對(duì)不同大小的目標(biāo)進(jìn)行檢測(cè)，提升了YOLOv3在小目標(biāo)檢測(cè)方面的效果.但是YOLOv3的多尺度策略在對(duì)物體進(jìn)行檢測(cè)時(shí)，僅側(cè)重于融合網(wǎng)絡(luò)不同卷積層的全局特征，而忽略了同一卷積層在不同尺度上的局部區(qū)域特征的融合.因此，本節(jié)引入一個(gè)空間金字塔池化結(jié)構(gòu)SPP模塊[16]，根據(jù)絕緣子數(shù)據(jù)集的特點(diǎn)，在YOLOv3的3個(gè)Detection head前的第5和第6個(gè)卷積層之間分別添加一個(gè)SPP模塊，改進(jìn)的SPP模塊的結(jié)構(gòu)如圖6所示，使用k={1×1，5×5，9×9，13×13}的最大池化方式對(duì)特征圖進(jìn)行處理，再把各個(gè)尺寸的特征圖與原特征圖進(jìn)行Concat操作.基于此設(shè)計(jì)，以池化和融合的方式充分利用同一卷積層的不同尺度的局部區(qū)域特征信息，結(jié)合全局和局部的多尺度特征信息來(lái)豐富絕緣子缺陷目標(biāo)的表征層次，以提升絕緣子缺陷檢測(cè)精度.

圖6 空間金字塔模塊結(jié)構(gòu)

3 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)所用的操作系統(tǒng)是64位Ubuntu18.04，深度學(xué)習(xí)框架采用的是Pytorch.具體實(shí)驗(yàn)環(huán)境配置如表1所示.

表1 實(shí)驗(yàn)環(huán)境

3.1 實(shí)驗(yàn)數(shù)據(jù)集

本文以某電網(wǎng)子公司提供的無(wú)人機(jī)巡檢輸電線路數(shù)據(jù)集作為本文絕緣子缺陷檢測(cè)研究所用數(shù)據(jù)集.原始輸電線路數(shù)據(jù)集共包括8780張圖片，主要包括絕緣子、防震錘、塔號(hào)牌、散斷股、鳥(niǎo)巢、大金具等類別.本文主要對(duì)輸電線路上的絕緣子部件自爆缺陷的檢測(cè)方法進(jìn)行研究，通過(guò)數(shù)據(jù)清洗、數(shù)據(jù)分類等操作篩選出絕緣子自爆缺陷樣本.此外，本文還對(duì)開(kāi)源絕緣子數(shù)據(jù)集[17]中的自爆缺陷樣本進(jìn)行挑選并加入到本文數(shù)據(jù)集中，最終圖片總數(shù)為1044張，為了方便后文討論，將合并的數(shù)據(jù)集命名為CPLIFD(Chinese Power Line Insulator Fault Dataset).數(shù)據(jù)集中的絕緣子缺陷樣本圖像如圖7所示.

圖7 絕緣子缺陷樣本

由于通過(guò)無(wú)人機(jī)巡檢拍攝的圖像具有視野大、目標(biāo)小等特點(diǎn)，數(shù)據(jù)集中大部分圖像中的絕緣子缺陷部位皆為小尺寸目標(biāo)，此外，由于輸電線路大都分布在野外無(wú)人的環(huán)境，無(wú)人機(jī)巡檢拍攝圖片的背景復(fù)雜多樣，復(fù)雜的背景涵蓋輸電塔、田野、樹(shù)林、山丘、民房等等.進(jìn)而導(dǎo)致無(wú)人機(jī)巡檢圖像中的目標(biāo)可能出現(xiàn)模糊、遮擋等問(wèn)題，甚至同一目標(biāo)在不同圖像中形狀、尺度不一.因此，當(dāng)前對(duì)輸電線路中小目標(biāo)部件缺陷的實(shí)時(shí)、精準(zhǔn)檢測(cè)是一個(gè)非常棘手的任務(wù).

3.2 評(píng)價(jià)指標(biāo)

目標(biāo)檢測(cè)領(lǐng)域?qū)δＰ蜋z測(cè)性能評(píng)價(jià)有特定的指標(biāo)，普遍使用的評(píng)價(jià)標(biāo)準(zhǔn)有精確率(Precision)和召回率(Recall).Precision又稱查準(zhǔn)率，它的含義是在被識(shí)別為正類別的所有樣本中，現(xiàn)實(shí)情況下也為正類別的比例.Recall又稱查全率，它的含義是在現(xiàn)實(shí)情況下為正例的全部樣本中，模型對(duì)其識(shí)別結(jié)果仍為正例樣本的比例.它們的計(jì)算公式如式(6)、式(7)所示：

(6)

(7)

式(6)、式(7)中的TP(TruePosition)、TN(TrueNegative)、FP(FalsePosition)、FN(FalseNegative)分別代表的含義如下：

TP：將真正的正類樣本預(yù)測(cè)為正類樣本的個(gè)數(shù)，即預(yù)測(cè)正確的預(yù)測(cè)框中與其對(duì)應(yīng)真實(shí)邊界框的IoU值大于0.5的個(gè)數(shù)；

TN：將真正的負(fù)類樣本預(yù)測(cè)為負(fù)類樣本的個(gè)數(shù)；

FP：將真正的負(fù)類樣本預(yù)測(cè)為正類樣本的個(gè)數(shù)，即誤檢的邊界框中個(gè)數(shù)；

FN：將真正的正類樣本預(yù)測(cè)為負(fù)類樣本的數(shù)量，即實(shí)際漏檢個(gè)數(shù).

精確率和召回率是互斥存在的.比如采用增加置信度閾值的方式將精確率提高，但是這樣會(huì)過(guò)濾了之前一些正確預(yù)測(cè)的邊界框，漏檢數(shù)量增加，從而降低了召回率.為了避免上述兩者間的局限性，研究者提出了精確率-召回率曲線(PR曲線)的概念，可以得到不同召回率所對(duì)應(yīng)的精確率.進(jìn)而衍生了平均精度AP(Average Precision)的概念，代表在0-1范圍內(nèi)不同查全率對(duì)應(yīng)查準(zhǔn)率的平均值，一般將其作為算法對(duì)一個(gè)類別的檢測(cè)性能指標(biāo)，AP的計(jì)算公式為：

(8)

為了對(duì)算法在全部類別上的檢測(cè)性能進(jìn)行驗(yàn)證，又出現(xiàn)了平均精度均值mAP(Mean Average Precision).若類別個(gè)數(shù)為N，則mAP的計(jì)算公式為：

(9)

本文在驗(yàn)證上述所提出的絕緣子缺陷檢測(cè)算法的檢測(cè)性能所用到的評(píng)估指標(biāo)主要包括：精確率(Precision)、召回率(Recall)、AP、mAP等.

3.3 訓(xùn)練細(xì)節(jié)

本文所研究的目標(biāo)檢測(cè)算法為基于數(shù)據(jù)驅(qū)動(dòng)的有監(jiān)督學(xué)習(xí)，需要大量的數(shù)據(jù)來(lái)訓(xùn)練模型.而CPLIFD數(shù)據(jù)集中的絕緣子缺陷目標(biāo)個(gè)數(shù)并不充裕.因此，對(duì)數(shù)據(jù)集進(jìn)行角度旋轉(zhuǎn)、翻轉(zhuǎn)、裁剪拼接等數(shù)據(jù)增強(qiáng)操作，最終得到的數(shù)據(jù)集共包括4020張圖片，并將按照大約7∶2∶1劃分?jǐn)?shù)據(jù)集，劃分后得到訓(xùn)練集2814張、驗(yàn)證集804張、測(cè)試集402張.

將上述針對(duì)YOLOv3的一系列算法改進(jìn)分別在CPLIFD數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn).由于YOLOv3會(huì)將輸入圖像的大小resize為640×640，因此，首先將CPLIFD數(shù)據(jù)集中的圖像的寬和高同樣以640為基準(zhǔn)，進(jìn)行縮放，從而加快網(wǎng)絡(luò)的訓(xùn)練速度.訓(xùn)練時(shí)采用的預(yù)訓(xùn)練模型為官方ImageNet數(shù)據(jù)集[18]上的模型，具體訓(xùn)練參數(shù)設(shè)置如表2所示.

表2 網(wǎng)絡(luò)訓(xùn)練時(shí)的超參數(shù)設(shè)置

3.4 實(shí)驗(yàn)結(jié)果與分析

依次使用上述改進(jìn)策略組合在CPLIFD數(shù)據(jù)集上進(jìn)行訓(xùn)練，實(shí)驗(yàn)結(jié)果如表3所示.由表3可知，在使用原始YOLOv3算法的實(shí)驗(yàn)1中defect的mAP為86.37%.在原始YOLOv3算法的基礎(chǔ)上添加了所有的改進(jìn)策略之后(實(shí)驗(yàn)4)，mAP為89.80%，絕緣子缺陷檢測(cè)精度相比原始YOLOv3算法提高了3.43%，檢測(cè)速度幾乎一致，仍滿足實(shí)際工程中絕緣子缺陷檢測(cè)的實(shí)時(shí)性需求，由此證明了本章改進(jìn)策略的有效性.實(shí)驗(yàn)3中引入集成了特征提取網(wǎng)絡(luò)G-Darknet53和雙重注意力機(jī)制CBAM模塊的GC-Darknet53，mAP相比較未使用任何改進(jìn)策略的實(shí)驗(yàn)1提高了2.02%，因此得出本章提出的特征提取網(wǎng)絡(luò)GC-Darknet是改善絕緣子缺陷檢測(cè)精度的重要因素，并且檢測(cè)速度方面也有很大的優(yōu)勢(shì).實(shí)驗(yàn)4通過(guò)改進(jìn)的空間金字塔模塊充分利用同一卷積層的多尺度局部特征信息，以豐富特征圖信息，相比于僅針對(duì)特征提取網(wǎng)絡(luò)改進(jìn)的實(shí)驗(yàn)3的mAP提升了1.49%，肯定了本文引入的空間金字塔模塊在提升絕緣子缺陷檢測(cè)精度方面的作用.

表3 不同策略組合在CPLIFD數(shù)據(jù)集上的效果

表3中的實(shí)驗(yàn)2使用了全新的特征提取網(wǎng)絡(luò)G-Darknet53，在獲取相同特征圖的情況下，與普通卷積相比，計(jì)算復(fù)雜度顯著降低.如表4所示，相比較實(shí)驗(yàn)1，模型的參數(shù)量顯著減少，前向推理時(shí)間和NMS過(guò)濾時(shí)間降低，模型的FPS提高了18 f/s，證明了G-Darknet53在檢測(cè)速度提升方面的有效性.并且檢測(cè)精度方面也略有改善，mAP提升了0.35%.

表4 G-Darknet53在CPLIFD數(shù)據(jù)集上的檢測(cè)效果

表3中的實(shí)驗(yàn)3在G-Darknet53的基礎(chǔ)上，引入了雙重注意力機(jī)制CBAM，得到了新的特征提取網(wǎng)絡(luò)GC- Darknet53.為了進(jìn)一步證明該改進(jìn)策略的有效性，本文提出了下述改進(jìn)：在G-Darknet53的基礎(chǔ)上，在3個(gè)預(yù)測(cè)分支的前面添加一個(gè)CBAM模塊；在G-Darknet53的基礎(chǔ)上，在每個(gè)殘差分支上添加一個(gè)通道注意力SENet模塊；將上述注意力機(jī)制改進(jìn)策略分別在CPLIFD數(shù)據(jù)集上進(jìn)行訓(xùn)練，實(shí)驗(yàn)結(jié)果如表5所示.由表5可知，GC-Darknet53中注意力機(jī)制的改進(jìn)策略在檢測(cè)精度方面的表現(xiàn)最好，其他兩種注意力機(jī)制改進(jìn)策略的檢測(cè)精度相比GC-Darknet53分別降低了1.69%和1.29%，基于上述實(shí)驗(yàn)分析，肯定了GC-Darknet53在提升絕緣子缺陷檢測(cè)精度方面的優(yōu)越性.

表5 不同注意力模塊改進(jìn)策略的對(duì)比效果

上述4個(gè)實(shí)驗(yàn)僅能證明本章的改進(jìn)策略相對(duì)于原始YOLOv3算法有效果，但是其是否能達(dá)到先進(jìn)水準(zhǔn)尚需證明.

因此，將本章改進(jìn)方法GC-SPP-YOLOv3與目前主流的目標(biāo)檢測(cè)方法[21-23]在一致的數(shù)據(jù)處理的前提下，在CPLIFD數(shù)據(jù)集上進(jìn)行一系列的對(duì)比實(shí)驗(yàn)，具體結(jié)果如表6所示.

表6 不同目標(biāo)檢測(cè)算法的檢測(cè)效果

由表6可知，在上述未添加任何改進(jìn)的目標(biāo)檢測(cè)算法中，F(xiàn)aster R-CNN的絕緣子缺陷檢測(cè)精度最高，mAP達(dá)到了87.1%，但是其檢測(cè)速度相比于SSD、YOLO系列算法有明顯劣勢(shì)，因此很難應(yīng)用于實(shí)際的絕緣子缺陷檢測(cè)工程中.與此同時(shí)，GC-SPP-YOLOv3在CPLIFD數(shù)據(jù)集上的mAP相對(duì)于Faster R-CNN提升了2.7%，并且在檢測(cè)速度上有顯著的優(yōu)勢(shì).另外一方面，雖然GC-SPP-YOLOv3的檢測(cè)速度相對(duì)于YOLOv2有劣勢(shì)，但是mAP提升了10.5%.基于上述一系列實(shí)驗(yàn)對(duì)比與分析，可以得出本文提出的改進(jìn)算法GC-SPP-YOLOv3在檢測(cè)精度和檢測(cè)速度方面均有顯著優(yōu)勢(shì)，能夠滿足實(shí)際工程中絕緣子缺陷檢測(cè)的需求，其在CPLIFD數(shù)據(jù)集上的檢測(cè)效果如圖8所示.

圖8 GC-SPP-YOLOv3的檢測(cè)效果圖

4 結(jié) 論

針對(duì)絕緣子缺陷目標(biāo)小、導(dǎo)致缺陷特征少、檢測(cè)精度差等特點(diǎn)，本文以提高絕緣子缺陷特征的表達(dá)能力為出發(fā)點(diǎn)進(jìn)行一系列探索工作，提出了基于YOLOv3的改進(jìn)算法GC-SPP-YOLOv3.首先在Darknet53的基礎(chǔ)上結(jié)合了Ghost Module和雙重注意力提出了新的特征提取網(wǎng)絡(luò)GC-Darknet53，在提升了檢測(cè)速度的同時(shí)，并優(yōu)化了特征表示.其次在特征提取網(wǎng)絡(luò)后面引入了一個(gè)基于SPP-Net改進(jìn)的空間金字塔模塊，進(jìn)行多重感受野融合，豐富絕緣子缺陷目標(biāo)的表征的層次.大量的實(shí)驗(yàn)證明了本文方法在有效地提升了絕緣子缺陷檢測(cè)的精度的同時(shí)，并且檢測(cè)速度方面也有很大優(yōu)勢(shì)，可以同時(shí)滿足絕緣子缺陷檢測(cè)在檢測(cè)精度和檢測(cè)速度方面的需求，對(duì)推動(dòng)電力系統(tǒng)的自動(dòng)化、智能化具有十分重要的現(xiàn)實(shí)意義.