王年濤 王淑青 湯璐 馬丹

[摘 要]針對(duì)目前復(fù)雜背景下絕緣子缺陷小目標(biāo)檢測(cè)準(zhǔn)確率低的問(wèn)題，提出一種深度學(xué)習(xí)框架下的EfficientNet-YOLOv5s神經(jīng)網(wǎng)絡(luò)檢測(cè)算法，首先通過(guò)無(wú)人機(jī)航拍輸電線路中含有各類絕緣子的圖像，并通過(guò)圖像增強(qiáng)技術(shù)豐富圖像數(shù)據(jù)集，然后用EfficientNet網(wǎng)絡(luò)替換YOLOv5s主干網(wǎng)絡(luò)，用改進(jìn)的網(wǎng)絡(luò)對(duì)標(biāo)注的絕緣子數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試，最后對(duì)模型的損失函數(shù)和非極大值抑制算法加以改進(jìn)，進(jìn)一步解決絕緣子目標(biāo)重疊導(dǎo)致的漏檢問(wèn)題。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的網(wǎng)絡(luò)平均精度達(dá)到98.5%，滿足輸電線路中絕緣子缺陷檢測(cè)要求。

[關(guān)鍵詞]絕緣子；目標(biāo)檢測(cè)；YOLOv5s；EfficientNet

[中圖分類號(hào)]TP391.41[文獻(xiàn)標(biāo)識(shí)碼]A

在輸配電線路中，絕緣子被廣泛使用，起到對(duì)輸電線機(jī)械支撐和對(duì)地絕緣作用。絕緣子的狀態(tài)對(duì)供電系統(tǒng)正常運(yùn)行起到至關(guān)重要的作用^[1]。絕緣子長(zhǎng)期暴露在戶外，易發(fā)生老化、破損、自爆等故障，對(duì)此類故障缺陷的排查一直是電力部門著力解決的問(wèn)題，早期的排查方法是通過(guò)人工現(xiàn)場(chǎng)巡檢，檢測(cè)效率低且安全隱患大。隨著無(wú)人機(jī)技術(shù)和深度學(xué)習(xí)的發(fā)展，無(wú)人機(jī)航拍巡檢成為輸電線路絕緣子缺陷檢測(cè)的主流方法^[2]。

絕緣子檢測(cè)方法歸納起來(lái)分為傳統(tǒng)圖像檢測(cè)方法和深度學(xué)習(xí)檢測(cè)方法。傳統(tǒng)的絕緣子缺陷檢測(cè)方法例如霍夫變換、分水嶺算法、邊緣檢測(cè)等，計(jì)算過(guò)程較為繁瑣，且需要人工提取圖像特征，只適用于背景簡(jiǎn)單，圖像清晰無(wú)遮擋的絕緣子圖像。文獻(xiàn)[3]根據(jù)絕緣子的色彩模型和紋理特征對(duì)輸電線路絕緣子定位，計(jì)算絕緣子的片數(shù)，受重疊目標(biāo)和遮擋的影響較大；文獻(xiàn)[4]根據(jù)絕緣子的輪廓和灰度，對(duì)比相鄰絕緣子片間的差異，檢測(cè)絕緣子的破損缺陷，有較高的檢測(cè)精度，但受到遮擋的影響較大。隨著深度學(xué)習(xí)的發(fā)展，有很多學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于絕緣子的缺陷檢測(cè)上。具有代表性的深度卷積神經(jīng)網(wǎng)絡(luò)有Faster RCNN^[5-6]、YOLO（You Only Look Once）^[7-8]。文獻(xiàn)[9]采用深度學(xué)習(xí)的方法對(duì)輸電線路中的絕緣子等關(guān)鍵部件進(jìn)行檢測(cè)，通過(guò)多層次卷積特征圖拼接融合對(duì)絕緣子的檢測(cè)效果較好；文獻(xiàn)[10]將YOLOv4和改進(jìn)的分水嶺算法結(jié)合，檢測(cè)絕緣子自爆缺陷，檢測(cè)的精度較高，但從檢測(cè)結(jié)果看：對(duì)重疊目標(biāo)檢測(cè)效果一般；文獻(xiàn)[11]提出一種級(jí)聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)，先用VGG主干網(wǎng)絡(luò)對(duì)絕緣子串定位，再用Resnet主干網(wǎng)絡(luò)對(duì)缺陷進(jìn)行檢測(cè)，級(jí)聯(lián)網(wǎng)絡(luò)檢測(cè)精度較高，但是犧牲了檢測(cè)速度同時(shí)增加了網(wǎng)絡(luò)的參數(shù)量。

絕緣子檢測(cè)首先要解決的問(wèn)題是圖像的獲取。由于公開(kāi)的絕緣子數(shù)據(jù)集較少，絕緣子圖像大多是先通過(guò)無(wú)人機(jī)拍攝，再通過(guò)圖像增強(qiáng)擴(kuò)充數(shù)據(jù)集數(shù)量。絕緣子自爆、老化、破損等小目標(biāo)缺陷，對(duì)檢測(cè)模型的要求較高。針對(duì)這些問(wèn)題，本文采用EfficientNet^[12]網(wǎng)絡(luò)適應(yīng)性替換YOLOv5s主干網(wǎng)絡(luò)，通過(guò)EfficientNet網(wǎng)絡(luò)提取絕緣子三種尺度的特征圖，再由YOLOv5s網(wǎng)絡(luò)中的特征金字塔結(jié)構(gòu)進(jìn)行融合，對(duì)損失函數(shù)和輸出預(yù)測(cè)模塊中的非極大值抑制算法加以改進(jìn)，提高重疊目標(biāo)檢測(cè)能力，通過(guò)消融實(shí)驗(yàn)對(duì)比檢測(cè)網(wǎng)絡(luò)的各項(xiàng)參數(shù)。

1 數(shù)據(jù)預(yù)處理

1.1 絕緣子圖像采集

深度學(xué)習(xí)中常用的公開(kāi)圖像數(shù)據(jù)集有ImageNet數(shù)據(jù)集、COCO數(shù)據(jù)集、PASCAL VOC數(shù)據(jù)集、CIFAR-10數(shù)據(jù)集等，這些數(shù)據(jù)集包含豐富的實(shí)驗(yàn)圖像，但不包含絕緣子圖像，因此絕緣子數(shù)據(jù)集是一個(gè)自制數(shù)據(jù)集，在允許無(wú)人機(jī)飛行的區(qū)域，通過(guò)大疆mini2無(wú)人機(jī)拍攝66～500 kV高壓輸電線路中包含絕緣子的視頻，通過(guò)視頻抽幀算法將視頻轉(zhuǎn)換成圖片，剔除掉對(duì)焦模糊和不包含絕緣子目標(biāo)的圖像，最終采集到有效的絕緣子數(shù)據(jù)集圖像共600張。圖1是采集的絕緣子圖像示例，有玻璃絕緣子（Glass Insulator，GI）、陶瓷絕緣子（Porcelain Insulator，PI）、復(fù)合絕緣子（Composite Insulator，CI），其中每種絕緣子圖像200張。

1.2 數(shù)據(jù)增強(qiáng)和標(biāo)注

無(wú)人機(jī)采集的原視頻為4K分辨率，抽幀所得的圖像分辨率為3840×2160，直接對(duì)原圖進(jìn)行訓(xùn)練對(duì)計(jì)算機(jī)硬件配置要求高，同時(shí)導(dǎo)致網(wǎng)絡(luò)參數(shù)過(guò)多，訓(xùn)練時(shí)間較長(zhǎng)，因此通過(guò)圖像裁剪算法將原圖批量裁剪成640×640分辨率，經(jīng)過(guò)裁剪后有效的數(shù)據(jù)集圖像1500張，每種絕緣子圖像500張。這些圖像中絕緣子的角度大多數(shù)為水平或垂直方向，為了避免過(guò)擬合，同時(shí)提高網(wǎng)絡(luò)模型的泛化能力，對(duì)無(wú)人機(jī)采集的圖片進(jìn)行如圖2所示的水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、隨機(jī)旋轉(zhuǎn)、亮度變換、高斯模糊數(shù)據(jù)增強(qiáng)，豐富絕緣子數(shù)據(jù)集。

通過(guò)以上圖像變換，收集到絕緣子數(shù)據(jù)集9000張，通過(guò)LabelImg圖像標(biāo)注工具對(duì)數(shù)據(jù)集進(jìn)行人工標(biāo)注，因需要對(duì)絕緣子進(jìn)行分類和缺陷的檢測(cè)，故將圖像標(biāo)簽標(biāo)注為4種，分別是GI、PI、CI、defect。對(duì)數(shù)據(jù)集按8：1：1的比例劃分成訓(xùn)練集、驗(yàn)證集、測(cè)試集，正負(fù)樣本比例為2：1，即正常絕緣子圖像6000張，有缺陷的絕緣子圖像3000張。

1.3 實(shí)驗(yàn)環(huán)境配置

模型的訓(xùn)練和測(cè)試均在GPU上進(jìn)行，計(jì)算機(jī)硬件配置：CPU型號(hào)為Intel Core i5-10600KF，GPU型號(hào)為 Nvidia GeForce RTX 2070 SUPER 8GB，運(yùn)行內(nèi)存16G；軟件環(huán)境：系統(tǒng)為Windows10，GPU加速庫(kù)為Cuda11.0、Cudnn10.0，深度學(xué)習(xí)軟件環(huán)境為Anaconda、Pycharm、TensorFlow。

2 絕緣子檢測(cè)算法原理

2.1 絕緣子檢測(cè)框架

圖3是絕緣子檢測(cè)框架圖，主要包括圖像預(yù)處理和檢測(cè)網(wǎng)絡(luò)。圖像預(yù)處理包含無(wú)人機(jī)視頻拍攝、視頻抽幀、圖像裁剪和數(shù)據(jù)增強(qiáng)；檢測(cè)網(wǎng)絡(luò)主要分為兩個(gè)模塊，即特征提取模塊和特征融合模塊，將預(yù)處理好的圖片首先通過(guò)EfficientNet網(wǎng)絡(luò)進(jìn)行特征提取，EfficientNet網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，提取絕緣子特征圖，為了提高網(wǎng)絡(luò)對(duì)多尺度目標(biāo)檢測(cè)能力，以YOLOv5s網(wǎng)絡(luò)中的特征金字塔（Feature Pyramid Network，F(xiàn)PN）作為特征融合層，最后輸出層通過(guò)改進(jìn)的非極大值抑制算法（Non-Maximum Supression，NMS）^[13]篩選目標(biāo)框，對(duì)絕緣子進(jìn)行定位，并在輸出圖片上生成檢測(cè)框并預(yù)測(cè)類別。

2.2 改進(jìn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

YOLO網(wǎng)絡(luò)作為開(kāi)源的單階段（One stage）卷積神經(jīng)網(wǎng)絡(luò)，相比于雙階段（Two stage）網(wǎng)絡(luò)的優(yōu)勢(shì)是網(wǎng)絡(luò)不需要先生成候選框（Region Proposal Network，RPN）這一步驟，同時(shí)版本從YOLOv1升級(jí)到Y(jié)OLOv5，在檢測(cè)速度和檢測(cè)精度上有較大地提升，根據(jù)網(wǎng)絡(luò)不同的深度和特征圖寬度YOLOv5細(xì)分成YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四個(gè)版本，每個(gè)版本的網(wǎng)絡(luò)結(jié)構(gòu)相同，結(jié)構(gòu)主要由特征提取模塊、特征融合模塊、輸出預(yù)測(cè)模塊三部分組成。

目前針對(duì)絕緣子缺陷檢測(cè)的研究較多，大多數(shù)檢測(cè)模型只針對(duì)單一類型的絕緣子做檢測(cè)，因此對(duì)神經(jīng)網(wǎng)絡(luò)模型的泛化能力要求較低。本文采集到的絕緣子差異較大，絕緣子的形狀、顏色、尺度等有較大的差異，采用現(xiàn)有檢測(cè)網(wǎng)絡(luò)直接對(duì)復(fù)雜多樣的絕緣子缺陷檢測(cè)，對(duì)網(wǎng)絡(luò)的泛化能力要求較高，一方面需要大量的絕緣子數(shù)據(jù)集，另一方面需要迭代訓(xùn)練較多的輪數(shù)，實(shí)驗(yàn)發(fā)現(xiàn)采用YOLOv5s網(wǎng)絡(luò)對(duì)絕緣子破損和自爆等小目標(biāo)檢測(cè)時(shí)出現(xiàn)較多漏檢，針對(duì)這些問(wèn)題，將YOLOv5s主干網(wǎng)絡(luò)改成EfficientNet網(wǎng)絡(luò)，提高網(wǎng)絡(luò)對(duì)缺陷小目標(biāo)特征的提取能力，大大降低了缺陷小目標(biāo)的漏檢率，改進(jìn)的網(wǎng)絡(luò)模型可以大大降低網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)，提高檢測(cè)速度和檢測(cè)精度。

圖4為EfficientNet-YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)圖，EfficientNet網(wǎng)絡(luò)采用復(fù)合模型縮放思想，同時(shí)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的深度、寬度和圖片分辨率進(jìn)行變換，能較好地適應(yīng)不同尺度的絕緣子缺陷特征的提取和分類，同時(shí)EfficientNet網(wǎng)絡(luò)占用物理內(nèi)存較小，使得神經(jīng)網(wǎng)絡(luò)更加輕量化。

圖 4 EfficientNet-YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)圖

特征提取模塊EfficientNet網(wǎng)絡(luò)主要由9個(gè)階段組成，第1個(gè)階段和第9個(gè)階段本質(zhì)是通過(guò)3×3的普通卷積操作，即結(jié)構(gòu)圖中的CBH結(jié)構(gòu)，CBH結(jié)構(gòu)是卷積（Convolution，Conv）、歸一化（Batch Normalization，BN）、激活函數(shù)（Hard Swish，HSwish）的縮寫(xiě)，改進(jìn)網(wǎng)絡(luò)的激活函數(shù)均將原來(lái)的線性修正單元（Leaky ReLU）激活函數(shù)替換為Hard Swish激活函數(shù)，函數(shù)的表達(dá)式如下：

其中x表示神經(jīng)元節(jié)點(diǎn)輸入值，f（x）表示神經(jīng)元節(jié)點(diǎn)輸出值，min（ReLU，6）表示ReLU激活函數(shù)的基礎(chǔ)上設(shè)置最大輸出為6，相比于原來(lái)的激活函數(shù)有更快的計(jì)算速度。

EfficientNet網(wǎng)絡(luò)中提取不同尺度特征圖的結(jié)構(gòu)是中間連續(xù)堆疊的7個(gè)階段的移動(dòng)翻轉(zhuǎn)瓶頸卷積（Mobile Inverted Bottleneck Convolution，MBConv）操作，其操作流程如圖5所示，將640×640的圖片進(jìn)行下采樣特征提取，得到160×160、40×40、20×20三種尺度的特征圖。為了將任意大小的特征圖固定為相同長(zhǎng)度的特征向量，傳輸給全連接層，增加了空間金字塔池化結(jié)構(gòu)（Spatial Pyramid Pooling，SPP）^[14]，通過(guò)5×5、9×9、13×13三個(gè)尺度的最大池化，減少絕緣子細(xì)節(jié)信息的丟失，同時(shí)擴(kuò)大圖像的感受野，有利于絕緣子多尺度特征的預(yù)測(cè)。

提取的特征圖通過(guò)特征融合模塊的多次卷積和上采樣，傳遞到輸出預(yù)測(cè)模塊，檢測(cè)頭（YOLOv5s Head）將80×80、40×40、20×20三種尺度的特征與原圖結(jié)合，并通過(guò)評(píng)價(jià)指標(biāo)計(jì)算出預(yù)測(cè)框的準(zhǔn)確率，從而實(shí)現(xiàn)絕緣子的檢測(cè)。

2.3 改進(jìn)的損失函數(shù)

損失函數(shù)是用來(lái)評(píng)價(jià)改進(jìn)模型的預(yù)測(cè)值和真實(shí)值之間差值的一項(xiàng)指標(biāo)?；A(chǔ)網(wǎng)絡(luò)YOLOv5s的損失函數(shù)包含邊框回歸損失（loss_box），置信度損失（loss_obj），分類損失（loss_cls），YOLOv5s網(wǎng)絡(luò)總損失函數(shù)（Loss）為這三項(xiàng)損失函數(shù)的和，損失函數(shù)計(jì)算公式：

由式（2）知，在基準(zhǔn)模型YOLOv5s網(wǎng)絡(luò)中，三種損失函數(shù)的權(quán)重比例為1∶1∶1，這種權(quán)重分布適用于多類目標(biāo)的檢測(cè)，在整體性能上有出色的表現(xiàn)，但是為了使改進(jìn)的網(wǎng)絡(luò)模型更適用于絕緣子缺陷的檢測(cè)，賦予邊框回歸損失更高的權(quán)重，降低置信度損失、分類損失權(quán)重，調(diào)整后三類損失函數(shù)的權(quán)重比例為2 ∶ 0.5 ∶ 0.5。

通過(guò)上述對(duì)損失函數(shù)權(quán)重分布的調(diào)整，EfficientNet-YOLOv5s網(wǎng)絡(luò)的總損失函數(shù)計(jì)算公式：

GIoU引入最小外接框在一定程度上解決了檢測(cè)框和真實(shí)框沒(méi)有重疊時(shí)損失值為0的弊端，但是當(dāng)絕緣子檢測(cè)框和真實(shí)框出現(xiàn)完全重疊時(shí)，GIoU便退化成IoU，且兩個(gè)框在水平和垂直方向上收斂速度較慢，基于此問(wèn)題，改進(jìn)的網(wǎng)絡(luò)模型邊框回歸損失采用CIoU定義，相比于IoU，CIoU綜合計(jì)算了預(yù)測(cè)框和真實(shí)框之間的重合程度，以及中心點(diǎn)距離和長(zhǎng)寬比相似度，邊框回歸損失函數(shù)的計(jì)算公式：

式中，x表示預(yù)測(cè)框，y表示真實(shí)框，IoU表示預(yù)測(cè)框和真實(shí)框的交并比，c是包含x和y最小邊框的對(duì)角線距離，d（x，y）表示預(yù)測(cè)框和真實(shí)框中心點(diǎn)的歐氏距離，通過(guò)歐式距離解決了預(yù)測(cè)框和真實(shí)框完全重疊或完全不相交時(shí)損失值為0的問(wèn)題，如式（5），α是用于平衡比例的權(quán)重函數(shù)，如式（6），v用來(lái)衡量預(yù)測(cè)框和真實(shí)框?qū)捀弑壤嗨菩缘膮?shù)，w、h表示預(yù)測(cè)框的寬和高，w^gt、h^gt表示真實(shí)框的寬和高。

改進(jìn)模型的置信度損失和分類損失通過(guò)交叉熵?fù)p失函數(shù)計(jì)算，計(jì)算公式：

式中，x_n為實(shí)際輸出值，y_n為目標(biāo)輸出值，n為目標(biāo)類別數(shù)，該部分的損失函數(shù)計(jì)算為對(duì)每個(gè)檢測(cè)目標(biāo)損失求和的平均值。

2.4 改進(jìn)的非極大值抑制算法

原網(wǎng)絡(luò)的輸出預(yù)測(cè)模塊，通過(guò)非極大值抑制算法（Non-Maximum Supression，NMS）來(lái)篩選目標(biāo)框，NMS算法：

式中M為所有目標(biāo)候選框中得分最高的框，b_i為重疊的候選框，N_t為設(shè)定的閾值，S_i為候選框的得分。傳統(tǒng)的NMS算法檢測(cè)到兩個(gè)重疊目標(biāo)時(shí)會(huì)計(jì)算重疊目標(biāo)候選框的交并比，當(dāng)交并比大于設(shè)定的閾值時(shí)，即兩個(gè)目標(biāo)重疊區(qū)域較大時(shí)，會(huì)直接將部分遮擋的目標(biāo)候選框得分歸0而剔除掉，從而導(dǎo)致出現(xiàn)重疊目標(biāo)漏檢的情況，采用Soft-NMS算法解決了這個(gè)問(wèn)題，方法是綜合比較候選框得分和重疊區(qū)域交并比的重要性，通過(guò)權(quán)重比較，得到新的候選框得分，再對(duì)候選框重新排列。Soft-NMS算法：

與原NMS算法相比，重疊候選框得分不會(huì)被直接置0后剔除，而是進(jìn)行降分處理，相鄰的兩個(gè)檢測(cè)框仍然保留在目標(biāo)檢測(cè)的序列中，降低了重疊絕緣子漏檢的概率。

3 實(shí)驗(yàn)過(guò)程及檢測(cè)結(jié)果

3.1 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)采用精確率（Precision，P）、召回率（Recall，R）、平均精度（Average Precision，AP）和平均精度均值mAP作為算法的性能指標(biāo)，計(jì)算公式：

TP表示被正確分類的正樣本，F(xiàn)P表示被錯(cuò)誤分類的負(fù)樣本。FN表示被錯(cuò)誤分類的正樣本。精確率P的具體含義為分類器認(rèn)為是正類并且確實(shí)是正類的部分占分類器認(rèn)為是正類的比例。召回率R的具體含義為分類器認(rèn)為是正類并且確實(shí)是正類的部分占所有確實(shí)是正類的比例。AP為P和R所圍成的曲線面積之和，反映模型檢測(cè)目標(biāo)的平均精度。mAP為所要分類的目標(biāo)的AP的平均值。

3.2 實(shí)驗(yàn)過(guò)程及分析

網(wǎng)絡(luò)的超參數(shù)設(shè)置會(huì)影響到模型的檢測(cè)精度和速度，經(jīng)過(guò)多次重復(fù)實(shí)驗(yàn)比較，選擇了一組最優(yōu)的模型訓(xùn)練參數(shù)，初始學(xué)習(xí)率為0.001，批大?。˙atch size）設(shè)置為8，訓(xùn)練輪數(shù)（Epoch）設(shè)置為800輪，優(yōu)化器采用Adam，權(quán)重衰減設(shè)置為0.0005，輸入圖片分辨率為640×640。

通過(guò)800輪的訓(xùn)練，EfficientNet-YOLOv5s網(wǎng)絡(luò)自動(dòng)生成可視化結(jié)果，將每一輪訓(xùn)練的損失值繪制成損失值曲線（圖6），橫坐標(biāo)表示訓(xùn)練迭代輪數(shù)，縱坐標(biāo)表示網(wǎng)絡(luò)模型損失值，其中黃色線表示邊框回歸損失，綠色線表示置信度損失，藍(lán)色線表示分類損失，黑色線表示總損失，從圖中可以看出，前200輪損失值下降較快，即模型的收斂速度較快，訓(xùn)練至600輪后，損失值趨于穩(wěn)定，最后總損失值為0.018，表明EfficientNet-YOLOv5網(wǎng)絡(luò)對(duì)絕緣子的預(yù)測(cè)值和真實(shí)值接近。

將訓(xùn)練完的模型生成的評(píng)價(jià)指標(biāo)數(shù)據(jù)繪制成評(píng)價(jià)指標(biāo)曲線（圖7），橫坐標(biāo)表示訓(xùn)練迭代輪數(shù)，縱坐標(biāo)表示網(wǎng)絡(luò)模型評(píng)價(jià)指標(biāo)，其中藍(lán)色曲線表示絕緣子訓(xùn)練的精確率，紅色曲線表示絕緣子訓(xùn)練的召回率，黃色曲線表示絕緣子訓(xùn)練的平均精度均值。

從圖7中可以看出模型在前200輪的訓(xùn)練數(shù)據(jù)波動(dòng)較大，隨著迭代輪數(shù)的增加，數(shù)據(jù)指標(biāo)趨于穩(wěn)定，訓(xùn)練結(jié)束后改進(jìn)的網(wǎng)絡(luò)的精確率為0.925，召回率為0.979，mAP為0.985。

從訓(xùn)練集檢測(cè)結(jié)果可以看出EfficientNet-YOLOv5s網(wǎng)絡(luò)能檢測(cè)出輸電網(wǎng)絕緣子不同類型及缺陷，為了進(jìn)一步研究不同的改進(jìn)點(diǎn)對(duì)網(wǎng)絡(luò)模型的影響，對(duì)改進(jìn)模型做消融實(shí)驗(yàn)，如表1是EfficientNet-YOLOv5s網(wǎng)絡(luò)消融實(shí)驗(yàn)結(jié)果。

通過(guò)以上消融實(shí)驗(yàn)可以看出，改進(jìn)的算法相對(duì)于未改進(jìn)的YOLOv5s的mAP值整體上提高了7.31%，召回率提高了14.86%，同時(shí)檢測(cè)速度每秒提升了23幀。

為了進(jìn)一步對(duì)比改進(jìn)的網(wǎng)絡(luò)模型與其它檢測(cè)網(wǎng)絡(luò)模型的區(qū)別，將同一數(shù)據(jù)集分別在不同網(wǎng)絡(luò)模型上做對(duì)比實(shí)驗(yàn)，每組實(shí)驗(yàn)均采用各自最優(yōu)的超參數(shù)和最高的訓(xùn)練權(quán)重。對(duì)照網(wǎng)絡(luò)有YOLOv4網(wǎng)絡(luò)、YOLOv5s網(wǎng)絡(luò)、Faster RCNN網(wǎng)絡(luò)，記錄每個(gè)模型測(cè)試集結(jié)果，主要對(duì)比網(wǎng)絡(luò)模型在每類絕緣子缺陷檢測(cè)上閾值為50%時(shí)的平均精度（AP₅₀）和所有類別的平均精度均值（mAP₅₀），檢測(cè)速度FPS值，詳細(xì)的測(cè)試結(jié)果見(jiàn)表2。

從測(cè)試結(jié)果可以看出，改進(jìn)網(wǎng)絡(luò)EfficientNet-YOLOv5s對(duì)輸電網(wǎng)絕緣子缺陷檢測(cè)的mAP值相比于原YOLOv5s網(wǎng)絡(luò)提升了7.31%，雙階段檢測(cè)網(wǎng)絡(luò)Faster RCNN對(duì)于輸電網(wǎng)絕緣子缺陷檢測(cè)有一定的檢測(cè)效果，但是檢測(cè)速度較低，每秒檢測(cè)8張輸電網(wǎng)絕緣子圖像，檢測(cè)效率較低；通過(guò)對(duì)三類絕緣子平均精度對(duì)比，可見(jiàn)復(fù)合絕緣子精度相對(duì)于玻璃絕緣子和陶瓷絕緣子稍低，分析原因是復(fù)合絕緣子體積小于玻璃絕緣子和陶瓷絕緣子，同時(shí)玻璃絕緣子和陶瓷絕緣子分別為綠色和白色，與背景顏色反差較大，易于提取其特征。上述對(duì)比實(shí)驗(yàn)生成的絕緣子缺陷檢測(cè)測(cè)試結(jié)果圖如圖8所示。

EfficientNet-YOLOv5s網(wǎng)絡(luò)對(duì)絕緣子及其缺陷檢測(cè)的置信度較高，均在0.9以上，對(duì)不同類型的絕緣子均能檢測(cè)出其缺陷，尤其是數(shù)據(jù)集中重疊絕緣子較多，改進(jìn)的網(wǎng)絡(luò)也能檢測(cè)出遮擋目標(biāo)。

4 結(jié)論

絕緣子缺陷檢測(cè)是輸電線路巡檢的重要任務(wù)，針對(duì)目前無(wú)人機(jī)巡檢絕緣子存在檢測(cè)精度低、小目標(biāo)缺陷易漏檢、重疊目標(biāo)易被剔除的問(wèn)題，提出一種EfficientNet-YOLOv5s網(wǎng)絡(luò)，用EfficientNet網(wǎng)絡(luò)替換YOLOv5s網(wǎng)絡(luò)的主干網(wǎng)絡(luò)，提高了神經(jīng)網(wǎng)絡(luò)對(duì)絕緣子缺陷特征的提取能力，同時(shí)結(jié)合改進(jìn)的非極大值抑制算法和損失函數(shù)，提高了模型的檢測(cè)精度和檢測(cè)速度。實(shí)驗(yàn)結(jié)果顯示，EfficientNet-YOLOv5s網(wǎng)絡(luò)對(duì)絕緣子缺陷檢測(cè)的mAP相比于原YOLOv5網(wǎng)絡(luò)整體上提高了7.31%，召回率整體提高了14.86%，降低了目標(biāo)漏檢率。表明EfficientNet-YOLOv5s網(wǎng)絡(luò)能滿足66～500 kV絕緣子的定位和缺陷的檢測(cè)要求，檢測(cè)的平均準(zhǔn)確率較高，檢測(cè)速度較快，為電力行業(yè)智能巡檢提供新方法。實(shí)驗(yàn)中發(fā)現(xiàn)無(wú)人機(jī)拍攝的圖像中，還存在高壓電塔上鳥(niǎo)巢、防震錘脫落類型的缺陷，后續(xù)將會(huì)完成對(duì)這些缺陷的研究，以進(jìn)一步提高網(wǎng)絡(luò)的泛化能力。

[ 參 考 文 獻(xiàn) ]

[1] 金光. 基于紋理頻譜的電氣化鐵路絕緣子劣損狀態(tài)檢測(cè)[J]. 自動(dòng)化與儀器儀表， 2021（06）： 22-25，30.

[2] 易繼禹， 陳慈發(fā)， 龔國(guó)強(qiáng). 基于改進(jìn)Faster RCNN的輸電線路航拍絕緣子檢測(cè)[J]. 計(jì)算機(jī)工程， 2021， 47（06）： 292-298，304.

[3] 唐波， 覃喬， 黃力. 基于色彩模型和紋理特征的輸電線路絕緣子串航拍圖像識(shí)別[J]. 電力科學(xué)與技術(shù)學(xué)報(bào)， 2020， 35（04）： 13-19.

[4] TAN P， LI X， XU J， et al. Catenary insulator defect detection based on contour features and gray similarity matching[J]. Journal of Zhejiang University-Science A（Applied Physics & Engineering）， 2020， 21（01）： 64-73.

[5] 虢韜， 楊恒， 時(shí)磊， 等. 基于Faster RCNN的絕緣子自爆缺陷識(shí)別[J]. 電瓷避雷器， 2019（03）： 183-189.

[6] 楊焰飛， 曹陽(yáng). 基于深度學(xué)習(xí)的無(wú)人機(jī)拍攝圖像絕緣子目標(biāo)檢測(cè)[J]. 激光雜志， 2020， 41 （10）：63-66.

[7] 張煥坤， 李軍毅， 張斌. 基于改進(jìn)型YOLOv3的絕緣子異物檢測(cè)方法[J]. 中國(guó)電力， 2020， 53（02）： 49-55.

[8] 鄭偉， 楊曉輝， 呂中賓， 等. 基于改進(jìn)YOLOv4輸電線關(guān)鍵部件實(shí)時(shí)檢測(cè)方法[J]. 科學(xué)技術(shù)與工程， 2021， 21（24）： 10 393-10 400.

[9] 朱秀紅. 基于深度卷積網(wǎng)絡(luò)的輸電線路變尺度多目標(biāo)檢測(cè)算法研究[D]. 武漢： 華中科技大學(xué)， 2019.

[10]劉悅， 黃新波. 基于YOLOv4和改進(jìn)分水嶺算法的絕緣子爆裂檢測(cè)定位研究[J]. 電網(wǎng)與清潔能源， 2021， 37（07）： 51-57.

[11]TAO X， ZHANG D， WANG Z， et al. Detection of power line insulator defects using aerial images analyzed with convolutional neural networks[J]. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2018， 50（04）： 1486-1498.

[12]王年濤， 王淑青， 張鵬飛， 等. 一種EfficientNet網(wǎng)絡(luò)下霧天道路能見(jiàn)度估測(cè)方法[J].湖北工業(yè)大學(xué)學(xué)報(bào)， 2021， 36（05）： 42-46.

[13]李景琳， 姜晶菲， 竇勇， 等. 基于Soft-NMS的候選框去冗余加速器設(shè)計(jì)[J]. 計(jì)算機(jī)工程與科學(xué)， 2021， 43（04）： 586-593.

[14]HE K， ZHANG X， REN S， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE transactions on pattern analysis and machine intelligence， 2015， 37（09）： 1904-1916.

Insulator Defect Detection Based on EfficientNet-YOLOv5s Network

WANG Niantao，WANG Shuqing，TANG Lu，MA Dan

（School of Electrical and Electronic Engin. ， Hubei Univ. of Tech. ，Wuhan 430068， China）

Abstract：Aiming at the problem of low detection accuracy of small target of insulator defect in complex background at present， an EfficientNet-YOLOv5s neural network detection algorithm based on deep learning framework is proposed. Firstly， the images of various insulators in the transmission line are aerial taken by UAV， and the image data set is enriched by image enhancement technology. Then， the EfficientNet network is used to replace the YOLOv5s backbone network. The improved network is used to train and test the labeled insulator data set. Finally， the non-maximum suppression algorithm and loss function of the model are improved to further solve the problem of missing detection caused by overlapping insulator targets. The experimental results show that the mAP of the improved network reaches 98.5%， which meets the requirements of insulator defect detection in transmission lines.

Keywords：insulator; target detection; yolov5; efficientnet

[責(zé)任編校：張巖芳]