摘要：电力是国民经济发展的重要基础，而输电线路的安全稳定运行是保障电力输送安全的重要因素。为了提高对输电线路巡检的密度和精度，而又能大量的降低成本，无人机巡检被引入到了电力行业中。我们如何处理海里的图像数据，分析出其中代表输电线路系统运行状 态的信息是一个亟待解决的问题。传统的机器学习技术的性能已经不能满足我们对实时性和准确率的要求。针对这个矛盾我们选择了具有识别和定位功能的SSD网络和YOLO网络对输电系统上的部件进行识别和定位，对比了两个网络模型在输电线路图像中对不同部件对象识别的性能。我们通过5种实际的输电线路部件图像数据，分析了训练样本数量，图像分辨率，卷积核尺寸参数与模型检测精度的相关性。在实验中我们采样的数据全部来源于无人机采集的输电线路部件图像，实验结果显示SSD模型在绝缘子上的识别率为98%，检测帧率为10帧，YOLO模型在绝缘子上的识别率为99%，检测帧率为0.6。
关键词：无人机巡检；深度学习；SSD模型；YOLO模型；参数调节。
1引言
随着我国电网系统的不断扩建和扩容，传统的人工巡检方式已经不能满足维护电网系统正常稳定运行的需求。为了提高巡检的效率和质量国家电网公司已经开始推广和普及无人机对输电线路的巡检；无人机巡检虽然在很大程度上提高的巡检的效率，降低了巡检成本以及减少了野外作业的风险，但是无人机巡检过程中会生成海量的关于输电线路部件的图像数据，如果通过人工的方式对这些数据进行辨识那么也是一项巨大的工程。因此，研发智能化的识别输电线路部件缺陷图像的算法具有非常重要的意义。在数字图像处理领域中，基于深度学习思想的对象检测框架已经成为了主流的技术，我们应该通过实际的数据实验来揭示参数与模型识别精度之间的关系来指导实际的生产过程。
目前我们通过无人机搭载的摄像机对输电线路进行巡检，在我们预先设置的位置和角度上进行拍照，只保存单帧图像没有录制视频，所有不能进行时间序列上的分析，这给精确缺陷检测的工作带来了很大的难度；此外由于无人机巡检都是俯视拍摄，这样巡检图像往往都有很复杂的背景。从特征工程的角度来说，早期的研究着将目光集中在了图像的低层次特征（如边缘，轮廓）上，如对缺陷部件防震锤的识别，可以使用hough圆检测算法获取到防震锤的圆形部分[1]；刘营军等在文献[2]中提出了通过图像中的纹理特征来检测直升机巡检图像中的绝缘子部件；李朝阳等在文献[3]中提出了使用边缘特征检测高分辨率航拍图像中的输电线路。在最近几年，研究者将研究的方向转向了高层次图像特征上，如在文献[4]中廖圣龙提出通过使用类哈尔特征的方法识别图像中的绝缘子。在付晶等在文献[5]中提出利用层次模型与或图对目标进行分解表达。从实际应用的角度来讲，这些方法在一定程度上提高了巡检的效率，但是在缺陷识别的准确度和时间效率上仍然存在很多局限性，因为以上的方法都是来自于特征工程的方法，这种方法的局限性在于这些特征都是由人工设计他们对缺陷的表达能力是有限的。
近年来深度学习技术的出现打破了这种限制，在图像识别和分类这个领域取得了举世瞩目的成绩，将识别的精度提升到了与人类相当的水平。因为在深度学习中特征提取的步骤是通过机器自动完成的不在受人工的控制，对特征表达的节点达到了几百万个甚至上亿个[5]。目前，Faster Rcnn[6]模型在图像识别和分类领域是最优的模型，但是其在检测效率上远远落后于SSD模型[7]和YOLO模型[8]。王万国等在文献[6]利用Faster RCNN模型识别输电线路中的部件，分析了不同参数对间隔棒，均压环和防震锤的识别效果进行了分析，然而文献中没有进行部件缺陷的判断，而且分析中所使用的图像数据都是经过人工截取得到的，在定位的角度来说缺少了全局信息。在本文中我们通过无人机在实际巡检过程中拍摄输电线路部件图像，我们手工挑选和标记了五种输电线路的部件他们分别是绝缘子，复合绝缘子，连接，防震锤作为样本数据，分别在tensorflow和darknet框架下对两个模型进行了训练和测试；分别从训练样本数量，图像分辨率，卷积核尺寸参数对模型检测精度的影响以及在横向上对比了两个模型之间在性能上的差异。
2 模型结构
目前在图像目标检测的领域内，存在两种主流的框架基于背景差分技术的模型和基于深度学习框架的模型。属于背景差分模型的技术有混合高斯背景建模，贝叶斯背景建模，码书模型等，属于深度神经网络的技术有SSD，YOLO，RCNN，faster RCNN等，而基于神经网络的模型又可以被分为两个类型，SSD和YOLO为单网络模型，RCNN和faster RCNN为双网络模型。单网络模型的检测速度要远远快于双网络模型，所以目前能够对输电线路部件缺陷进行实时性检测的只有SSD和YOLO模型，两个模型在网络的整体结构上是一致的，SSD模型是在YOLO初级模型的基础上加入了多尺度和多种层次信息融合的思想，故我们以SSD模型为例对网络模型做简要的介绍。
SSD物体识别模型的工作原理为：（1）输入一张待识别的图像和在训练过程中所标识的每一个识别目标的真实边框；（2）我们通过卷积的方法来评价不同尺度的特征图上每一个位置的不同纵横比例的默认边框小集合，例如8 x 8的特征图如图2中右图所示。（3）我们预测每一个默认边框的形状偏移和与每个待识别目标类的相似信度[7]。
图1 SSD物体检测模型
3 实验结果和分析
在本文中我们所使用的图像数据均来自于大疆精灵4系列无人机巡检输电线路师所拍摄的图像。我们共计收集了5988张图像对其中的23个类别部件进行了标记，再在其中随机的抽取具有玻璃绝缘子、复合绝缘子、连接金具、均压环和屏蔽环五种部件的子集进行一下三种影响模型识别性能因素的测试实验，以及研究这些因素与模型最终识别精度的相关性。yolo模型的识别结果如图2所示，其中，标号1代表的是玻璃绝缘子，标号2代表的是复合绝缘子，标号3代表连接金具，标号4代表均压环，标号5代表屏蔽环。在实验过程中我们使用的硬件配置为i7第八代12核，显卡为GEFORCE GTX1080TI。
3.1样本容量
我们从总体样本五个样本子集，样本容量分别为500，1000，2000，4000，5500。为了使模型在测试时有更好的泛化能，我们通过旋转图像的方法来扩充样本的数量，将图像按逆时针方向旋转90度，180度，270度，并对目标的坐标进行对应的转换即将旋转后的坐标变换为从左上顶点为原点的坐标系中。
图2 yolo模型识别结果
五组实验在训练的时我们将迭代次数固定为5000次，模型的其它参数保持相同。实验结果如图3所示，在图中给出了模型的识别精度随样本容量变化的趋势。从图中我们可以看到五种部件的检测精度都随着样本容量的增大而变高。两个模型对绝缘子的检测精度都达到了99%，SSD模型在样本荣量很大的条件下，对各种部件的识别精度都达到可95% 以上，YOLO模型对屏蔽环的识别精度较低。玻璃绝缘子对应于红色、复合绝缘子对应于绿色、连接金具对应蓝色、均压环对应于青色，屏蔽环对应于洋红色。
图3 检测精度随样本容量变化曲线
3.2图像分辨率
目前我们所使用的图像数据的分辨率为1600万像素（3078*5472），这种高分辨率图像带有很丰富的场景信息，对于输电线路缺陷识别是很有价值可以获取到很高的检测精度，但是由于硬件设备的限制和检测实时性的要求我们不得不降低图像的分辨。SSD模型建议设置的检测分辨率为300*300，YOLO模型建议设置的检测分辨率为416*416。我们将模型的图像尺寸分别设置为SSD：300*300，400*400，500*500，YOLO：316*316，416*416，516*516三种分辨率进行训练和测试来研究图像分辨率对模型识别精度的影响。实验的结果如表1所示：每一个分辨率都经过5000次迭代训练，识别精度计算使用了500条的数据，这里显示的识别精度对应于5类检测目标的平均识别率。从表中实验结果我们可以看到随着模型输入图像尺寸的的增大，模型对所有样本的识别率在总体上呈现缓慢上升趋势。
表1 不同图像分辨率下模型识别率比较
3.3卷积核的大小
由于在整体的架构上SSD模型和YOLO模型是相似的，都是端到端的检测思想；所以在研究卷积核的大小对神经网络检测方法检测精度的影响中，我们只演示了YOLO模型下的情况，我们可以使用同样的方法得出卷积核大小与SSD模型检测精度的相关性。我们将YOLO模型网络的第一个卷积层的卷积核大小设置为7，5，3，1，其它参数保持不变，通过5000次的迭代训练，500条样本数据进行测试计算模型的检测精度。实验结果如表2所示：
表2 不同卷积核尺寸下模型识别率
我们可以从表2中观察到，对于不同的部件在相同迭代次数和参数下模型对它们的检测率是不相同的；随着模型卷积层卷积核尺寸的增大，模型对该部件的检测率逐渐提高。导致以上现象的原因是在训练样本中包含绝缘子数量最多，再次说明训练数据丰富可以产生泛化能力好的模型；卷积核的尺寸越大可以捕获图像中更多的结构信息，这样可以产生更有区分度的特征进行分类。从整体上来看，模型的识别精度和识别率与卷积核的尺寸呈现正相关性。
4 结论
随着互联的发展各种数据都以几何式的增长，硬件技术的发展使得运算和存储设备的性能有了极大的提升，基于以上两方面的原因促使了大数据和人工智能时代的到来。智能输电线路部件缺陷巡检技术出现，并代替原有的人工巡检已经只是时间问题。在本文中，我们利用实际无人机巡检数据，通过人工挑选和标注了输电线路上五种常见的故障缺陷，在不同样本容量，不同图像分辨率和不同卷积核的大小的情况下对SSD模型和YOLO模型进行了训练和测试，从横向和纵向上对比了这三种参数对模型识别精度的影响。从实验结果上我们可以看到随着样本容量的增大，图像分辨率的提高，卷积核尺寸的增大两个模型的检测精度都有所提高。
参考文献：
[1]汤明文，戴礼豪，林朗辉等，无人机在电力线路巡视中的应用[J]，中国电力，2013.
[2]刘营军，直升机巡检输电线路图像边缘检测方法研究，大连海事大学硕士论文，2011.
[3]李朝阳，高分辨率航空影像中高压电力线的自动提取[J]，中国图像图像学报，2007.
[4]廖圣龙，航拍输电线图像中部件检测关键技术研究，大连海事大学博士论文，2017.
[5]Grishick R.Fast R CNN[C].IEEE International conference on Computer Vision.2015.
[6]王万国，田兵，刘越等，基于RCNN的无人机巡检图像电力小部件识别研究[J]，地理信息科学学报，2017.
[7]WeiLiu，Dragomir Anguelov，Dumitru Erhan，Christian Szegedy，SSD：Single Shot MultiBox Detector.In：CVPR（2017）
[8]Joseph Redmon，Santosh Divvala，Ross Girshick，Ali Farhadi，You Only Look Once：Unified，Real-Time Object Detection.In：CVPR.（2016）.
论文作者:罗艺,袁齐坤,刘立文
论文发表刊物:《电力设备》2019年第6期
论文发表时间:2019/7/8
标签：模型论文; 图像论文; 卷积论文; 部件论文; 精度论文; 绝缘子论文; 无人机论文; 《电力设备》2019年第6期论文;