多模型融合的輸電線路絕緣子自爆故障檢測

林志成，繆希仁，江 灝，陳 靜

(福州大學電氣工程與自動化學院,福建 福州 350108)

0 引言

絕緣子是架空輸電線路中廣泛應用的關鍵部件之一，主要起到支撐與絕緣作用.由于受外界自然環境等因素影響，絕緣子易發生自爆、污穢、裂紋等故障，嚴重威脅輸電線路的安全可靠運行[1].因此有必要在輸電線路巡檢過程中及時對故障絕緣子進行檢測識別.其中，絕緣子自爆是架空輸電線路中常見故障類型之一.由于巡檢圖像中絕緣子自爆區域較小，目標背景較為復雜,給絕緣子自爆故障檢測研究帶來一定挑戰.

近年來，無人機在架空輸電線路巡檢中開始逐步應用，有效提高了架空輸電線路巡檢工作效率[2].現階段，無人機巡檢主要通過機載相機采集海量輸電線路關鍵部件圖像，傳輸至本地巡檢數據庫后，通過分析巡檢圖像實現輸電線路關鍵部件故障檢測.目前，在絕緣子識別與故障檢測方面，Oberweger等[3]運用橢圓描述算子實現絕緣子目標檢測，然后運用離群因子檢測方法實現絕緣子故障檢測.Zhai 等[4]結合故障絕緣子顯著性特征并利用自適應形態學算法實現輸電線路中絕緣子識別及故障檢測.韓正新等[5]通過對巡檢圖像進行色彩轉換及基于最大類間方差與最大熵值分割方法實現巡檢圖像中絕緣子識別，進一步通過空間序列關系建立的特征檢測算法實現絕緣子自爆檢測.隨著近幾年深度學習在圖像目標識別與檢測領域的發展，基于深度學習的絕緣子識別與故障檢測方面的研究也逐步推進.Chen等[6]使用一階全卷積網絡分割絕緣子區域，經過形態學重建處理后，再次使用全卷積網絡檢測故障絕緣子.Zhao等[7]提出一種多區域聯合的深度卷積神經網絡結構以提取巡檢圖像中絕緣子特征，再利用支持向量機實現絕緣子故障狀態檢測.Xian等[8]提出一種基于深度卷積神經網絡的級聯結構，將絕緣子故障檢測問題轉為兩級對象檢測問題，實現巡檢圖像中絕緣子故障檢測.但目前絕緣子識別與故障檢測研究主要集中于單一方法檢測，所提算法較少綜合考慮巡檢圖像中絕緣子故障檢測實際特點，因此，有必要開展并深入多模型融合檢測算法在絕緣子故障檢測方面的研究.

針對以上問題，為有效實現輸電線路中絕緣子自爆故障檢測，通過分析對比現有目標檢測算法的絕緣子自爆故障檢測差異性特點，選取差異性較為明顯的三個目標檢測算法，利用融合算法，融合各模型絕緣子自爆故障檢測結果，最后實現輸電線路巡檢圖像中絕緣子自爆故障檢測.

1 絕緣子自爆故障檢測原理

圖1 絕緣子自爆故障檢測原理圖Fig.1 Insulator self-explosion fault detection schematic

針對電力巡檢圖像中絕緣子自爆區域較小，目標背景較為復雜的特點，為有效實現電力巡檢圖像中絕緣子自爆故障檢測，提出一種多模型融合計算的輸電線路絕緣子自爆故障檢測方法，原理如圖1所示.故障檢測主要分為訓練和檢測兩個階段.訓練階段主要利用打標處理后的數據分別對三個模型進行訓練，當損失值趨于穩定時固化各網絡模型；檢測階段首先利用三個訓練好的目標檢測網絡實現巡檢圖像中絕緣子自爆故障區域檢測，其次利用多模型融合計算各模型檢測得到的絕緣子自爆故障區域框信息及置信度值，實現無人機電力巡檢圖像中絕緣子自爆故障檢測.

1.1 目標檢測算法原理

所用目標檢測算法可分為One stage與Two stage兩種，One stage目標檢測算法主要有： YOLOv3[9]、SSD[10]、Retinanet[11]等；Two stage目標檢測網絡主要有： R-CNN[12]、Faster RCNN[13]、Mask RCNN[14]等.

1.1.1Onestage目標檢測算法原理

One stage目標檢測算法具有檢測速度較快的特點，核心思想就是直接將目標邊框定位的問題轉化為回歸問題處理.One stage目標檢測基本流程如圖2所示.1) 利用基礎特征提取網絡實現輸入圖像深度特征提??；2) 直接回歸計算目標框坐標位置與類別概率.

1.1.2Twostage目標檢測算法原理

與One stage目標檢測相比，Two stage目標檢測效率較低，但是檢測準確率較高.Two stage核心思想是在特征圖上先生成一系列區域候選框，再通過卷積神經網絡對區域候選框進行分類及框坐標微調.Two stage目標檢測基本流程如圖3所示.1) 通過深度卷積神經網絡實現圖像深度特征提??；2) 利用RPN網絡生成一系列區域候選框并對目標框進行分類與位置初預測；3) 運用全連接層對候選區域框中位置坐標進行修正與目標類別判斷.

圖2 One stage 目標檢測流程Fig.2 One stage object detection process

圖3 Two stage 目標檢測流程Fig.3 Two stage object detection process

1.1.3目標檢測模型特性分析

以YOLOv3和Retinanet為代表的One stage目標檢測網絡通過直接在圖像中的回歸操作，在保證檢測精度基礎上，大大提高了檢測速度.YOLOv3網絡結構如圖4所示.它將圖片劃分為網格區域，在包含目標中心點的網格中預測目標的矩形定位框與類別，通過引入錨點框(Anchor)機制使每個網絡可預測多類別與多尺度目標，有利于圖像中小目標物體的檢測.然而，在直接回歸算法中生成的大部分區域候選框只包含背景，易使訓練樣本出現類別不平衡問題，正樣本形成的損失無法有效訓練網絡參數.

圖4 YOLOv3目標檢測網絡Fig.4 YOLOv3 object detection network

為有效解決上述問題，Retinanet通過引入改進的交叉熵(Focal loss)損失函數為

FL(pt)=-at(1-pt)γln(pt)

(1)

其中：y∈{+1-1}為真實框的類別；p∈[0,1]為類別y=1的預測概率；at∈[0,1]為控制系數主要調節正負樣本對總的損失值的共享權重；(1-pt)γ為調制系數，主要控制易分類與難分類樣本的權重，假設γ不為0時，當某一樣本易被分錯時pt較小，則調制系數趨近于1對原來損失值影響較小，若pt趨近于1說明該樣本屬于易分類樣本，則調制系數為0，當前樣本對總的損失值貢獻變小.

Retinanet目標檢測網絡通過引入Focal loss損失函數，有效減少大批量負樣本損失，最終實現網絡既能保證高檢測精度，又能顯著提升網絡模型檢測效率.Retinanet網絡結構如圖5所示.

圖5 Retinanet目標檢測網絡Fig.5 Retinanet object detection network

Two stage目標檢測網絡采用區域候選網絡(region proposal networks，RPN)代替Selective Search算法，實現了端到端的計算.RPN的核心思想是利用卷積層生成的特征圖,判斷預設的多尺度多比例候選框是否含有待檢測目標，在區域提取和檢測定位、分類上共享卷積層，在檢測速度上大大提升.RCNN系列算法在目標檢測領域中得到了廣泛應用，主要得益于其優異的網絡設計，較高的檢測精度，但是其中也存在著一個最大的問題，即大量的候選框需要對其目標進行判斷和定位，算法解算效率較低.

Two stage目標檢測網絡比較有代表性的是Mask RCNN網絡，其網絡結構如圖6所示.Mask_RCNN在Faster RCNN的基礎上將RoiPooling替換為RoiAlign,RoiAlign對特征圖上ROI的獲取不再使用取整操作，而是使用雙線性插值來精確獲取每個塊對應的特征，使每個ROI能有效對齊輸入圖像上的ROI區域，進一步提高了圖像中小目標物體的檢測.

圖6 Mask RCNN目標檢測網絡Fig.6 Mask RCNN object detection network

1.2 多模型融合計算原理

各單一模型檢測后分別生成一系列包含置信度值與預測目標框坐標信息，為濾除重疊框并進一步融合各絕緣子自爆故障檢測模型的檢測結果.首先運用非極大值抑制(non-maximum supression，NMS)濾除重疊邊框得到各模型預測目標框，其中邊框置信度計算公式如下式所示.

(2)

濾除各模型重疊預測框后，運用下式進一步融合每張巡檢圖像中各模型預測框.

(3)

圖7 多模型檢測融合效果Fig.7 Multi-model detection fusion effect

各單一模型檢測結果融合計算主要核心思想就是根據預測框置信度值融合各模型檢測結果中重疊率高的預測目標框，最后生成新的預測目標框.多模型融合效果如圖7所示，通過式(3)融合計算公式，最后生成的預測框能夠根據各單一模型預測框置信度，有效融合各模型生成的預測框，進一步提高絕緣子自爆故障檢測精度.

2 實驗結果與分析

實驗計算平臺的軟硬件配置如下： Ubuntu 18.04 LTS，Intel Core i7-6850K @ 3.60 GHz 12 CPUs，NVIDIA

GeForce GTX1080 Ti，CUDA版本9.0，cuDnn版本6.0，內存共32 G.

絕緣子故障檢測數據集為： 訓練集中650張巡檢圖像均含有絕緣子自爆故障，自爆區域大小及在圖中分布位置不同，且自爆區域背景多樣；測試集中100張巡檢圖像用于模型訓練過程測試；驗證集100張巡檢圖像中絕緣子自爆區域與自爆區域背景分布多樣，用于驗證所提方法有效性.

評價指標主要由平均準確率(average precision,AP)、召回率(recall,R)、準確率(precision,P)、評價值(validation value,VAL)構成，VAL計算公式為

VAL=0.5 AP+0.3R+0.2P

(4)

其中： AP、P、R主要用來評估目標檢測模型性能；VAL值為評估輸電線路巡檢故障目標檢測綜合評價值.

2.1 絕緣子自爆故障檢測結果與分析

所提絕緣子自爆故障檢測方法要包含兩個部分： 1) 使用多模型實現巡檢圖像中絕緣子自爆區域檢測，得到各個模型檢測得到的目標框坐標及置信度；2) 運用設計的加權融合算法實現絕緣子自爆故障檢測.

2.1.1各模型訓練與測試

表1 單模型絕緣子自爆故障檢測結果

訓練Mask RCNN、Retinanet、YOLOv3目標檢測模型，三個目標檢測模型的基礎網絡分別為Inception_Resnetv2、Resnet101與Darknet53，數據批訓練大小設置為16，初始學習速率設置為0.001,速度衰減因子為0.000 5，批訓練步數設置為80 000步.當各模型損失值趨于平穩，網絡收斂時，固化各網絡最優模型并進行測試,測試結果如表1所示.Retinanet模型綜合評價指標值高于其他兩個模型，綜合性能較好；其中Mask RCNN模型AP值最高，預測框回歸較為準確；各模型對絕緣子自爆故障檢測準確率較高.各模型檢測結果如圖8所示，三個模型均能較好實現巡檢圖像中多類型、復雜背景下絕緣子自爆故障檢測；其中如圖8(a)所示，Mask RCNN對部分較小自爆區域的檢測性能稍差，誤檢率相對較高；如圖8(b)所示，Retinanet模型能較好均衡不同類型自爆區域的檢測；如圖8(c)所示，YOLOv3對小目標檢測效果較好，能夠有效檢測出巡檢圖像中相對較小的絕緣子自爆故障區域.

圖8 各模型檢測結果Fig.8 Individual model test results

2.1.2多模型融合測試

根據式(3)融合Mask RCNN、Retinanet、YOLOv3三個具有一定差異性模型的預測框坐標信息與各預測框的置信度值得到新的預測框坐標，計算各項評價指標值，最后得到輸電線路絕緣子自爆故障檢測AP值為93.52%，R值為93.69%，P值為99.04%，VAL值為94.68%.由計算結果可見，多模型融合計算后的各評價指標值均高于單個模型檢測值.實驗結果表明，通過融合具有一定差異性的故障檢測模型能有效提高絕緣子自爆故障檢測的各項指標值.

2.1.3多模型融合測試結果與分析

絕緣子自爆故障檢測結果如圖9所示.雖然輸電線路巡檢圖像中故障絕緣子種類多樣，環境背景較為復雜、自爆區域相對巡檢圖像占比較小,給絕緣子自爆故障檢測研究帶來一定挑戰，但是利用多模型融合檢測能有效綜合各模型優點，顯著提升絕緣子自爆故障檢測各評價值，且檢測得到的絕緣子自爆故障區域預測框與真實標注框IOU均大于0.5，預測框坐標回歸較為準確.由實驗結果圖及計算表明，所提方法能有效解決輸電線路巡檢圖像中絕緣子自爆的故障檢測.

圖9 絕緣子自爆故障檢測結果Fig.9 Insulator self-explosion fault detection results

2.2 不同模型融合對故障檢測結果的影響

共選取6個性能具有一定差異性的目標檢測模型： Mask RCNN、YOLOv3、Retinanet、Faster RCNN、SSD、R-FCN(模型編號依次為： A、B、C、D、E、F).分別利用單個模型檢測測試集中所有圖片，經過計算發現SSD與R-FCN兩個模型在絕緣子自爆故障檢測方面性能較差，因此最后只選取編號為ABCD四個模型進行組合分析.不同模型組合故障檢測結果如表2所示.

表2 不同模型融合效果對比

由實驗結果可見，多模型融合故障檢測比單模型故障檢測VAL值高，特別是準確率提高明顯；其中模型編號為A+B+C的模型融合效果最好，平均準確率、召回率、準確率值都有大幅提升，多模型融合能夠更加有效地實現輸電線路巡檢圖像中絕緣子自爆的故障檢測.

2.3 不同絕緣子自爆故障檢測方法對比

表3 絕緣子自爆故障檢測方法對比結果

為驗證本方法的有效性，分別與其他6種目標檢測模型Faster RCNN、Mask RCNN、Retinanet、SSD、YOLOv3、R-FCN作對比，在保證訓練數據與測試數據一樣的情況下，絕緣子自爆故障檢測對比結果如表3所示.

通過對比實驗數據可以發現，SSD與R-FCN雖然準確率都達到90%以上，但是平均準確率與召回率較低，絕緣子自爆故障檢測精度較差；Retinanet的VAL值最高，但是召回率比Mask RCNN低；Faster RCNN除準確率外的其他三個評價值都比YOLOv3高，但是YOLOv3能夠有效檢測到較小的絕緣子自爆區域；通過綜合分析各模型特點，針對巡檢圖像中絕緣子自爆區域背景復雜、目標小等問題，利用提出的融合算法實現Mask RCNN、YOLOv3與Retinanet三個模型檢測結果融合，有效提高了絕緣子自爆故障檢測平均準確率、召回率、準確率及VAL值.

3 結語

針對架空輸電線路無人機巡檢圖像中部分絕緣子自爆區域小、背景復雜及故障絕緣子類別多樣等特點，利用性能差異較為明顯的Mask RCNN、Retinanet、YOLOv3三個目標檢測模型計算的預測框坐標與置信度值，運用融合計算方式，實現絕緣子自爆故障檢測，綜合評價VAL值為94.81%，與其他單一模型對絕緣子自爆故障檢測相比，所提多模型融合計算方法檢測精度較高.實驗結果表明，所提方法能夠綜合各模型特點，顯著提升絕緣子自爆故障檢測各評價值，較為準確地實現架空輸電線路無人機巡檢圖像中絕緣子自爆故障檢測，對輸電線路智能化巡檢故障診斷具有一定參考價值.