论文部分内容阅读
关键词：深度学习;绝缘子检测;多尺度特征融合;Faster R-CNN
电力系统的稳定运行是我国能源战略的重要组成部分，其中的绝缘子主要有陶瓷、玻璃等制作而成，容易受到恶劣自然环境的影响而损坏。保证电力系统的可靠传输首先要确保绝缘子能稳定工作。近年来，随着无人机航拍技术的不断发展，使用无人机对输电线路及其绝缘子的监控越来越普及，再结合计算机等辅助设备对图像中的输电线路、绝缘子进行定位和故障的判定。
目标检测是深度学习的一个领域，对于输电系统中绝缘子的检测需要有较高的准确性。近年来随着计算机CPU和GPU性能的提高，深度学习也重新快速发展起来。传统的基于图像的检测算法由于检测效率低精确度较差，渐渐地被基于深度卷积神经网络的目标检测算法取代。目前常用的目标检测算法分为两大类：一类是以SSD（single Shot MuhiboxDetector）和YOLO（You Only Look Once）为主的one-stage系列，另一列是以Faster R-CNN（Faster Region-based ConvolutionNeural Networks）为主的two-stage系列。one-stage系列速度快精确度较低，two-stage系列精确度高速度较慢。结合绝缘子检测对于精确度的要求，使用Faster R-CNN作为只要检测框架。由于绝缘子周围背景复杂，往往检测精确度效果不佳。本文主要针对已有技术的不足做了一下工作：
首先搭建常用的目标检测网络Faster R-CNN（Faster Re-gion-based Convolution Neural Networks），分析其在绝缘子数据集检测中存在的不足，然后改进主干特征提取框架，使用ResNet50替换原有的VGGl6网络。然后使用多尺度特征融合，增加检测层。作为RPN（Region Proposal Network）网络的输入，能有效地识别大小目标和多目标检测。
1 Faster R-CNN算法介绍
Faster R-CNN是2016年Ross B.Girshick在原有的FastR-CNN的基础上提出的优化模型。使用VGGl6作为网络的特征提取框架backbone，推理速度（包括生成候选区域）在GPU上达到5fps。在ILSVRC及其COCO竞赛中获得多个项目的第一名。结构如图1所示，Faster R-CNN算法流程可分为三个步骤：（1）将图像resize成固定尺寸并输入特征提取网络得到相应的特征图。（2）将特征提取网络最后一层输入到RPN（Region Proposal Network）网络生成Region Proposal，再将其投影到feature map上获得相应的特征矩阵。（3）得到的特征矩阵经过筛选，过滤掉超出图像边界以及重叠度较高的候选框（Region Proposal）后再通过ROI pooling层缩放到7×7大小的特征图，接着将特征图展平通过一系列全连接层得到预测类别概率和边界框回归。
2算法改进
原始的Faster R-CNN模型使用VGGl6作為特征提取框架以及VGGl6最后的卷积输出层作为RPN网络的输入特征层。此算法主要针对COCO数据集用来检测日常物体，对于迁移到绝缘子数据集时有以下两个缺陷：（1）使用单层的特征层输出容易造成检测目标大小的单一，绝缘子及其故障点在图像中呈现的大小不一容易造成漏检和误判，对多尺度特征融合进行改进。（2）本文需要检测的绝缘子故障点相对于整张图片或者绝缘子目标来说是小目标，为了能更快更准确地识别绝缘子及其故障点，需要对主干特征提取网络进行改进。
ResNetS0特征提取网络及多尺度特征融合。ResNetS0中包含了49个卷积层和1个全连阶层，其中创新性地引入残差网络使得网络在深度增加的同时避免了梯度消失和梯度爆炸的情况。通过五个不同尺寸大小的layer输出不同尺度大小的特征图，结合FPN和多尺度特征融合对Faster R-CNN模型检测结构进行改进，将输入RPN的特征层数从1个扩展到5个，以改善对不同尺度目标的检测。改进后结构如图2所示。
3实验结果及分析
3.1目标检测模型训练
目标检测设置参数分别为：迭代次数epochs=50，初始学习率learning rate初始大小为0.005，每经过10个epochs下降66%，批数量为8。改进的Faster R-CNN训练过程中损失值（Train Loss）变化曲线如图3所示。经过15000次step后，loss收敛至0.03附近。
3.2实际检测结果展示
采用ResNetS0主干特征提取网络和多尺度特征融合的Faster R-CNN目标检测模型在测试集上进行测试，其中航拍输电线路图片检测绝缘子效果如图4所示。可以看出对于大小不同的绝缘子多目标及其掉串故障小目标检测都能达到很好的效果。
4结论
本文提出了一种绝缘子目标检测研究方法基于FasterR-CNN模型。首先针对VGGl6主干网络对于绝缘子大小目标混合检测的缺陷，使用ResNetS0替换原先的VGGl6主干网络，更深的网络拥有更大的视野便于检测不同尺度的目标。其次，针对RPN单一的特征输入层的弊端，使用多尺度特征融合作为RPN特征输入。将单一尺度输出扩展为五尺度输入。最后的实际检测效果展示表明改进的Faster R-CNN的检测效果在多目标和不同尺度目标上有很好的效果。
绝缘子目标检测的准确电力系统发展的重要基础。未来可以根据改进Faster R-CNN的绝缘子目标检测算法和得到的优化模型做进一步工作，例如，无人机航拍绝缘子实时故障检测系统开发等。
电力系统的稳定运行是我国能源战略的重要组成部分，其中的绝缘子主要有陶瓷、玻璃等制作而成，容易受到恶劣自然环境的影响而损坏。保证电力系统的可靠传输首先要确保绝缘子能稳定工作。近年来，随着无人机航拍技术的不断发展，使用无人机对输电线路及其绝缘子的监控越来越普及，再结合计算机等辅助设备对图像中的输电线路、绝缘子进行定位和故障的判定。
目标检测是深度学习的一个领域，对于输电系统中绝缘子的检测需要有较高的准确性。近年来随着计算机CPU和GPU性能的提高，深度学习也重新快速发展起来。传统的基于图像的检测算法由于检测效率低精确度较差，渐渐地被基于深度卷积神经网络的目标检测算法取代。目前常用的目标检测算法分为两大类：一类是以SSD（single Shot MuhiboxDetector）和YOLO（You Only Look Once）为主的one-stage系列，另一列是以Faster R-CNN（Faster Region-based ConvolutionNeural Networks）为主的two-stage系列。one-stage系列速度快精确度较低，two-stage系列精确度高速度较慢。结合绝缘子检测对于精确度的要求，使用Faster R-CNN作为只要检测框架。由于绝缘子周围背景复杂，往往检测精确度效果不佳。本文主要针对已有技术的不足做了一下工作：
首先搭建常用的目标检测网络Faster R-CNN（Faster Re-gion-based Convolution Neural Networks），分析其在绝缘子数据集检测中存在的不足，然后改进主干特征提取框架，使用ResNet50替换原有的VGGl6网络。然后使用多尺度特征融合，增加检测层。作为RPN（Region Proposal Network）网络的输入，能有效地识别大小目标和多目标检测。
1 Faster R-CNN算法介绍
Faster R-CNN是2016年Ross B.Girshick在原有的FastR-CNN的基础上提出的优化模型。使用VGGl6作为网络的特征提取框架backbone，推理速度（包括生成候选区域）在GPU上达到5fps。在ILSVRC及其COCO竞赛中获得多个项目的第一名。结构如图1所示，Faster R-CNN算法流程可分为三个步骤：（1）将图像resize成固定尺寸并输入特征提取网络得到相应的特征图。（2）将特征提取网络最后一层输入到RPN（Region Proposal Network）网络生成Region Proposal，再将其投影到feature map上获得相应的特征矩阵。（3）得到的特征矩阵经过筛选，过滤掉超出图像边界以及重叠度较高的候选框（Region Proposal）后再通过ROI pooling层缩放到7×7大小的特征图，接着将特征图展平通过一系列全连接层得到预测类别概率和边界框回归。
2算法改进
原始的Faster R-CNN模型使用VGGl6作為特征提取框架以及VGGl6最后的卷积输出层作为RPN网络的输入特征层。此算法主要针对COCO数据集用来检测日常物体，对于迁移到绝缘子数据集时有以下两个缺陷：（1）使用单层的特征层输出容易造成检测目标大小的单一，绝缘子及其故障点在图像中呈现的大小不一容易造成漏检和误判，对多尺度特征融合进行改进。（2）本文需要检测的绝缘子故障点相对于整张图片或者绝缘子目标来说是小目标，为了能更快更准确地识别绝缘子及其故障点，需要对主干特征提取网络进行改进。
ResNetS0特征提取网络及多尺度特征融合。ResNetS0中包含了49个卷积层和1个全连阶层，其中创新性地引入残差网络使得网络在深度增加的同时避免了梯度消失和梯度爆炸的情况。通过五个不同尺寸大小的layer输出不同尺度大小的特征图，结合FPN和多尺度特征融合对Faster R-CNN模型检测结构进行改进，将输入RPN的特征层数从1个扩展到5个，以改善对不同尺度目标的检测。改进后结构如图2所示。
3实验结果及分析
3.1目标检测模型训练
目标检测设置参数分别为：迭代次数epochs=50，初始学习率learning rate初始大小为0.005，每经过10个epochs下降66%，批数量为8。改进的Faster R-CNN训练过程中损失值（Train Loss）变化曲线如图3所示。经过15000次step后，loss收敛至0.03附近。
3.2实际检测结果展示
采用ResNetS0主干特征提取网络和多尺度特征融合的Faster R-CNN目标检测模型在测试集上进行测试，其中航拍输电线路图片检测绝缘子效果如图4所示。可以看出对于大小不同的绝缘子多目标及其掉串故障小目标检测都能达到很好的效果。
4结论
本文提出了一种绝缘子目标检测研究方法基于FasterR-CNN模型。首先针对VGGl6主干网络对于绝缘子大小目标混合检测的缺陷，使用ResNetS0替换原先的VGGl6主干网络，更深的网络拥有更大的视野便于检测不同尺度的目标。其次，针对RPN单一的特征输入层的弊端，使用多尺度特征融合作为RPN特征输入。将单一尺度输出扩展为五尺度输入。最后的实际检测效果展示表明改进的Faster R-CNN的检测效果在多目标和不同尺度目标上有很好的效果。
绝缘子目标检测的准确电力系统发展的重要基础。未来可以根据改进Faster R-CNN的绝缘子目标检测算法和得到的优化模型做进一步工作，例如，无人机航拍绝缘子实时故障检测系统开发等。