一种改进YOLO 的绝缘子缺陷检测

张亚婉，巫耿宇，黄迪帷，何胤康

（广州华立学院，广东广州 511320）

随着智能电网建设的推进，无人机已经逐步代替了人工进行电力巡检，目前无人机仅仅作为数据采集端，巡检过程收集到的大量绝缘子图片信息还需要经过人工判断，才能得知线路是否存在故障。无人机巡检路程长、拍摄图片多，人的眼睛注视太久会产生疲劳，容易造成漏标或误标等现象的发生。我国电网建设发展迅速，日常使用绝缘子数量逐年增加，各种绝缘子带来的问题也随之增多[1-2]，因此，运用合适的图像识别算法对无人机巡检过程进行图像处理很有必要。

现阶段应用较为广泛的深度学习目标检测技术有FastR-CNN[3]、FasterR-CNN[4]、SSD[5]、YOLO[6-7]算法等，前两种算法生成一系列候选框（anchor box），通过卷积网络在候选框中进行分类，对目标进行检测和识别。SSD、YOLO两种算法直接把目标边框定位变成回归问题进行解决，不用产生候选框，检测速度比前者快了很多。YOLO 采用回归算法，速度比Faster R-CNN快了3倍。文献[8]使用了YOLOv3网络与ECO 算法的结合，能够有效地检测和跟踪绝缘子，但是训练后定位的检测框准确率较低。文献[9]把Faster R-CNN 算法应用在无人机巡检过程中对绝缘子进行检测，检测效果准确率较高，但是检测用时过长，无人机巡检输电线路的实时性不能被满足。文献[10]提出一种基于U-net[11]网络的绝缘子检测技术，检测效果相对较好，由于检测功能的绝缘子图像背景较简单，要做到无人机在复杂背景下的准确检测和定位比较困难。

该文提出一种改进YOLO 算法的绝缘子目标检测方法，对无人机拍摄绝缘子图像标注后制作数据集，通过卷积网络进行训练，能够准确检测出有缺陷的绝缘子。在YOLO 算法原有网络的基础上，通过融合绝缘子特征的金字塔结构，用K-means++对数据集进行聚类分析，挑选符合要求的先验框，通过NMS去除冗杂检测框，使检测结果更加准确，以完成对绝缘子定位及类别的划分。

1 YOLO网络结构设计

1.1 YOLOv3网络

基于图像金字塔结构大多都出现在图像检测领域深度学习网络中。在深度学习目标检测中金字塔结构检测效果好，可以提取图片以及成像的空间特征。基于YOLOv3 的特征提取网络结构，主要由53个卷积层组成，YOLOv3 网络结构图如图1 所示。

图1 YOLOv3网络结构图

1.2 改进的YOLOv3网络结构

通过无人机巡检拍摄的图片中绝缘子尺寸和绝缘子缺陷通常都很小，只有原图的2%～5%，原有YOLO 算法仅仅使用最后一层特征图，并没有办法有效检测出绝缘子，该文将算法中的浅层特征图与高层特征图相结合，底层的特征图所含细节更多，结合之后能够提升在图中目标过小的绝缘子的检测水平，YOLO 金字塔检测结构如图2 所示。

图2 YOLO 金字塔检测结构

该文提取相对底层的26 像素×26 像素图像，通过1×1 的卷积层将特征矩阵的深度从512 压缩到64，再通过Pass Through Layer 层将特征矩阵的宽高变成原来的一半，深度变为原来的4倍，输出的13×13×256特征矩阵与高层特征矩阵13×13×1 024在深度方向进行拼接，作为最终的预测方向。PassThrough Layer层示意图如图3 所示。

图3 PassThroughLayer层示意图

该层将特征矩阵中相同的部分提取出来；将一个特征矩阵分为四部分，将每部分中相同的数值进行分离，得到4 个特征图，每一个特征图包含原有图像中相同的一部分。经过变换后原有特征矩阵的宽、高为原来的一半，深度为原来的4 倍。

2 算法流程

首先用labeling 制作训练所需数据集，利用聚类算法K-means++对绝缘子训练集的高宽比进行聚类分析，从而确定最终的anchor box 高宽比，再使用改进后的YOLOv3 算法进行训练。在改进的YOLOv3算法中，在低层提取的特征图与高层语义信息结合的过程中，利用非极大值（NMS）过滤掉比例较低的数值，以此在原图像中更为准确地框中绝缘子。绝缘子检测流程图如图4 所示。

图4 绝缘子检测流程图

2.1 K-means++算法

YOLO 算法定位需要用先验框对目标区域进行尺寸预测，原来的YOLO 算法使用K-means 聚类计算先验框尺寸，其聚类结果很大可能会受到K个聚类中心的影响，故该文选择不用K-means 算法而改用K-means++算法[12]，实验结果表明，K-means++算法稳定性更强，确保了初始聚类中心的离散性，增强了先验框分布的合理性，能够更好地指导网络训练。K-means++算法流程图如图5 所示。

图5 K-means++算法流程图

K-means++算法步骤如下：

从数据集中间随机挑选一个样本C1，并将其设为初始聚类中心。

算出数据集中每一样本与选定聚类中心C1 之间的最短距离，设置为D(X)；

计算每一个样本被挑选为下一聚类中心的概率，从中挑取最大概率对应的样本点作为接下来的聚类中心C2；

重复进行第二步，选取9 个聚类中心C={C1,C2,C3,…,C8,C9}为止，将数据集中每一样本分配至与本身距离最小的聚类中心对应的簇中。

重新计算聚类中心Ci，即重复前面的第三步和第四步，一直到聚类中心不发生变化为止。

改进后的算法对标签中绝缘子的宽高比进行聚类后，得到更加适合绝缘子训练集的先验框，加快了网络训练的速度。

2.2 非极大值抑制（NMS）

经过K-means++聚类分析后产生了一系列的先验框，利用重叠区域面积比例IoU 检验先验框的精度。B个先验框及其对应的置信度S，可以挑取具有最大score 的先验框x，将其从B集合中删去并添加到最后的检验结果D内。一般情况下，将B中残余检测框中与x的IoU 大于阈值Nt的框从B中删去，反复进行全程，直到B为空，选出精度最好的一个[13]。

原有的YOLO 算法采用的NMS 算法的最大问题就是它将相邻低置信度检测框的分数均强逼归零[14]，绝缘子存在遮拦时，可能会产生漏检，因此，该文采用soft-nms 算法，在算法执行中并非简单对IoU 大于阈值的检测框进行删除，而是减少置信度分数[15]。

3 实验结果

3.1 实验数据集设置

为了检验改进YOLO 算法在实际无人机巡检图中是否有效，该文选取了广东省内诸多地方无人机巡检过程中拍到的绝缘子图像和部分中国电力线路绝缘子数据集（CPLID）中的开源无人机巡检图像共2 000 张，使用labeling 对无人机巡检图像中的绝缘子以及绝缘子缺陷位置进行标写，将数据集的60%作为练习集，40%作为测试集，进行练习训练和测验。其中，为了提高网络的泛化能力，将数据集分为两种类型，一类图像带有绝缘子缺陷，另一类图像为正常绝缘子，两种类型的图像在训练集和测试集中均各占50%。

实验环境：操作系统为Ubuntu 18.04LTS；显卡为GPU NVIDIA GeForce GTX 1660Ti；CPU 为Interi5-9300H 2.40 GHz/16 GB。

3.2 实验结果分析

3.2.1 绝缘子

为了验证改进后的YOLO 算法在无人机巡检过程中的效果，将其训练后的检测结果与原来的YOLO 算法训练结果进行比较，可以看出原有的YOLO 算法对于复杂场景的绝缘子定位精准度有所欠缺，并且存在漏检现象，而改进后的算法在检测准确度方面有很大的提升。改进前后对比测试效果图如图6 所示。

图6 改进前后对比测试效果图

3.2.2 改进后先验框算法

该文采用均值平均精度（MAP）对原有的YOLO算法和改进后的YOLO 算法进行对比（见表1），可以看出改进后的算法MAP 较原来有所提升，绝缘子和绝缘子缺陷定位的准确率也大大提升，可观察到，修改后的算法生成的先验框降低了训练集目标框聚合程度，训练的准确率得到了大幅度提升。

表1 改进前后算法对比结果

3.2.3 检测框架的选择

无人机巡检目标检测主流框架有Faster R-CNN、YOLO，表2 为不同监测框架对比结果。可以看出，Faster R-CNN 绝缘子MAP 高达90%，但检测速度极慢，无法实时反映绝缘子缺陷，相比之下YOLO 算法MAP 接近90%，速度却是Faster R-CNN 的5 倍之多，因此，选择快速且精确地YOLOv3 作为无人机巡检检测框架。

表2 各种检查框架对比结果

4 结束语

该文基于YOLO 算法提出一种改进模型，运用K-means++算法加强稳定性，增强先验框分布的合理性。选择快速且精确的YOLOv3 作为无人机巡检检测框架，有效提高了绝缘子及缺陷的精确定位，相对原有方法，其对绝缘子及缺陷检测的精准度有所提升。在改进模型中融入了卷积层，简化了网络结构，一定程度上减少了添加模块带来的额外计算量，提升了模型的检测速度。结果表明，改进后的YOLO 网络可以更精确地检测绝缘子及缺陷，并继承了原有YOLO 网络实时性高的特点。下一步将构建更为精细的识别类型，基于多种新型绝缘子数据集检测缺陷区域，进一步提升检测准确率。