基于无人机图像的输电线路部件检测方法研究

基于无人机图像的输电线路部件检测方法研究

李杰明

江门供电局

摘要：输电线路的可靠和安全是确保电力系统安全运行的前提。由于接触环境复杂，电力线会发生电闪络、材料老化、机械张力大等情况，一旦发现不及时，会引起严重的线路损坏事故。如今，无人机逐渐应用于输电线路巡检中，弥补了传统人工巡检的一些不足。但目前无人机巡检图像部件识别错误率较高，导致后续故障和缺陷识别产生较大的误差。因此研究基于无人机图像的输电线路部件检测方法具有非常重要的现实意义。

关键词：无人机图像；输电线路；部件；检测

引 言

针对无人机电力巡检模式在图像快速检测方面存在的自动化程度和效率低等问题，提出了一种将单级多框预测检测器SSD与特征金字塔网络FPN相结合的输电线路部件检测方法，并对绝缘子故障进行检测。在SSD目标检测的基础上，加入了FPN特征金字塔结构，局部融合层间特征信息。实验验证了文中所提方法的优越性。实验结果表明，在部件检测中，该方法对大、中、小尺寸目标均具有良好的检测效果，检测精度在90%左右，在绝缘子故障检测中检测精度达到87.4%。为输电线路部件检测技术的发展提供了参考。

目前，国内外许多学者对输电线路部件的检测方法进行了研究，并取得了一些优秀的研究成果。文献中提出了一种改进的单级多框预测检测器模型用于输电线路部件检测。在SSD模型中，对IOU进行了改进，使用斥力损失函数。实验结果表明，该模型对小目标和密集目标均具有良好的检测效果。文献[4]中提出了一种基于深度学习的绝缘子故障检测方法。实验结果表明，该方法对复杂背景下的绝缘子串检测效果较好，并能识别出是否有自爆缺陷。文献[5]中提出了一种基于航拍图像的目标检测方法，该方法通过在线样本挖掘、样本优化、软性非最大抑制等进行了优化。实验结果表明，该方法检测效果较好，平均精度高，单模型能够同时检测多种目标类型的特点。文献[6]中提出了一种基于深度学习的电网图像多目标缺陷检测方法，可以检测和识别电网线路各种典型组件中的故障。实验结果表明，该方法的识别率高于96％，可以有效地检测和识别电网中多个组件的缺陷。然而，上述方法在复杂背景下对电力部件的检测精度较低，适应性有待进一步加强。

基于此，提出了一种将单级多框预测检测器（Single Shot MultiBox Detector，SSD）和特征金字塔网络（Feature Pyramid Networks，FPN）相结合的输电线路部件检测方法，并对绝缘子故障进行检测。在保留原始SSD目标检测的基础上，添加了FPN特征金字塔结构。仿真验证了该方法的优越性。

1 目标检测评价方法

使用不同的性能指标评估算法通常会得出不同的结果，也就是说，检测方法的质量是相对的。方法的质量不仅取决于算法和数据，还取决于任务的要求[7]。因此，有必要为检测方法选择合理的评价指标[8]。文中主要讨论了图像处理中常见的目标检测指标。包括精确度（Precision）、召回率（Recall），目标重合程度（IOU）、平均精度（MAP）。

（1）准确度

准确度（P）：预测结果中实际上有多少个真的正样本（找到对的比率）。正预测结果只有两种可能：正确的预测数TP和错误的预测数FP。

（2）召回率

在所有正样本中，正确预测的数量（其中有几个已经找到），针对原始正样本。有两种可能的预测结果：预测正确数TP和未预测数FN。

（3）目标重合度

IOU（Intersection Over Union）值预测目标检测框架与标记框架之间的一致程度，表示检测精度。计算方法是，检测盒和标记盒的交点与两者的并集之比。

（4）平均准确度

各类别检测的平均准确率，通常以MAP作为检测算法性能评估的最终指标。

文中先通过实验确定生成的候选帧与实际IOU之间的距离是否大于阈值0.5，然后将MAP用作最终评价指标。

2 目标检测

目标检测总体流程由预处理、区域处理、特征提取、分类器等组成。文中把上述几个步骤统一到一个深度学习框架内，提高了运行速度。文中的主要任务是更准确地检测海量输电线路航拍图像中的输电线路部件，选择SSD作为输电线路航拍图像的基本模型。因SSD结构对小目标识别效果较差，在保留原始SSD目标检测的基础上，添加了FPN特征金字塔结构，局部融合层间特征信息。、

2.1 SSD目标检测方法

SSD是一种One Stage算法。其核心是对类别和边框偏移量进行预测（小卷积核）。SSD算法在速度和准确性方面优于YOLOv1，其精度和速度可与RCNN媲美。SSD是一种流行且功能强大的目标检测网络。该网络结构包括基本网络、辅助卷积层和预测卷积层。以VGG16卷积神经网络为基础，此后，将多个SSD卷积层添加到基础网络中[14]。这些卷积层的大小逐渐减小，从而允许网络进行多尺度检测。最后，需要添加一个非极大值仰制的步骤来消除重复的候选帧。

2.2优化的FPN-SSD网络结构

在中由层包含小目标信息，对小目标识别效果较差，因此通过FPN特征金字塔结构对其进行改进，局部融合层间特征信息。FPN结构仅对具有丰富语义信息的高层特征采样，选择合适的特征层进行融合。最后，将高层和低层特征进行组合以进行检测，从而提高了模型的语义和位置特征。特征融合使用转置卷积和扩展卷积。将SSD结构的第6层和第7层转换成为卷积层，并添加了另外三个卷积层和一个平均池化层。为提高SSD对小目标识别的准确性，保留了原始SSD目标检测网络，将特征提取网络替换为Resnet-101，并添加了FPN融合上下文信息。

3 结果分析

  第一，为了验证FPN对文中方法检测效果的影响，根据图像的小、中、大比例测试了五类部件的MAP值。结果FPN结构对整体的改善较为明显。但是，每种类型的改进效果都与这种类型部件的特性有关。颜色和形状固定，如均压环，FPN的平均精度提高了约5％。对于绝缘体和电线杆等大型物体，FPN的平均精度提高了约3％。实验结果表明，该方法对多尺度目标检测具有较好的提升效果。

第二，由于故障部件较少，选择最易发生的绝缘子串脱落故障，进行文中方法与SSD的实验对比分析，实验结果表明，PFN-SSD的精度比SSD的精度高2.2％。这可能是由于故障图像较少，还存在诸如背景色遮挡和重叠之类的问题。在这种情况下，文中方法可以更好地获取信息。

4 结束语

文中提出了一种结合单级多框预测检测器SSD和特征金字塔网络FPN的输电线路部件检测方法，并对绝缘子故障进行检测。在保留原始SSD目标检测的基础上，添加了FPN特征金字塔结构。实验结果表明，在部件检测中，该方法的精度比SSD方法高1.98％，比Faster-R-CNN方法高4.48％，在绝缘子故障检测中，文中方法的精度比SSD方法高2.2％。这表明文中方法具有更好的检测效果，对多尺度目标检测具有较好的适用性。

参考文献

[1]张暹, 刘祝鸿, 陈月明. 输电线路绝缘子故障分析与检测方法[J]. 电力系统装备, 2021(23):2.

[2]汤踊, 韩军, 魏文力,等. 深度学习在输电线路中部件识别与缺陷检测的研究[J]. 电子测量技术, 2018, 41(6):6.

[3]杨罡, 孙昌雯, 张娜,等. 基于多尺度特征融合的输电线路关键部件检测[J]. 电测与仪表, 2020(3):54-59.

[4]丁磊, 刘晔, 毛鹏飞. 航拍输电线图像中部件检测关键技术探究[J]. 信息周刊, 2019(47):1.