基于改进的Yolov4航拍绝缘子目标识别算法
时间：2023-04-17 19:05:04 来源：柠檬阅读网 本文已影响 人 
丁晨寅，徐止政，段 纳
(江苏师范大学电气工程及自动化学院，江苏 徐州 221116)
绝缘子是一种特殊的绝缘控件，在电力系统的架空输电线中起到了非常重要的作用[1]。在电网运行过程中，绝缘子引起的输电线路故障在所有电力故障中占比最高，其运行状态的稳定与否直接影响着输电的可靠性和安全性，因此对绝缘子的常规检查及时排除障碍变得尤为重要。
随着无人机技术的不断发展，无人机已经在电力巡检中得到了广泛的应用。巡检员只需在地面操控无人机对输电线路进行拍照，依靠人工对传回的图片逐一检测，但是效率和准确率低。目前利用机器视觉技术对绝缘子进行目标检测受到关注。传统的目标检测算法如标准霍夫变换(Standard Hough Transform，SHT)、方向梯度直方图(Histogram of Oriented Gradient，HOG)[2-4]和尺度不变特征变换(Scale-invariant feature transform，SIFT)[5，6]方法等根据图片的区域选取进行特征提取，再通过特定的分类器对图片进行分类完成整个目标检测的任务，这些检测方法时间复杂度高且在环境多变的情况下鲁棒性差。
目前基于深度学习的目标检测算法应用广泛，常用的算法有RCNN[7]、Faster-RCNN[8]、SSD[9]等，且已在电力巡检领域得到应用。例如文献[10]采用CNN深度神经网络通过不同标签进网络训练和加深卷积的层数来提取更明显的数据特征，实现高精度的车轮损伤识别，文献[11]采用RCNN神经网络对电力器件中的小部件进行识别。文献[12]采用改进后的Fast-CNN模型对绝缘子进行检测，该方法能更深层次的提取物体整体信息和连续边界特征。文献[13]采用Faster-RCNN目标检测算法对分类器和检测器进行训练并级联组合对输电线路上的绝缘子自爆缺陷进行识别。文献[14]中采用提出基于Faster-RCNN的跨连接卷积神经网络的绝缘子检测方法，提高了检测精度，但存在算法复杂度升高和效率降低的问题。
Yolo[15]是近几年新发展的一种深度学习目标检测方法，在检测前对整个图像进行分割，预测时利用图像的全局信息进行目标识别，并且通过端对端单一回归网络进行目标定位和识别，检测速度比Fast R-CNN快几百倍。文献[16]将Yolo算法与边缘检测、帧差法、光流等传统机器视觉方法进行比较，Yolo算法在目标物有背景干扰的条件下也能有较好的检测结果。文献[17]针对无人机目标检测中的噪声干扰问题，在Yolov3的基础上设计了一个能克服环境噪声的目标检测系统，可在保证无噪声图像高检测准确率的同时提高含噪声图像的准确率。文献[18]采用DenseNet作为主干网络的改进Yolov3对安全帽进行检测，提高了算法的检测精度和速度。文献[19]利用U-net模型实现对绝缘子串语义分割，再通过Yolov4模型识别出自爆绝缘子，该模型提高自爆绝缘子的识别精度。
在自然条件下，光照不均匀、电力杆塔遮挡、绝缘子目标物尺度多变等因素影响绝缘子识别准确度，为此本文提出一种基于改进的Yolov4绝缘子目标识别算法，提高绝缘子识别水平。本文改进的Yolov4算法在原Yolov4网络的基础上，在PANet网络中加入104×104特征层，将其与深层特征进行融合，形成四个尺度的目标检测网络模型，增加小目标检测的准确性。为了减少参数量和提高有效特征的提取率，对26×26、52×52、104×104三个特征层进行并行多尺度最大池化。在图片预处理中加入自适应伽马变换提高图片对比度。在模型训练过程中使用K-means++、迁移冻结训练、余弦退火算法和平滑标签方法加快检测速度和提高检测精度。最后通过实验验证本文方法的有效性。
本章研究了伽马变换、多尺度特征检测网络、SPP网络、先验框设计、迁移学习、余弦退火算法和平滑标签算法。
2.1 伽马变换
伽马变换[20]又称为伽马非线性化，是对图片的亮度V进行矫正处理，根据提取的光照亮度的分布情况自适应的校正图片的亮度，适当的提高亮度低的区域的亮度值和降低亮度高的区域的亮度值。首先将HSV转变为RGB颜色空间，相比于RGB模型，HSV模型可以提取图片中的亮度V并对其进行处理。其次在光照分量分提取时，先构造高斯函数，然后将待处理图像f(x，y)与高斯函数g(x，y)进行多尺度卷积运算，运算公式为
(1)
其中k为尺度因子，ωi为第i个尺度对应的加权系数，通常ωi=1/i=1/3，在对光照进行提取时，考虑低、中、高三个尺度的高斯函数对光照分量进行提取，L(x，y)为三尺度高斯函数光照分量提取值。
在提取光照分量之后，根据图像的光照分布特点，利用二维伽马函数对图像亮度进行校正，校正系数γ和校正后的图像H(x，y)的计算公式为
(2)
其中μ为光照分量的灰度均值。根据二维伽马函数，当灰度均值大于光照分量提取值，校正后图片亮度增加，反之，图片亮度降低。最后再将图片从HSV颜色空间变换到RGB颜色空间。
2.2 多尺度特征检测网络
Yolov4是端对端的单阶段检测模型，虽然检测速度较快，但对小目标检测时容易出现漏检的现象。大尺度特征图拥有更多的边缘信息，具有更高的分辨率，有利于对目标物的定位作用，小尺度特征图含有更丰富的语义信息，有利于识别和目标分类。如图1所示，本文在原Yolov4网络的基础上，将104×104的特征图加入到PANet网络进行多尺度特征融合，与原网络的三个特征图进行级联形成具有四个尺度的检测网络。同时将104×104的特征图作为新的预测输出。该方法有助于提取到更多小目标的特征信息，提高检测的准确性和网络的泛化能力。图1蓝色阴影模块为本文改进网络新增模块。
2.3 SPP网络
在深度学习神经网络中，利用SPP网络降低特征维度，使得图片经过池化作用后整体变化最小，实现图片最大可能的尺度不变性。输入特征层经三次卷积进入到池化层，然后经核大小分别为1×1、5×5、9×9和13×13的并行多尺度最大池化处理，最后对池化完的特征层进行堆叠融合后卷积降维输出。如图1所示，为进一步提高计算效率，提取更有效的特征信息，本文在原Yolov4网络的基础上，对浅层的26×26、52×52、104×104三层特征层进行特征融合之前也分别经过SPP网络进行多尺度最大池化处理，在保证特征尺度最大程度不变的情况下，能极大的增大感受野。
图1 改进Yolo4网络结构
2.4 先验框设置
在目标检测中加入先验框有利于提高目标检测的精度和速度。在对绝缘子目标检测时，直接使用coco数据集聚类的Yolov4先验框存在准确度低的问题。为了得到更加精确的识别目标框，本文采用K-means++算法对绝缘子训练集进行聚类。K-means++具体步骤为：
1) 从训练集中随机选一个数据作为最初聚类中心u1；
2) 计算每个数据点与聚类中心的最小距离D(xi)为
D(xi)=1-IOU(box，centriod)，i=1，2，…，k
(3)
再通过轮盘法选择新的聚类中心；
3) 重复步骤2)，直到k个聚类中心被选出来进行迭代直到其位置不再发生变化。
本文输出的104×104、52×52、26×26、13×13四个特征卷积层分别使用3个先验框。相对于K-means算法，K-means++算法能确定初始聚类中心数目，有效的减少偏差。
2.5 迁移学习
为了缩短训练数据时间，提高网络泛化能力，在数据训练过程中借鉴迁移学习的思想，在有预训练权重的基础上增加冻结训练和解冻训练两个步骤。由于神经网络主干特征提取部分所提取到的特征是通用的，先加载已有的官方通用预训练模型权重，在网络结构不变的情况下，冻结通用的骨干网络，用绝缘子数据集训练后面的网络参数，经过一段时间训练后再解冻并进行全局训练。冻结训练只训练预测输出前的卷积层，冻结其它训练层。冻结训练不仅可以加快训练效率，也可以防止权重被破坏。
2.6 余弦退火算法
然而在冻结训练和解冻训练时需要不同的学习率。在冻结训练时，通常设置一个较高的学习率来加快非冻结部分的收敛速度，而在解冻训练时，往往设置一个较低的学习率来对整个系统进行微调，使网络达到全局最优。当设定某一个固定的学习率时，容易出现局部最优而无法达到全局最优的状况。本文采用余弦退火算法来控制学习率的变化。首先设置一个学习率最大值和最小值，在开始的时候线性上升提高模型的收敛训练的速度找到最优点，再通过cos余弦函数下降来对整个模型进行微调。
2.7 平滑标签
在进行分类识别前，需要对目标物进行标注。在未使用平滑标签情况下，绝缘子识别的概率模型为
(4)
其中n为预测目标，当预测目标为绝缘子时，概率为1，预测目标不是绝缘子时，概率为0。当标注数据出现错误时，容易影响最后的预测结果，并且模型泛化能力较差，容易出现过拟合现象。加入平滑标签之后，绝缘子识别的概率模型变为
(5)
其中α为超参数(本文取α=0.1)，加入平滑标签之后，模型泛化能力得到提高，即使标注数据出现错误也能降低对预测结果的影响。
3. 1 数据集制作
使用深度学习算法实现目标检测的重点在于数据集的制作和训练。数据集制作常采用旋转、色域变换、翻转等数据增强方法解决数据集不丰富的问题。本文绝缘子数据集增强过程主要步骤如图2所示，首先利用伽马变换对输入图像进行预处理，增强对比度，再利用镜像、翻转、色域变换、旋转四种数据加强的方法对绝缘子数据集进行扩充。
最终得到2199张含有绝缘子的照片作为数据集，先将数据集按70%训练集、20%验证集、10%测试集行分配。然后采用labelimg图片标注工具对训练集中的图片进行标注，将绝缘子标注为insulator。图3为对图片标签化处理过程，标出预测目标名称和预测框x，y，w，h的大小。最后将分配好的图片数据输入到网络中进行训练。利用训练生成更加符合训练模型的权重文件对目标物进行识别。
图2 绝缘子数据集扩充过程
图3 图片标签处理
3.2 参数设置
经过K-means++重新聚类获取新的四个尺度的先验框为{(15，9)，(24，120)，(45，20)}、{(71，57)，(77，27)，(82，15)}、{(108，24)，(123，37)，(139，87)}、{(241，155)，(250，49)，(267，82)}，将新的先验框放入Yolov4模型中进行训练。
Yolov4模型损失函数为由预测边界框损失、交并比损失、分类损失三部分组成，损失函数公式为
Loss=Losscoord+Lossciou+Lossclass
(6)
其中Losscoord为预测边界框误差损失值，Lossciou为交并比损失值，Lossclass为分类损失值。
在进行Yolov4训练时，相关系数以及训练平台配置如表1与表2所示。整个模型共训练100代，前50代采用冻结训练加快训练速度，后面50代采用全网络训练的方式。
表1 模型参数设置
表2 训练平台配置
3.3 评价标准
对于绝缘子的二分类检测时，检测的结果采用的评价指标如下：准确率P(Precision)、召回率R(Recall)、调和平均值F1(F1-Score)、平均精度均值mAP(mean Average Precision)分别为
(7)
(8)
(9)
(10)
其中TP为真实情况为正类，图像预测也为正类，FP为真实情况为负类，图像预测为正类，FN为真实情况为负类，图像预测为正类，TP+FP是检测到所有绝缘子的数量，TP+FN是实际绝缘子的数量。
3.4 实验结果分析
本文改进的Yolov4算法与目前主流的绝缘子目标识别算法Faster-RCNN、SSD和原Yolov4进行对比。根据式(7)～(10)可计算得到各绝缘子识别算法的准确率P、召回率R、调和平均值F1、平均精度均值mAP等指标，4种算法计算结果如表3所示。由表3可知，与Faster-RCNN、SSD和Yolov4相比，本文改进的Yolov4算法准确率指标分别提高2.13%、5.38%和2.1%，召回率指标分别提高4.72%、5.94%和3.93%，调和平均值指标分别提高3.41%、5.64%和3%，平均精度值指标分别提高3.5%、6%和2.11%。
表3 各算法指标评价参数
本文改进的Yolov4算法得到的P-R曲线如图4所示，绝缘子识别的AP值为95.62%，根据式(9)和(10)算出调和平均值F1和平均准确率mAP分别为92.09%和95.62%。
本文改进的Yolov4算法和基本Yolov4算法得到的部分检测结果如图5所示，其中红色框是最终预测框，框定出目标物的同时也标注出目标的类和置信度大小。由图5可知，改进后的Yolov4算法对于小目标检测和有障碍物遮挡的目标物检测效果更显著。
图4 绝缘子P-R曲线
图5 Yolov4改进前后部分检测结果对比
实验结果表明，本文改进的Yolov4算法与Faster-RCNN、SSD和Yolov4相比，在准确率P、召回率R、调和平均值F1、平均精度均值mAP4个指标上均有显著提高，对于小目标绝缘子识别效果更加显著。
针对绝缘子在航拍图像中具有对比度低、尺度多变，特征不明显的特点，本文提出一种基于改进的Yolov4绝缘子目标识别算法。在PANet网络中加入104×104新特征层并于原特征进行不同尺度的特征融合，形成一个四尺度的检测网络，采用SPP网络对融合的四个特征层进行降维处理，提高特征提取能力。在图片预处理过程中加入自适应伽马变换对航拍绝缘子图片进行校正，提高图片对比度，并在模型训练过程中利用K-means++、迁移学习冻结训练、余弦退火算法、平滑标签算法等训练方法来提高模型的训练速度和精确性。通过仿真得到结论如下：与Faster-RCNN、SSD、基本的Yolov4相比，本改进的Yolov4绝缘子目标识别算法适合检测绝缘子尺寸大小多变的或者被电力杆塔遮挡一部分的航拍图像，并且本文改进Yolov4算法在召回率、准确率、调和平均值、平均精度值等指标上都有明显提高，提高了对小目标检测的准确性。
本文在原Yolov4网络基础上，在26×26、52×52、104×104三层特征层增加了SPP网络，下一步将针对不同的特征层设计具有针对性的SPP网络，进一步提高目标识别算法的计算性能。
猜你喜欢绝缘子尺度特征根据方程特征选解法中学生数理化·中考版(2022年9期)2022-10-25财产的五大尺度和五重应对内蒙古民族大学学报（社会科学版）(2020年2期)2020-11-06如何表达“特征”疯狂英语·新策略(2019年10期)2019-12-13不忠诚的四个特征当代陕西(2019年10期)2019-06-03抓住特征巧观察数学小灵通·3-4年级(2017年9期)2017-10-13宇宙的尺度太空探索(2016年5期)2016-07-121000kV耐张绝缘子串单片绝缘子的带电更换技术电力建设(2015年2期)2015-07-129时代英语·高三(2014年5期)2014-08-26500kV绝缘子串含零值绝缘子时的电晕放电分析电测与仪表(2014年6期)2014-04-04绝缘子的常见故障及排除方法电气传动自动化(2014年6期)2014-03-20
