改进混合YOLO的配电线路瓷瓶缺陷识别算法.pdf

电力系统62丨电力系统装备 2023.6Electric System2 0 2 3 年第6 期2023 No.6电力系统装备Electric Power System Equipment配电线路通常在野外空旷区域架设，长年经受着大自然的侵袭和人类活动的影响。其中长期在瓷瓶表面积累的污秽会增加其表面电导率，使得该位置更容易出现电击放电，一旦瓷瓶表面被烧焦就失去了绝缘能力。此外，由于瓷瓶通常由玻璃材料制成，一旦受损则存在线路故障的可能1。因此，需要定期对配电线路瓷瓶进行巡检，避免瓷瓶缺失、污秽对线路的可靠性造成影响。当前，越来越多的无人机被用于配电线路巡检2，其可以有效地弥补常规方式对线路通道上方巡检的缺失。通过使用基于深度学习的图像识别技术3，可以快速准确地识别故障缺陷，其中 You Only Look Once（YOLO）模型4-5在目标检测方面表现尤为出色6-10。本文通过利用融合 ResNet-18分类器的混合 YOLO 模型，对无人机拍摄的数据集进行分析，在小样本训练条件下可以更有效地识别故障瓷瓶，在平均精度和 F1分数方面优于 YOLOv5m、YOLOv5s 等模型。1 混合YOLO网络结构1.1 YOLO算法1.1.1 算法介绍YOLO 算法是一种卷积神经网络，它将图像划分为网格，对网格中的每个单元检测其内部的对象。由于它只需要处理一次图像即可对目标进行分类或检测，因此得名 YOLO。近年来，YOLO 模型在目标检测方面取得了良好的效果，模型也自初始版本以来经历了多次改进11。YOLOv5是YOLO系列发展以来的第五代检测算法，它在提供了更高的检测精度的同时，实现了更轻量化的部署，现已成为该系列中性能最优的算法，在工程应用中取得了出色的效果。YOLOv5根据网络的深度与宽度可分为4个不同的版本，分别为 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，4个版本的检测精度与模型大小依次提升。1.1.2 YOLOv5模型架构YOLOv5使用 Mosaic 数据增强操作增加了训练过程的数据量，间接增加了批尺寸，使得每次迭代接收到更多的数据，从而减少了目标尺寸，提高了小物体的识别概率12。YOLOv5模型构架和其它单阶段目标检测器一样，可以拆解为3个主要部分。（1）模型主干网络（Model Backbone）。主要用于提取输入图像特征。YOLOv5使用了CSP-Darknet53网络，相比 YOLOv3使用的 Darknet53网络，参数少34%（意味着更快），精度基本一致。（2）模型颈部（Model Neck）。主要用于生成特征金字塔（feature pyramids）。特征金字塔有助于提升模型对不同大小和比例对象的泛化性能，即有助于识别具有不同大小和比例的同一对象。YOLOv5使用新设计的 CSP-PAN 作为特征金字塔。（3）模型检测头（Model Head）。主要用于执行最后的检测部分。它将锚框应用于特征并生成具有类别概率（class probabilities）、对象分数（objectness scores）和边 界框（bounding boxes）的输出。摘 要利用无人机在线路上空开展配电线路通道巡视可大幅提高巡检效率。文章将用于瓷瓶检测的 YOLO模型和用于瓷瓶分类的卷积神经网络相结合，提出了一种优于标准模型的混合 YOLO 改进方法，对无人机拍摄的配电线路瓷瓶图像进行缺陷识别，相比 VGG、ResNet、DenseNet、YOLOv5等架构有更优异的表现。关键词深度学习；电网巡检；目标检测算法中图分类号TP391 文献标志码A 文章编号1001523X（2023）06006204Improved Hybrid YOLO Algorithm for Insulator Defect Identification in Transmission Lines YANG Zengxiang，CHEN Lin，YE JianhuiAbstractUsing UAV to carry out transmission line channel inspection over the line can greatly improve the inspection efficiency.This paper combines the YOLO model used for insulator detection and the convolution neural network used for insulator classification,and proposes a hybrid YOLO improved method superior to the standard model.Through the defect identification of transmission line insulator images taken by UAV,it has better performance than VGG,ResNet,DenseNet,YOLOv5 and other architectures.Keywordsdeep learning;power grid inspection;YOLO改进混合YOLO的配电线路瓷瓶缺陷识别算法杨增祥，陈琳，叶建慧（国网浙江省电力有限公司温岭市供电公司，浙江台州318000）电力系统2023.6 电力系统装备丨63Electric System2 0 2 3 年第6 期2023 No.6电力系统装备Electric Power System Equipment1.2 改进策略由于 YOLO 模型在物体检测方面的优势，本文提出结合 CNN 分类器13和 YOLO 的改进模型应用于瓷瓶检测。通过对比视觉几何组（VGG）、残差神经网络（ResNet）14和密集卷积网络（DenseNet）的结构，主 要是 VGG-11、VGG-13、VGG-16、VGG-19、ResNet-18、ResNet-34、ResNet-50、ResNet-152、DenseNet-121、DenseNet-161、DenseNet-169和 DenseNet-201，本文选取 YOLOv5用于对象检测，残差网络 ResNet-18用于分类。结构如图1所示。2X*CBSCSP2_XFocusCSP1_XCSP1_4CSP2_4CSP2_4CSP2_4CSP2_4DetectDetectDetectUpsampleUpsampleCSP1_12CSP1_12SPPFConcatResXConvConcatConcatConcatConcatConcatSiLUCBSCBSCBSCBSCBSCBSCBSCBSCBSCBSCBSCBSCBSBNConfidence3x3Maxpool7x7Avgpool,512x3fcResNet-187x7,642222B-boxClass图1 混合YOLO网络结构2 试验与分析2.1 试验配置试验是在 Ubuntu16.04系统下进行，采用 PyTorch 1.6深度学习框架，硬件配置为 NVIDIA GeForce GTX 1080 Ti，12GB 显存，Intel Xeon CPU E5-1650 v4 3.60 GHz12，62GB RAM。2.2 试验数据集本文选取 IDID 整理的瓷瓶及其缺陷图像数据集15，数据集分3个子类：污闪损坏瓷瓶、破损瓷瓶和良好瓷瓶。选取数据集中1 596张图片，将图像分辨率统一调整为640640进行训练。试验分为瓷瓶检测和分类两部分。瓷瓶检测时使用数据集内1 016张图像进行训练，179张图像进行验证。瓷瓶分类时使用了12 827个切口，其中10 886个用于训练，1 941个用于验证。2.3 评价指标本文使用多个标准来评估算法的性能，包括准确率（precision）、召回率（recall）、F1得分，计算过程为：（1）（2）（3）式（1）（3）中，tp 为预测正确的正样本数量，fn 为预测错误正样本的数量，fp 为将负样本预测为正样本的数量。评价目标检测器的性能时使用均值平均精度（mAP）指标，它是以数据集中所有类别的交并比（IoU）为基础的。为了在数据集中评估目标检测器，需要同时基于以下两者的 IoU 来计算 mAP：（1）基于每个类别（每个类别的平均 IoU）；（2）数据集中所有类别（所有类别平均的 IoU）。计算每个类别的平均精度时，在所有的数据点上计算某个类别的 IoU。当计算出一个类别在每个数据点的IoU，对其求一次平均（第一次平均）：（4）式（4）中，为第几类。平均精度均值（mean average precision，mAP）是所有类别的平均精度（average presison，AP）的加权平均值：（5）式（5）中，n 为类的数量，k 为对应的类。通常使用 mAP0.5，表示测试集中要被标记为正检测的目标必须具备的条件，真值不小于0.5的 IoU（并可以被正确地标记）。这里的0.5是可以调整的，但是在所有的目标检测数据集试验中，0.5是一个相对标准的数值。利用 F1_score 用于评估分类结果，mAP 用于目标检测评估，通过试验得出 mAP0.5 的值。由于每次试验都进行了重新采样，因此 mAP0.5 是一个均值未知的随机变量，定义其均值为。定义阈值为0.90，这是模型可接受的极限值，因此最佳模型的 mAP0.5的均值应大于等于0.90。2.4 试验结果与分析2.4.1 最优YOLO模型表 1 为 YOLOv5s、YOLOv5m、YOLOv5l 和YOLOv5x 模型的配置信息，表2是基于目标检测和分类评价指标的结果。随着 batch size 的增加，模型往往收敛得更快，但这通常又需要更大的 GPU 来加载数据。因此，为了在目标处理时间和可用硬件之间平衡，本文将 batch size 最大值设置为16。通过表2对比 YOLOv5s、YOLOv5m、YOLOv5l 和 YOLOv5x 模型的结果，得出mAP0.5 等于0.912 5的 YOLOv5x 的结果最好，因此将 batch size 等于8的 YOLOv5x 模型设置为对象检测的最优模型。电力系统64丨电力系统装备 2023.6Electric System2 0 2 3 年第6 期2023 No.6电力系统装备Electric Power System Equipment表1 YOLOv5模型配置信息模型深度宽度层数参数（M）计算力YOLOv5s0.330.502137.015.8YOLOv5m0.670.7529020.947.9YOLOv5l1.001.0036746.1107.7YOLOv5x1.331.2544486.2203.8表2 YOLOv5各检测模型评价指标结果模型批值 精确率召回率F1 得分平均精确度阈值 0.5平均精确 度阈值 0.5-0.95YOLOv5s248160.887 20.881 30.899 90.893 80.830 80.862 40.827 90.839 50.858 10.871 70.862 40.865 80.867 30.873 20.878 70.890.460.472 10.4970.477 5YOLOv5m248160.896 90.890 90.889 20.904 70.846 50.860 20.868 40.907 20.871 00.875 30.878 70.905 90.8880.881 90.8870.911 30.516 20.491 90.495 30.515 2YOLOv5l248160.892 30.882 50.881 70.912 10.8390.872 20.881 70.871 20.864 80.877 30.881 70.891 20.876 90.882 90.896 60.892 90.498 70.481 40.541 60.537 8YOLOv5x248160.890 60.907 10.922 70.920 50.857 30.895 80.885 50.890 80.873 60.901 40.903 70.905 40.879 70.908 80.909 80.912 50.532 20.540 90.558 50.568 32.4.2 最优分类器为了更高效地对瓷瓶进行分类，通过表3比较各类成熟的基于 CNN 的模型，得出 F1_score 得分最高的是ResNet-18，其结果为0.918 13，同时该模型处理时间最快。基于 VGG 的模型效果最差，VGG-19模型获得的F1_score 最佳结果为0.839 76。在处理时间方面，根据模型参数的数量，模型收敛所需的时间有增加的趋势。DenseNet-161模型的 F1_score 为0.910 23，显示出比所有 VGG 结构更好的分类效果。表3 CNN分类模型评价指标结果模型精确度召回率F1 得分VGG-11VGG-13VGG-16VGG-190.792 240.827 580.848 540.854 440.792 490.798 260.768 730.825 570.792 360.812 660.806 670.839 76ResNet-18ResNet-34ResNet-50ResNet-1520.924 410.913 510.897 390.897 560.911 930.917 170.848 290.861 770.918 130.915 340.872 150.879 30DenseNet-121DenseNet-161DenseNet-169DenseNet-2010.908 490.924 650.908 720.903 950.872 150.896 250.877 650.919 690.889 950.910 230.892 910.911 75通过综合比对，选取 ResNet-18模型作最优分类器。该结果表明，使用较大的模型可能并不会产生最佳结果。2.4.3 改进混合YOLO模型为了验证融合 YOLO 和分类器的改进模型，使用ResNet-18作为基础分类器，执行针对标准 YOLO 版本的基准测试。图2所示为混合 YOLO 模型验证的精确度、召回率、平均精度等指标曲线，图3和图4所示为改进混合 YOLO 模型的 F1得分和 P-R 曲线。图5展示出了改进混合 YOLO 网络瓷瓶检测测试结果图，表4证明改进混合 YOLO 模型在所有评估的指标中都取得了最好的效果，并且由图5展示了改进混合 YOLO 模型对瓷瓶缺陷检测的效果表明，该改进混合 YOLO 模型在瓷瓶识别和分类方面都很有前途。表4 混合YOLO模型评价指标结果模型批值 精确率召回率F1 得分平均精确度阈值 0.5平均精确 度阈值 0.5-0.95Hy-bridYOLO80.93930.90680.92280.91620.59060.80.60.40.20.0100100步数步数（a）阈值0.5平均精确度曲线（b）阈值0.5-0.95平均精确度曲线8080606040402020000.60.50.40.30.20.10.0（c）精确率曲线（d）召回率率曲线0.80.80.60.40.20.60.40.20.0100100步数步数808060604040202000图2 混合YOLO网络评价指标曲线绝缘子破损污闪所有类别0.92at0.4801.00.8置信度0.60.40.20.01.00.80.60.4F1-得分0.20.0图3 混合YOLO网络F1得分曲线电力系统2023.6 电力系统装备丨65Electric System2 0 2 3 年第6 期2023 No.6电力系统装备Electric Power System Equipment绝缘子0.995破损0.921污闪0.879所有类别0.932mAP0.51.00.8召回率0.60.40.20.01.00.80.60.4精确率0.20.0图4 混合YOLO网络P-R曲线图5 混合YOLO网络瓷瓶检测效果3 结论由于飞行控制技术的进步和逐步降低的成本，电网业务中无人机的使用越来越普遍。当使用无人机巡检时，可以大幅提升工作效率，而且解决了山区等人工巡检困难的问题。本文将用于瓷瓶检测的最佳模型与用于瓷瓶状态分类的最佳 CNN 结构相结合，提供了一种优于标准模型的混合方法，相比 YOLOv5（n、s、m、l 和 x）等 YOLO 的变体，各项指标都有明显改善。通过将本文所提出的改进 YOLO 模型应用到无人机图像识别中，可以更高效地对瓷瓶缺陷进行识别和分类，从而提高电网的可靠性。参考文献1 BARTON J P，INFIELD D G.Energy storage and its usewith intermittent renewable energyJ.IEEE Transactions on Energy Conversion，2004，19（2）：441-448.2 汤明文，戴礼豪，林朝辉，等.无人机在电力线路巡视中的应用 J.中国电力，2013（3）：40-43.3 李彩林，张青华，陈文贺，等.基于深度学习的瓷瓶定向识别算法 J.电子与信息学报，2020（4）：1033-1040.4 REDMONJ，FARHADI A.YOLOv3：An incremental improvementJ.arXiv，2018，18（4）：2767.5 ULTRALYTICS.YOLOv5EB/OL.2022-03-15.https：/ ZHENG Z H，WANG P，LIU W，et al.Distance-IoU loss：Faster and better learning for bounding box regressionC/Proceedings of the AAAI Conference on Artificial Intelligence，2020：12993-13000.7 ANWAR M Z，KALEEM Z，JAMALIPOUR A.Machine learning inspired sound-based amateur drone detection for public safety applicationsJ.IEEE Transactions on Vehicular Technology，2019，68（3）：2526-2534.8 HE K M，ZHANG X Y，REN S Q，et al.Spatial pyramid pooling in deep convolutional networks for visual recognitionJ.IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37（9）：1904-1916.9 XUE T，SHAN T，FENG Y.Research on clutter suppression for low-altitude slow and small target detectionC/Proceedings of the 2nd International Conference on Computer Engineering，Information Science and Internet Technolog，2017.10 BOCHKOVSKIY A，WANG C Y，LIAO H Y M.YOLOv4：Optimal speed and accuracy of object detectionJ.arXiv，2020（4）：10934.11 王战涛，张策，王晓田.基于 YOLOv3 的改进目标检测识别算法 J.上海航天（中英文），2021（6）：60-70.12 钱伍，王国中，李国平.改进 YOLOv5 的交通灯实时检测鲁棒算法 J.计算机科学与探索，2022（1）：231-241.13 LIN T Y，DOLLR P，GIRSHICK R，et al.Feature pyramid networks for object detec-tionC/Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2017：2117-2125.14 HE K M，ZHANG X Y，REN S Q，et al.Deep residual learning for image recognitionC/Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，Las Vegas，Jun 26-Jul 1，2016.New York：IEEE，2016：770-778.15 Lewis D，Kulkarni P.Insulator defect detectionEB/OL.2022-03-15.http：/dx.doi.org/10.21227/vkdw-x769.