王書坤，高 林，伏德粟，劉 威

(湖北民族大學(xué) 信息工程學(xué)院，湖北 恩施 445000)

輸電線路的穩(wěn)定運行對電網(wǎng)的安全至關(guān)重要，輸電線路部件的故障類型主要包括：絕緣子故障、均壓環(huán)故障、防震錘故障、輸電線故障等[1].其中，絕緣子是輸電線路中用量最多的部件，也是引起線路故障的主要原因之一，因此需要對其進(jìn)行定期巡檢.傳統(tǒng)的線路巡檢主要靠人工，需要巡檢人員登上桿塔去檢查，這樣的方法費時費力，且有一定的危險性.隨著無人機以及深度學(xué)習(xí)技術(shù)的發(fā)展，搭載目標(biāo)檢測算法的無人機巡檢逐漸成為主流.

目前基于深度學(xué)習(xí)的目標(biāo)檢測算法主要分為兩類：一類是基于區(qū)域提取的兩階段目標(biāo)檢測模型，如R-CNN(Regions Convolutional Neural Networks)、Fast R-CNN、Faster R-CNN等，將目標(biāo)檢測分為特征提取和特征分類兩步；另一類是直接進(jìn)行位置回歸的單階段目標(biāo)檢測模型，如SSD(Single Shot MultiBox Detector)、YOLO(You Only Look Once)系列等，將目標(biāo)檢測轉(zhuǎn)換成回歸問題[2].隨著目標(biāo)檢測算法發(fā)展地日趨成熟，人們開始思考將目標(biāo)檢測算法應(yīng)用到線路巡檢中.虢韜等[3]使用Faster-RCNN模型來解決絕緣子中的自爆缺陷識別，最終絕緣子檢測精度為95%，但每張圖片的平均檢測時間卻需要320 ms，檢測的實時性有待提高.李偉性等[4]使用ResNet(Residual Network)替代VGGNet(Visual Geometry Group Network)的SSD算法來實現(xiàn)輸電線路上絕緣子缺陷檢測，也取得了不錯的效果.賴秋頻等[5]使用YOLOv2網(wǎng)絡(luò)并結(jié)合邊緣檢測、直線檢測、圖像旋轉(zhuǎn)等方法來實現(xiàn)輸電線路絕緣子的缺陷診斷，最終平均識別精確率達(dá)到了90.1%，且識別速度達(dá)到了30幀/s.吳濤等[6]使用輕量級的YOLOv3進(jìn)行絕緣子的缺陷診斷，結(jié)果也取得了近90%的平均精確率，速度也達(dá)到了26.1幀/s.高健宸等[7]使用K-means++改進(jìn)先驗框的YOLOv4來實現(xiàn)絕緣子爆裂故障識別，最終平均精確率為92.6%，速度為46幀/s.

由此可見，兩階段目標(biāo)檢測算法精度高，但檢測速度慢，不能滿足實時性的要求；而單階段的目標(biāo)檢測算法速度雖然提升了，但精度卻降低了.為了減小模型，提升檢測速度，同時還要保證較高的精確率，本文提出了一種改進(jìn)的輕量化YOLOv5來檢測絕緣子缺陷的算法模型.

1 基于YOLOv5的絕緣子檢測模型

1.1 YOLO算法

YOLO算法是Joseph Redmon于2015年提出的單階段目標(biāo)檢測算法，其核心思想是把目標(biāo)檢測任務(wù)當(dāng)作單一的回歸任務(wù)[8].而后作者又對其進(jìn)行了改進(jìn)，分別于2017年提出YOLOv2[9]，2018年提出YOLOv3[10]，2020年Alexey Bochkovskiy提出了YOLOv4[11]，YOLOv4在原來的YOLO目標(biāo)檢測架構(gòu)的基礎(chǔ)上，采用了很多優(yōu)化策略，例如在輸入端使用了Mosaic數(shù)據(jù)增強，將主干網(wǎng)絡(luò)改為CSPDarknet53，在原來FPN(Feature Pyramid Networks)的基礎(chǔ)上增加PAN(Path Aggregation Network)等.而后不久Glen Jocher又提出YOLOv5算法，其在性能與YOLOv4不相伯仲的同時，在速度上進(jìn)一步提升.按照官方發(fā)布的數(shù)據(jù)，現(xiàn)版本的YOLOv5每個圖像的推理時間最快僅需0.007 s，即可達(dá)140幀/s(FPS)，而且YOLOv5的模型大小只有YOLOv4的1/9.

1.2 YOLOv5模型

YOLOv5有s、m、l、x 4個不同大小的網(wǎng)絡(luò)模型，其中YOLOv5s是最小的網(wǎng)絡(luò)模型，其他模型均為在其基礎(chǔ)上不斷增加網(wǎng)絡(luò)深度和寬度的產(chǎn)物.表1是各個版本的YOLOv5模型在COCO2017驗證集與測試集上的各項指標(biāo)，可以看出隨著網(wǎng)絡(luò)模型的加深，雖然其檢測性能不斷增強，但是模型尺寸越來越大，檢測速度越來越慢.為了實現(xiàn)模型的輕量化，使其更易于移植到嵌入式設(shè)備中，選擇YOLOv5s作為基礎(chǔ)模型.

表1 YOLOv5各版本性能分析

YOLOv5從發(fā)布以來，已經(jīng)更新到5.0版本，其激活函數(shù)已經(jīng)從早期的LeakyReLU和Hardswish統(tǒng)一都變成了SiLU激活函數(shù).并且采用了C3模塊代替了原來的BottleneckCSP模塊，C3模塊比BottleneckCSP模塊少了瓶頸結(jié)構(gòu)中的一個卷積層，使得整體模型的尺寸變小，推理速度也有所提升.雖然相比于3.0版本，精度有0.8%的下降，但是相比于其速度的提升，這點精度損失還在接受范圍內(nèi)，本次實驗是以5.0版本模型為基礎(chǔ)進(jìn)行的改進(jìn).

YOLOv5的模型主要由Backbone和Head兩部分組成，其中Backbone作為特征提取模塊主要由Focus、C3、SPP模塊組成，Head部分主要包括提取融合特征的頸部(Neck)和Detect模塊，其網(wǎng)絡(luò)模型如圖1所示.

圖1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)

在Backbone部分，主要由3種模塊組成.① Focus模塊.這是YOLOv5獨有的結(jié)構(gòu)，其主要思想是通過切片操作來對輸入圖片進(jìn)行裁剪，從高分辨率圖像中，周期性的抽出像素點重構(gòu)到低分辨率圖像中，即將圖像相鄰的4個位置進(jìn)行堆疊，將w、h維度信息聚集到c通道空間，在減少計算量的同時提高了每個點的感受野，避免了原始信息的丟失.② CSP(Cross Stage Partial network)模塊.其主要通過將基礎(chǔ)層的特征圖分割成兩部分，然后用跨階段分層結(jié)構(gòu)進(jìn)行合并的方式來實現(xiàn)更豐富的梯度組合.而YOLOv5的作者同樣借鑒了這種結(jié)構(gòu)，不過相比于YOLOv4只在Backbone主干部分使用了CSP結(jié)構(gòu)，v5的作者設(shè)計了兩種CSP結(jié)構(gòu)，分別運用于主干部分和頸部，而后作者又對其進(jìn)行了改進(jìn)，通過去除瓶頸結(jié)構(gòu)中的一個卷積層，將其改成了C3模塊.③ SPP(Spatial Pyramid Pooling network)模塊.該模塊是借鑒了何凱明于2014年提出的SPPNet[12]，又稱空間金字塔池化網(wǎng)絡(luò)，通過k=(1×1、5×5、9×9、13×13)的最大池化的方式將不同尺度的特征圖進(jìn)行拼接，實現(xiàn)了不同尺度特征的融合，進(jìn)而提升了感受野，提取出了重要的特征.

在Head部分，YOLOv5使用了特征金字塔FPN+PAN的結(jié)構(gòu)，F(xiàn)PN層通過上采樣的方式將高層與低層的特征信息進(jìn)行傳遞融合，而PAN層則將低層特征與高層特征進(jìn)行拼接，使低層分辨率高的特征傳到上層去.通過FPN+PAN的結(jié)構(gòu)，從不同的主干層對不同的檢測層進(jìn)行特征聚合，有效解決了多尺度問題.

1.3 損失函數(shù)

目標(biāo)檢測任務(wù)的損失函數(shù)由分類損失和回歸損失兩部分構(gòu)成.分類損失又包括置信度損失和類別損失，這兩種損失都比較簡單，主要使用交叉熵?fù)p失作為損失函數(shù)；回歸損失又稱為坐標(biāo)位置損失，且隨著目標(biāo)檢測算法的發(fā)展在不斷改進(jìn)，從2016年的IOU_ Loss到 2019年的GIOU_ Loss再到2020年的DIOU_Loss，到現(xiàn)在最新的CIOU_ Loss.其中IOU_Loss只考慮了檢測框和目標(biāo)框重疊面積.GIOU_Loss多考慮了邊界框不重合時引起的問題.DIOU_Loss增加了邊界框中心點距離的信息.而CIOU_Loss又多考慮了邊界框?qū)捀弑鹊某叨刃畔?本文在經(jīng)過大量實驗后，選擇了CIOU_loss作為坐標(biāo)位置損失.

2 改進(jìn)的輕量型YOLOv5模型

改進(jìn)的輕量型YOLOv5相對于原版算法主要有三方面改進(jìn)，一是使用了輕量型的Ghost卷積，二是使用了GhostBottleneck模塊，三是用了改進(jìn)的K-means算法修改先驗框.

2.1 Ghost卷積

Ghost卷積來自GhostNet[13]，GhostNet是為了降低卷積神經(jīng)網(wǎng)絡(luò)的計算量，使之輕量化，更易于在終端部署而提出的一種卷積模塊.它是通過“少量傳統(tǒng)卷積”+“輕量的冗余特征生成器”的方式代替?zhèn)鹘y(tǒng)的卷積層，在減少網(wǎng)絡(luò)整體計算量的同時，又保證了網(wǎng)絡(luò)的精度.該模塊的實現(xiàn)分為兩個部分，一是少量普通卷積，二是簡單的線性操作.先通過少量的普通卷積得到一部分特征圖，然后將得到的特征圖通過線性操作生成更多特征圖，最后將兩組特征圖在指定維度拼接起來，其原理如圖2所示.

圖2 普通卷積與Ghost卷積圖3 GhostBottleneck模塊 Fig.2 General convolution and Ghost convolution

GhostBottleneck的基本結(jié)構(gòu)與C3模塊類似，只是將原本的卷積用Ghost卷積代替，其具體結(jié)構(gòu)如圖3所示.

2.2 改進(jìn)后的YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)

改進(jìn)的輕量型YOLOv5網(wǎng)絡(luò)整體結(jié)構(gòu)如表2所示.表中輸入列的-1是指輸入來自上一層輸出，參數(shù)列的值為本模塊的參數(shù)量，模塊列表示模塊類型，張量信息列則分別代表該模塊的輸入通道數(shù)、輸出通道數(shù)、卷積核大小和步長.

表2 改進(jìn)的YOLOv5整體網(wǎng)絡(luò)結(jié)構(gòu)

改進(jìn)前后模型參數(shù)的對比如表3所示.由表3可知，改進(jìn)后模型總共373層，模型總參數(shù)4 163 887個.相比于改進(jìn)前的7 066 239個參數(shù)，參數(shù)總量減少了41.1%，計算量也從原來的16.4GFLOPS變?yōu)榱?.2GFLOPS，減少了43.9%.實現(xiàn)了對原模型較大程度的壓縮，使之更加輕量化.

表3 改進(jìn)前后模型參數(shù)對比

2.3 改進(jìn)距離標(biāo)準(zhǔn)的K-means算法

利用K-means算法來確定先驗框，已經(jīng)成為目標(biāo)檢測不可缺少的一個步驟.YOLOv5自帶的K-means算法，可以在自己的數(shù)據(jù)集上聚類新的先驗框，但它是以樣本框之間的歐式距離作為距離度量，這樣會導(dǎo)致在計算損失時，大的先驗框占比更大.如圖4所示，紅色代表真實框，藍(lán)色代表先驗框，如果用歐式距離度量的話，左側(cè)(8-6)2=4，右側(cè)(4-3)2=1(此處數(shù)字為單位長度，無實際單位)，很明顯左側(cè)較大框占比更大.但是聚類的目的是使先驗框和臨近的真實框有更大的IOU值，下面兩種情況明顯IOU值相同，故在損失計算時，應(yīng)占比相同.因此，使用了新的度量公式.

圖4 不同尺度的先驗框

d=1-IOU(box，centroid),

(2)

改進(jìn)后K-means算法得到的先驗框的平均IOU為85.68%，比改進(jìn)前提升了3.1%，使用改進(jìn)后的K-means算法得到9個先驗框，分別對應(yīng)不同尺度的特征圖，先驗框分布如表4所示.

表4 聚類后的先驗框分布

3 實驗及結(jié)果分析

3.1 實驗數(shù)據(jù)集及實驗環(huán)境

實驗數(shù)據(jù)來自中國電力線路絕緣子數(shù)據(jù)集(CPLD)，包含由無人機拍攝的和合成缺陷的絕緣子圖像共848張，其中，正常絕緣子圖像600張，有缺陷的絕緣子248張.因為沒有收集到足夠有缺陷的絕緣子圖像，所以大部分缺陷絕緣子是通過合成圖像來構(gòu)建的.目標(biāo)檢測任務(wù)需要大量的數(shù)據(jù)，故利用Albumentations工具對原本的848張圖像進(jìn)行擴充，通過旋轉(zhuǎn)、裁剪、擦除像素點以及調(diào)整圖像的亮度飽和值等方式將圖像擴充至4 200余張，使用4 000張進(jìn)行訓(xùn)練，余下的200多張進(jìn)行驗證，部分圖像數(shù)據(jù)擴充效果如圖5所示.

(a) 原圖(b) 繞y軸旋轉(zhuǎn)(c) 擦除像素點(d) 隨機裁剪(e) 修改對比度

并使用Labelme圖片標(biāo)注工具對所有圖像進(jìn)行標(biāo)注，將絕緣子標(biāo)注為insulator，缺陷位置標(biāo)注為defect，具體如圖6所示.通過上述工作，完成數(shù)據(jù)集制作.

圖6 數(shù)據(jù)集標(biāo)注

實驗采用的操作系統(tǒng)為Windows10，GPU型號為GeForceRTX1070，顯存大小8GB，內(nèi)存大小16GB，CPU型號為Intel(R)Core(TM)i7-7700kCPU@4.2GHz.所有模型基于Pytorch1.9，并使用Cuda11.0和Cudnn8.0.4對GPU進(jìn)行加速.

3.2 實驗結(jié)果分析

為了實現(xiàn)模型的最佳性能，使用了SGD(StochasticGradientDescent)和Adam(adaptivemomentestimation)優(yōu)化器做對比，使用不同優(yōu)化器的結(jié)果如表5所示.

表5 改進(jìn)前后在不同優(yōu)化器下的結(jié)果對比

由表5可知使用SGD優(yōu)化器的平均準(zhǔn)確率普遍比Adan高，因此在后續(xù)實驗中默認(rèn)選擇SGD作為優(yōu)化器.之后又通過調(diào)整學(xué)習(xí)率，使用Mosaic數(shù)據(jù)增強以及增加矩形訓(xùn)練等方式不斷進(jìn)行網(wǎng)絡(luò)訓(xùn)練，最終改進(jìn)后YOLOv5模型的各個參數(shù)指標(biāo)隨訓(xùn)練周期的變化如圖7所示.由圖7可知，隨著模型的不斷訓(xùn)練，訓(xùn)練集的位置損失和類別損失不斷下降.驗證集的位置損失在50個訓(xùn)練周期之后趨于穩(wěn)定，最終穩(wěn)定在0.01左右，置信度損失則穩(wěn)定在0.005左右，類別損失則趨近于0.000 5，模型檢測的精確度和召回率穩(wěn)定在0.95左右.

圖7 改進(jìn)后YOLOv5的參數(shù)指標(biāo)

為檢驗改進(jìn)前后模型的性能優(yōu)劣，通過使用不同模型進(jìn)行測試，結(jié)果如表6所示.由表6可知，改進(jìn)后的絕緣子檢測網(wǎng)絡(luò)模型，在保證精度的基礎(chǔ)上，速度大大提升，能夠滿足無人機電力巡檢的任務(wù)需求.

表6 不同模型的檢測性能

改進(jìn)后的網(wǎng)絡(luò)模型可以準(zhǔn)確地定位絕緣子和缺陷位置，是一種可行的絕緣子缺陷檢測算法，其中絕緣子位置用insulator標(biāo)出，缺陷位置用defect標(biāo)出.最終模型在面對不同場景時的具體檢測效果如圖8所示.

(a) 缺陷絕緣子 (b) 誤檢 (c) 漏檢

4 結(jié)論

本文提出了一種改進(jìn)的輕量型YOLOv5絕緣子缺陷檢測算法.使用輕量型的Ghost卷積代替一般卷積以提高檢測速度，用GhostBottleneck代替C3以減少模型參數(shù)，并使用1-IOU距離代替原本的歐氏距離以改進(jìn)K-means算法生成先驗框.通過大量實驗，改進(jìn)后的網(wǎng)絡(luò)模型在保證絕緣子檢測精度的前提下，大幅減少了模型參數(shù)，提升了網(wǎng)絡(luò)的檢測速度，更易于在嵌入式終端部署.