林 航，耿多飛，于 浩，胡 丹，張 可

(1.國(guó)網(wǎng)安徽省電力有限公司信息通信分公司，安徽 合肥 230002； 2.安徽大學(xué)電子信息工程學(xué)院，安徽 合肥 230601；3.安徽南瑞繼遠(yuǎn)電網(wǎng)技術(shù)有限公司，安徽 合肥 230094)

0 引 言

輸電線路是電力系統(tǒng)的重要組成部分，由于暴露在大氣環(huán)境中，在長(zhǎng)期運(yùn)行中輸電線路部件受溫度、雷擊以及風(fēng)暴等影響難免會(huì)出現(xiàn)老化、缺失、損壞等問題。絕緣子串是用導(dǎo)地線懸掛起的多個(gè)絕緣子的總稱，主要作用是保護(hù)導(dǎo)地線，并使導(dǎo)地線與其他器件和地面絕緣。絕緣子自爆缺陷對(duì)電力安全運(yùn)行危害較大，絕緣子自爆原因也較為復(fù)雜，長(zhǎng)期機(jī)械負(fù)荷過大、制造加工程序不嚴(yán)格、溫度變化較大和絕緣子污穢等因素均會(huì)導(dǎo)致絕緣子自爆。因此對(duì)輸電線路中絕緣子自爆缺陷精確檢測(cè)并及時(shí)更換非常重要。傳統(tǒng)方式主要為人工巡檢模式，工作量大且易遺漏缺陷，并且巡檢過程中，巡檢環(huán)境也較為惡劣，易產(chǎn)生安全隱患[1-6]。

隨著圖像處理及深度學(xué)習(xí)技術(shù)的發(fā)展，基于圖像的電力巡檢逐漸成為電網(wǎng)建設(shè)的研究熱點(diǎn)。Tan等[7]根據(jù)絕緣子的結(jié)構(gòu)特點(diǎn)，提出了一種基于輪廓特征及灰度相似度匹配的融合算法，其主要是通過提取絕緣子串輪廓特征，采用計(jì)算每個(gè)絕緣子的間距距離和灰度相似性的方法，對(duì)正常絕緣子和缺陷絕緣子進(jìn)行分類。危雙豐等[8]針對(duì)絕緣子橢圓特性和絕緣子灰度梯度應(yīng)一致的特性，提出了基于Hough變換的橢圓提取方法，這是一種通過對(duì)絕緣子灰度梯度變化是否一致判斷絕緣子是否破損的規(guī)則。Zhang等[9]針對(duì)現(xiàn)有絕緣子自爆狀態(tài)檢測(cè)方法泛化能力不足和深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的不足，提出了基于隨機(jī)配置網(wǎng)絡(luò)和反饋轉(zhuǎn)移學(xué)習(xí)機(jī)制的方法，提高了模型的泛化能力和檢測(cè)精度。姜云土等[10]運(yùn)用HSV量化特征直方圖和LBP特征量直方圖進(jìn)行候選區(qū)域和鄰域間的相似度匹配，提出了一種融合絕緣子形狀、顏色與紋理進(jìn)行識(shí)別絕緣子的方法，該方法成功應(yīng)用到無(wú)人機(jī)巡檢系統(tǒng)中。劉昶忻等[11]提出了基于深度可分離卷積網(wǎng)絡(luò)MobileNetV2_SSD的航拍絕緣子目標(biāo)檢測(cè)方案，通過模型對(duì)航拍絕緣子的定位，在含故障絕緣子標(biāo)簽數(shù)據(jù)集上的定位精度達(dá)到了82.47%的平均精確率與81.07%的召回率。蔣姍等[12]提出了一種改進(jìn)Faster R-CNN的絕緣子檢測(cè)算法，該算法對(duì)比原Faster R-CNN網(wǎng)絡(luò)，通過改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)提高了平均準(zhǔn)確率，且可以更有效地識(shí)別圖像中更小比例的絕緣子目標(biāo)。堯新亮等[13]提出一種針對(duì)絕緣子的目標(biāo)檢測(cè)跟蹤一體化算法，由YOLO v3目標(biāo)檢測(cè)器與多線程ECO-HC單目標(biāo)跟蹤器結(jié)合組成。這些研究雖取得了一定進(jìn)展，但由于單個(gè)絕緣子占整個(gè)絕緣子串比例小，這給基于無(wú)人機(jī)圖像的絕緣子自爆缺陷檢測(cè)帶來了困難。

為了提高基于無(wú)人機(jī)巡檢圖像的絕緣子自爆缺陷檢測(cè)的精度，本文提出一種雙模型的檢測(cè)方法。利用Faster R- CNN[14]算法檢測(cè)并定位絕緣子串本體，再利用改進(jìn)的YOLO v3[15]對(duì)自爆的絕緣子進(jìn)行檢測(cè)。為了提高絕緣子自爆缺陷小目標(biāo)檢測(cè)的精度，本文在YOLO v3的基礎(chǔ)上增加了特征檢測(cè)層，并采用K-means++[16]算法重新生成錨點(diǎn)框；針對(duì)收斂速度較慢的問題，采用CIoU Loss損失函數(shù)，該損失函數(shù)在訓(xùn)練中收斂得更快，從而加快收斂速度，提高性能，所以更符合本文數(shù)據(jù)集實(shí)際情況。

1 數(shù)據(jù)處理及算法改進(jìn)

1.1 數(shù)據(jù)獲取及處理

本文數(shù)據(jù)集源于中國(guó)電科院架空輸電線路無(wú)人機(jī)巡檢影像，所有絕緣子圖像均由無(wú)人機(jī)拍攝，原始數(shù)據(jù)集共有835張圖像。拍攝所用的無(wú)人機(jī)設(shè)備是大疆公司研發(fā)的大疆御2無(wú)人機(jī)。該無(wú)人機(jī)最大飛行高度超過100 m，重量較輕，可拍攝水平、垂直全景及360°全景照片[17-19]，具有強(qiáng)大的數(shù)據(jù)傳輸能力和躲避障礙物能力，最大飛行距離也較之前有所進(jìn)步，適用于高空拍攝輸電線路，大部分圖像分辨率為4680×2592或7360×4912。絕緣子串按照材質(zhì)劃分可分為玻璃、陶瓷和橡膠3種。本文數(shù)據(jù)集中絕緣子串缺陷均為自爆缺陷，自爆產(chǎn)生的原因?yàn)闇夭钭兓?，在陰雨天氣和電?chǎng)同時(shí)作用下產(chǎn)生的絕緣子破裂現(xiàn)象。圖1為絕緣子自爆數(shù)據(jù)集示例。

針對(duì)數(shù)據(jù)集圖像較少的問題，本文使用數(shù)據(jù)增強(qiáng)方法擴(kuò)充數(shù)據(jù)集。數(shù)據(jù)增強(qiáng)可以增加訓(xùn)練樣本數(shù)量，提升模型魯棒性。本文數(shù)據(jù)增強(qiáng)主要使用翻轉(zhuǎn)(flip)和旋轉(zhuǎn)(rotate)2種方式，翻轉(zhuǎn)有3種方式，分別是水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)和水平垂直翻轉(zhuǎn)。單個(gè)數(shù)據(jù)樣本經(jīng)過翻轉(zhuǎn)后，會(huì)生成3張按特定角度翻轉(zhuǎn)的數(shù)據(jù)樣本。而旋轉(zhuǎn)是按照隨機(jī)角度旋轉(zhuǎn)方式，旋轉(zhuǎn)后生成6張發(fā)生了不同角度旋轉(zhuǎn)的數(shù)據(jù)樣本。在使用上述方式處理后生成的數(shù)據(jù)集樣本較原始數(shù)據(jù)集增加近10倍，一定程度上緩解了因數(shù)據(jù)較少而導(dǎo)致的精確度較低的問題，數(shù)據(jù)增強(qiáng)后的圖像[20]示例如圖2、圖3所示。

1.2 基于Faster R-CNN的絕緣子串定位

目前基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法主要分為2類：一類是雙階段檢測(cè)模型；另一類是單階段檢測(cè)算法。雙階段檢測(cè)算法包括R-CNN[21]、Fast R-CNN[22]和Faster R-CNN等，此類算法的思路是：第一個(gè)階段通過卷積神經(jīng)網(wǎng)絡(luò)提出候選框，第二個(gè)階段對(duì)候選框進(jìn)行判斷分類，這是一個(gè)兩階段級(jí)聯(lián)的網(wǎng)絡(luò)。兩階段算法的優(yōu)點(diǎn)是準(zhǔn)確度高，但訓(xùn)練時(shí)間較長(zhǎng)。單階段檢測(cè)算法以YOLO v1[15]、YOLO v2[23]、YOLO v5、CenterNet[24]和SSD[25]為代表，主要思路為：均勻地在圖像的不同位置上密集抽樣，抽樣時(shí)可以采用不同的比例和長(zhǎng)寬比，然后用卷積神經(jīng)網(wǎng)絡(luò)提取特征后直接分類與回歸，經(jīng)單個(gè)階段的檢測(cè)即直接得到最終檢測(cè)結(jié)果。單階段算法只有一次類別預(yù)測(cè)和位置回歸，卷積運(yùn)算的共享程度更高，因此擁有更快的速度和更小的內(nèi)存占用。

Faster R-CNN算法由Ross B.Girshick于2016年提出，該網(wǎng)絡(luò)分為卷積層、區(qū)域生成網(wǎng)絡(luò)、池化層和分類4個(gè)部分。作為卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法，F(xiàn)aster R-CNN首先使用一組基礎(chǔ)的卷積層+激活層+池化層提取圖片的特征圖，提取到的特征圖被共享于后續(xù)區(qū)域生成網(wǎng)絡(luò)層(Region Proposal Network layers)和全連接層(Fully Connected Layers)。區(qū)域生成網(wǎng)絡(luò)用于生成區(qū)域(Region Proposals)的生成。該層通過Softmax判斷錨點(diǎn)(anchors)屬于前景(foreground)或者背景(background)，再利用邊框回歸(Bounding Box Regression)修正錨點(diǎn)獲得精確的建議窗口(proposals)。該層收集輸入的特征圖(feature maps)和建議窗口，綜合這些信息后提取候選特征圖(proposal feature maps)，送入后續(xù)全連接層判定目標(biāo)類別。利用候選特征圖計(jì)算建議窗口的類別，同時(shí)再次利用邊框回歸獲得檢測(cè)框最終的精確位置。與R-CNN和Fast R-CNN相比，F(xiàn)aster R-CNN在檢測(cè)速度和檢測(cè)精度方面有顯著提升，并且在區(qū)域提名檢測(cè)算法里面的檢測(cè)速度和精度均較佳。Faster R-CNN采用區(qū)域生成網(wǎng)絡(luò)(RPN)代替原來的選擇性搜索(Selective search)，這種方法產(chǎn)生候選框的效率更高。

Faster R-CNN的整體結(jié)構(gòu)較為簡(jiǎn)潔，其主要包含有融合特征提取、候選區(qū)域生成、位置矯正以及目標(biāo)分類等4大部分。Faster R-CNN的主要結(jié)構(gòu)如圖4所示。

圖4 Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)圖

1.3 基于改進(jìn)的YOLO v3對(duì)絕緣子串自爆檢測(cè)

YOLO v3算法為單階段檢測(cè)算法，單階段類算法是在圖像全局方面來進(jìn)行邊框(box)的回歸與預(yù)測(cè)，利用的是端對(duì)端(end-to-end)的方法，具有訓(xùn)練和檢測(cè)速度快的特征。單階段類算法從整個(gè)過程來看，先利用多卷積提取圖像全局信息，再利用全連接層進(jìn)行候選框的預(yù)測(cè)和回歸。

YOLO v3與YOLO v2相比增加了復(fù)雜度，并通過修改模型結(jié)構(gòu)的大小來衡量速度與精度。YOLO v3主要改進(jìn)預(yù)測(cè)尺度多樣性，每種尺度預(yù)測(cè)3個(gè)錨點(diǎn)框(box)，并提出了效果較佳的骨干網(wǎng)絡(luò)Darknet 53。錨點(diǎn)仍然使用聚類的方式獲得,得到9個(gè)聚類中心,將其按照大小均分給之后的3個(gè)尺度。由于本文所檢測(cè)的物體均為小目標(biāo)，為了提高檢測(cè)準(zhǔn)確性，本文借鑒FPN的思想，增加一個(gè)特征提取層，圖像在經(jīng)過2倍上采樣后，輸出的特征尺度由52×52提升至104×104，再通過route層將第109層與特征提取網(wǎng)絡(luò)的第11層特征進(jìn)行特征融合，以充分利用深層特征和淺層特征。4個(gè)特征尺度分別為：104×104、52×52、26×26和13×13。修改網(wǎng)絡(luò)結(jié)構(gòu)后的YOLO v3的網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 修改后的YOLO v3網(wǎng)絡(luò)結(jié)構(gòu)圖

YOLO v3為每種FPN預(yù)測(cè)特征圖設(shè)定3種錨點(diǎn)，總共聚類出9種尺寸的錨點(diǎn)。在COCO數(shù)據(jù)集，這9個(gè)錨點(diǎn)是：(10×13)、(16×30)、(33×23)、(30×61)、(62×45)，(59×119)、(116×90)、(156×198)、(373×326)。在最小的13×13特征圖上由于其感受野最大，故應(yīng)用最大的錨點(diǎn)框(116×90)、(156×198)、(373×326)，這組錨點(diǎn)適合檢測(cè)較大的目標(biāo)。中等的26×26特征圖上由于其具有中等感受野故應(yīng)用中等的錨點(diǎn)(30×61)、(62×45)、(59×119)，適合檢測(cè)中等大小的目標(biāo)。較大的52×52特征圖上由于其具有較小的感受野，故應(yīng)用最小的錨點(diǎn)(10×13)、(16×30)、(33×23)，這組錨點(diǎn)適合檢測(cè)較小的目標(biāo)，而本文在增加104×104的特征圖后，可以檢測(cè)更小的目標(biāo)。從圖5可以看出，再增加一個(gè)特征提取層之后，分為4個(gè)分支，對(duì)4種不同尺度的目標(biāo)分別進(jìn)行處理，在原來3種尺度檢測(cè)上精度又有一定提升。與此同時(shí)，由于端對(duì)端檢測(cè)方法的直接性，YOLO v3的檢測(cè)速度也明顯快于區(qū)域提名檢測(cè)的目標(biāo)檢測(cè)方法。

為解決預(yù)測(cè)框和真實(shí)框有時(shí)不相符合的問題，本文引入CIoU Loss損失函數(shù)。IoU的全稱為交并比(Intersection over Union)，計(jì)算的是預(yù)測(cè)框和真實(shí)框的交集和并集的比值，可以反映預(yù)測(cè)檢測(cè)框與真實(shí)檢測(cè)框的檢測(cè)效果。IoU公式和損失函數(shù)公式如下所示：

(1)

LOSSIoU=1-IoU

(2)

上式中，A、B分別指真實(shí)框與預(yù)測(cè)框；IoU與LOSSIoU分別指計(jì)算出的IoU得分以及與之對(duì)應(yīng)的Loss函數(shù)值。

在預(yù)測(cè)框和真實(shí)框不相交的情況下，僅從IoU數(shù)值上無(wú)法判斷距離較近2個(gè)框之間的距離，這主要是因?yàn)楦鶕?jù)定義，IoU=0，不能反映兩者的距離大小(重合度)；同時(shí)因?yàn)長(zhǎng)oss為0，沒有梯度回傳，無(wú)法繼續(xù)進(jìn)行學(xué)習(xí)訓(xùn)練。為解決IoU無(wú)法反映出2個(gè)框到底距離有多遠(yuǎn)的問題，斯坦福大學(xué)提出了GIoU[26]。GIoU既繼承了IoU的優(yōu)點(diǎn)，又彌補(bǔ)了IoU無(wú)法衡量無(wú)重疊框之間的距離的缺點(diǎn)，但是當(dāng)檢測(cè)框和真實(shí)框之間出現(xiàn)包含的現(xiàn)象的時(shí)候，GIoU就和IoU是同樣的效果。DIoU[27]考慮到GIoU的缺點(diǎn)，增加了C檢測(cè)框，將真實(shí)框和預(yù)測(cè)框都包含了進(jìn)來，同時(shí)DIoU計(jì)算的不是框之間的交并，而是計(jì)算的每個(gè)檢測(cè)框之間的歐氏距離，這樣可以解決GIoU出現(xiàn)的問題。CIoU則在DIoU的基礎(chǔ)上增加了檢測(cè)框尺度的Loss，同時(shí)在DIoU的懲罰項(xiàng)中加入了αv。這樣預(yù)測(cè)框就會(huì)更加地符合真實(shí)框。CIoU的懲罰項(xiàng)公式和損失函數(shù)如下所示：

(3)

(4)

(5)

(6)

上式中，w與wgt分別指預(yù)測(cè)框與真實(shí)框的寬；h與hgt分別指預(yù)測(cè)框與真實(shí)框的高；b與bgt分別指預(yù)測(cè)框與真實(shí)框的中心點(diǎn)；ρ2(b,bgt)指預(yù)測(cè)框與真實(shí)框中心點(diǎn)的歐氏距離。c表示能夠同時(shí)包含預(yù)測(cè)框和真實(shí)框的最小閉包域的對(duì)角線距離。

1.4 算法流程

針對(duì)無(wú)人機(jī)巡檢圖像中絕緣子自爆缺陷目標(biāo)小而檢測(cè)精度不高的問題，本文給出一種將Faster R-CNN和改進(jìn)YOLO v3級(jí)聯(lián)的雙模型檢測(cè)算法。首先使用Faster R-CNN將無(wú)人機(jī)圖像中的絕緣子串檢測(cè)出來，然后再利用本文改進(jìn)的YOLO v3網(wǎng)絡(luò)在絕緣子串圖像上檢測(cè)自爆缺陷，具體檢測(cè)流程如圖6所示。

圖6 絕緣子自爆級(jí)聯(lián)檢測(cè)方案

2 實(shí)驗(yàn)結(jié)果及分析

2.1 先驗(yàn)框設(shè)定

本文采用LabelImg軟件標(biāo)注數(shù)據(jù)樣本，該軟件由麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室開發(fā)，標(biāo)注完后生成的標(biāo)注label文件為xml格式。本文對(duì)數(shù)據(jù)集按照7∶2∶1的比例，生成相應(yīng)的訓(xùn)練集、測(cè)試集和驗(yàn)證集。

YOLO v3錨點(diǎn)由YOLO v3研究者通過聚類VOC公開數(shù)據(jù)集得到，VOC數(shù)據(jù)集包含20類目標(biāo)，目標(biāo)大到自行車、公共汽車，小到貓、鳥類，目標(biāo)大小差距懸殊，其中部分錨點(diǎn)數(shù)據(jù)并不適用于本文數(shù)據(jù)集，且本文對(duì)YOLO v3算法進(jìn)行改進(jìn)后，原始的9組錨點(diǎn)也不再適用于修改后網(wǎng)絡(luò)結(jié)構(gòu)的YOLO v3算法。本文使用K-means聚類方法對(duì)YOLO v3生成新的12組錨點(diǎn)。圖7是生成的anchor框的對(duì)比圖。

(a) 算法原始錨點(diǎn)生成的標(biāo)記框 (b) K-means聚類后生成的標(biāo)記框圖7 新舊錨點(diǎn)框?qū)Ρ仁纠龍D

由圖7可知修改錨點(diǎn)生成的標(biāo)記框較原始錨點(diǎn)生成的標(biāo)記框準(zhǔn)確，更貼近自爆目標(biāo)，包含的無(wú)關(guān)背景較少。本文使用聚類算法生成新錨點(diǎn)框后，檢測(cè)精度(AP)值提升約0.4個(gè)百分點(diǎn)。

2.2 網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置

本文實(shí)驗(yàn)使用硬件配置和軟件版本如下：Ubuntu16.04、Inter Core i5-7500HQ、NVIDIA Tesla P40 24 GB×8卡、內(nèi)存256 GB+2 TB、CUDA版本10.2、CUDNN 版本8.0、Open CV版本3.4.2，基于Tensor Flow框架。初始學(xué)習(xí)率設(shè)為0.001，最終Loss值穩(wěn)定在0.07。momentum設(shè)為0.9，weight_decay設(shè)為0.005。表1是設(shè)定的部分參數(shù)。

表1 網(wǎng)絡(luò)訓(xùn)練部分參數(shù)

2.3 實(shí)驗(yàn)結(jié)果分析

首先，對(duì)比本文算法、Faster R-CNN、YOLO v3和本文單獨(dú)對(duì)YOLO v3改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)4種模型在輸電線路絕緣子串檢測(cè)中總體的精度結(jié)果，用平均準(zhǔn)確度(mAP)值表示。

輸電線路絕緣子串缺陷檢測(cè)模型實(shí)驗(yàn)對(duì)比結(jié)果分析中，4種模型檢測(cè)效果具體情況如圖8所示。

圖8 輸電線路絕緣子串檢測(cè)模型檢測(cè)對(duì)比圖

從圖8可以看出，在檢測(cè)對(duì)比中，本文提出的方法mAP值最高，達(dá)到了91.84%，F(xiàn)aster R-CNN的檢測(cè)效果緊隨其后，達(dá)到了88.53%，兩者差別比較小，這2種模型相對(duì)來說已經(jīng)達(dá)到實(shí)際應(yīng)用要求，只有YOLO v3模型的精度相對(duì)來說稍差。產(chǎn)生這種結(jié)果的原因主要是由于YOLO v3模型側(cè)重于速度和精度2個(gè)方面的平均，因此相對(duì)于其他2種模型，YOLO v3的訓(xùn)練速度較快，但是精度一般。Faster R-CNN檢測(cè)精度較高，但相比本文所用方法精度稍低。這表明本文所采用的方法在精度上比YOLO v3和Faster R-CNN均較高。

為直觀表現(xiàn)本文算法、Faster R-CNN和YOLO v3這3種模型檢測(cè)絕緣子缺陷具體效果，對(duì)具體圖像進(jìn)行檢測(cè)，結(jié)果如圖9所示。

(a) Ours (b) YOLO v3 (c) Faster R-CNN圖9 輸電線路絕緣子串具體檢測(cè)圖片對(duì)比圖

由圖9可以看出,本文算法在3種圖像方面的檢測(cè)方法中效果最好，無(wú)論是檢測(cè)框的位置和數(shù)目都比較合適。Faster R-CNN的檢測(cè)效果對(duì)目標(biāo)較小的圖像識(shí)別效果不佳，易出現(xiàn)漏檢現(xiàn)象。YOLO v3雖檢測(cè)到缺陷部位，但也出現(xiàn)誤檢現(xiàn)象，且在其他圖像上的檢測(cè)效果一般。

綜上，本文算法的檢測(cè)效果最佳，也極少出現(xiàn)漏檢和誤檢現(xiàn)象，檢測(cè)框的位置和數(shù)目相比其他2個(gè)模型也較好，F(xiàn)aster R-CNN與之相比精確度差別較小，并且也出現(xiàn)誤檢現(xiàn)象，而YOLO v3的優(yōu)勢(shì)在于速度較快，但精度比較低，所以實(shí)用性不佳。

由于絕緣子串有陶瓷、玻璃、橡膠3種材質(zhì)類別，為探究絕緣子串材質(zhì)對(duì)檢測(cè)效果的影響，決定使用本文修改網(wǎng)絡(luò)結(jié)構(gòu)后的YOLO v3對(duì)3種材質(zhì)絕緣子串做實(shí)驗(yàn)，3種絕緣子各使用相同數(shù)量的圖像訓(xùn)練。最終檢測(cè)效果如圖10所示。

(a) 陶瓷 (b) 橡膠 (c) 玻璃

對(duì)3種材質(zhì)的絕緣子串缺陷的檢測(cè)效果如表2所示。

表2 3種材質(zhì)絕緣子缺陷檢測(cè)效果

最終檢測(cè)結(jié)果如圖10和表2所示。由表2可知，3種材質(zhì)的準(zhǔn)確度由高到低的順序?yàn)椴Ａь?、橡膠類、陶瓷類。這可能是因?yàn)椴Ａь惤^緣子顏色較為明亮，所以被準(zhǔn)確識(shí)別到的概率較高，且玻璃類召回率和精密度都顯著高于陶瓷類和橡膠類絕緣子，橡膠類和陶瓷類絕緣子由于色彩較為黯淡，因而最終的準(zhǔn)確度、召回率、精密度和IoU都顯著低于玻璃類絕緣子串。

3 結(jié)束語(yǔ)

本文提出了一種雙模型的絕緣子串自爆缺陷檢測(cè)算法。該算法將Faster R-CNN和改進(jìn)YOLO v3這2種目標(biāo)檢測(cè)模型進(jìn)行級(jí)聯(lián)，先利用Faster R-CNN檢測(cè)絕緣子串，然后對(duì)YOLO v3通過添加特征融合層，用于絕緣子自爆缺陷的檢測(cè)。對(duì)于自爆目標(biāo)較小的絕緣子，本文提出的雙模型檢測(cè)算法精度較高，在所構(gòu)建的無(wú)人機(jī)巡檢絕緣子串?dāng)?shù)據(jù)集中取得了91.8%的平均準(zhǔn)確度，優(yōu)于Faster R-CNN、YOLO v3以及改進(jìn)YOLO v3單模型的檢測(cè)結(jié)果。