斯建東，湯義勤，趙文浩

（國網(wǎng)浙江省電力有限公司臺州供電公司，浙江 臺州 318000）

0 引言

輸電線路是電網(wǎng)的一個重要組成部分，其主要任務(wù)是輸送和分配電能到目標(biāo)點，當(dāng)輸電線路出現(xiàn)故障時，會對供電工作產(chǎn)生嚴(yán)重影響［1］。在實際環(huán)境中，輸電線路走廊上的樹木存在較大的安全隱患，距離輸電線路較近的茂密樹木極易引發(fā)閃絡(luò)、跳閘等事故［2］。因此，如何及時發(fā)現(xiàn)樹障以保障電力安全供應(yīng)成為運維人員關(guān)注的焦點。

針對樹障檢測問題，傳統(tǒng)的樹障檢測多采用人工巡檢的方式，由于樹障難以被精確測量，導(dǎo)致人工巡檢難以發(fā)現(xiàn)和獲取樹障信息，且極易對人身安全構(gòu)成威脅，因此采用無人機(jī)進(jìn)行輸電線路巡檢不失為一種合理的解決方案?，F(xiàn)多采用無人機(jī)搭載激光雷達(dá)向輸電線路和地面發(fā)射激光信號［3］，獲得大量的激光點云數(shù)據(jù)，并通過光電探測器進(jìn)行接收，數(shù)據(jù)經(jīng)過處理后可得到輸電線路、塔桿以及周圍環(huán)境的三維立體模型，輔助巡檢作業(yè)人員決策。激光雷達(dá)作為采集數(shù)據(jù)傳感器的優(yōu)點是響應(yīng)時間快，且不受地表雜波干擾，測距精度高，缺點是成本較高，不能全天工作，且遇到濃霧、雨雪天氣無法工作?，F(xiàn)如今機(jī)載攝像頭常作為采集數(shù)據(jù)傳感器，質(zhì)量較輕，便于攜帶，價格低廉，以圖像的形式展示監(jiān)測數(shù)據(jù)，具有較高的可操作性。隨著目標(biāo)檢測算法的不斷改進(jìn)與發(fā)展，該算法在許多應(yīng)用場景中都取得了不錯的成績［4-6］?；诖耍疚膶⑸疃葘W(xué)習(xí)技術(shù)應(yīng)用于樹障檢測中?，F(xiàn)有的目標(biāo)檢測算法大致步驟為：首先通過主干網(wǎng)絡(luò)對圖片的信息進(jìn)行初步提取，然后通過neck結(jié)構(gòu)對所提取的圖片特征進(jìn)行更深層次的提取與融合，最后使用檢測頭對目標(biāo)位置進(jìn)行預(yù)測。

Girshick R提出的R-CNN［7］（區(qū)域卷積神經(jīng)網(wǎng)絡(luò)）首次將深度學(xué)習(xí)引入目標(biāo)檢測領(lǐng)域，并使得諸多學(xué)者對其進(jìn)行改進(jìn)，例如SPP-Net［8］（空間金字塔池化網(wǎng)絡(luò)）在R-CNN的基礎(chǔ)上引入空間金字塔池化層，降低了圖像大小對網(wǎng)絡(luò)的影響；Faster R-CNN［9］（快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)）在提取候選區(qū)域時引入?yún)^(qū)域建議網(wǎng)絡(luò)，實現(xiàn)了端到端的訓(xùn)練并提高了區(qū)域提取的精度；Mask R-CNN［10］（掩膜區(qū)域卷積神經(jīng)網(wǎng)絡(luò)）將Faster R-CNN對池化層進(jìn)行改進(jìn)，并利用雙線性插值算法降低誤差，同時增加了預(yù)測分割模塊，在一定程度上提高了整體的精度。然而若將Mask R-CNN用于解決樹障檢測問題，其預(yù)測分割模塊相對冗余，提取的多層特征映射圖未被充分利用，高層特征映射圖的處理方式極易導(dǎo)致信息丟失，難以達(dá)到較高的檢測精度。因此本文主要采用了Mask R-CNN中網(wǎng)絡(luò)深度更深、運算量更小的深度殘差網(wǎng)絡(luò)（ResNet 50）對圖像特征進(jìn)行提取。

高層特征映射圖擁有更多的語義信息，但丟失了大量的位置信息，底層特征映射圖則恰恰相反，此外不同的物體在不同的時空中存在不同的大小和分布。使用單一尺度的特征映射圖，將會極大地限制模型性能。為了解決多尺度問題，Tsung-Yi Li等人提出了FPN（特征金字塔）［11］，通過使用不同尺度的特征圖對目標(biāo)進(jìn)行檢測從而提升模型的性能。由于樹障檢測應(yīng)用場景的復(fù)雜性，因此要提高模型的定位性能，必須要讓模型包含更多尺度的信息。

針對上述問題，本文以攝像頭作為傳感器搭載在無人機(jī)上，結(jié)合基于改進(jìn)FPN與SVM（支持向量機(jī)）的樹障檢測算法，進(jìn)行識別和提取樹障的特征，查找被樹障覆蓋的區(qū)域。該算法采用Mask R-CNN中的ResNet 50和改進(jìn)的FPN作為特征提取網(wǎng)絡(luò)，隨后將提取到的特征向量傳入基于遺傳算法的SVM［12］進(jìn)行二分類，判斷該圖像中是否含有樹障。本文在硬件設(shè)備上采用更為輕便、成本更低的攝像頭作為數(shù)據(jù)采集傳感器，在算法上選擇輕量級的ResNet（殘差網(wǎng)絡(luò)）聯(lián)合改進(jìn)后的FPN算法，并用計算速度較快的SVM進(jìn)行分類，在保證不影響檢測速度的前提下，提高了樹障檢測的精度，為無人機(jī)在輸電線路巡檢方向上探索出更多的可能性。

綜上所述，本文的主要貢獻(xiàn)如下：

1）提出了基于深度學(xué)習(xí)的電力線樹障檢測方法。

2）提出了一種改進(jìn)的FPN結(jié)構(gòu)來解決樹障邊緣不確定問題。

3）提出了一種基于遺傳算法的SVM方法來解決Mask R-CNN檢測模型存在的樹障置信度低和推理速度慢的問題。

1 總體設(shè)計方案

如圖1所示，樹障檢測方法總體設(shè)計方案由輸電線路提取、候選區(qū)域選擇和樹障檢測三部分組成。

該方案首先從無人機(jī)采集的圖像中提取輸電線路，具體步驟為：

1）提取ROI（候選區(qū)域），利用高斯濾波和灰度化進(jìn)行圖像預(yù)處理；隨后對得到的灰度圖進(jìn)行邊緣檢測、二值化以及形態(tài)學(xué)處理，實現(xiàn)輸電線路的邊緣檢測，并利用Hough變換提取輸電線路；以輸入圖像的寬度像素值確定滑動窗口的大小，分割出含有輸電線路的區(qū)域圖像。

2）將分割出含有輸電線路的區(qū)域圖像進(jìn)行候選區(qū)域選擇，使用Selective Search算法從待檢測圖像中提取2 000個區(qū)域候選框，這些候選框可能包含樹障目標(biāo)；再將候選框圖像進(jìn)行歸一化，得到224×224的用于特征提取的待處理圖像。

3）將待處理圖像輸入由ResNet 50網(wǎng)絡(luò)模型和改進(jìn)FPN構(gòu)成的特征提取網(wǎng)絡(luò)，并將計算得到的特征向量傳入SVM進(jìn)行二分類，從而判別出該圖像上是否存在樹障。

2 樹障檢測算法

2.1 ResNet模型

ResNet是由何凱明在2015年提出的卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)在多個分類比賽中取得較好的成績，并被廣泛應(yīng)用于解決生活問題。除了ResNet以外，LeNet［13］（LECUN Y等人提出的一種深度卷積網(wǎng)絡(luò)）、VGGNet［14］（牛津大學(xué)計算機(jī)視覺組和谷歌人工智能研發(fā)的一種深度卷積網(wǎng)絡(luò)）和GoogleNet［15］（谷歌團(tuán)隊研發(fā)的一種深度卷積網(wǎng)絡(luò)）針對圖像分類問題都具有較好的表現(xiàn)，但是這些網(wǎng)絡(luò)模型會出現(xiàn)退化問題，即在準(zhǔn)確率飽和的狀態(tài)下，繼續(xù)加深網(wǎng)絡(luò)會導(dǎo)致準(zhǔn)確率下降。針對該問題何凱明在ResNet結(jié)構(gòu)中加入了恒等映射，如果經(jīng)歷一次卷積之后準(zhǔn)確率下降，則繼續(xù)保持權(quán)重的參數(shù)不變，等同于沒有進(jìn)行此次卷積［16］，從而保證了該模型不會因為網(wǎng)絡(luò)深度的增加而導(dǎo)致準(zhǔn)確率下降。殘差模塊是ResNet的核心結(jié)構(gòu)，其結(jié)構(gòu)如圖2（a）所示，x為殘差塊的輸入，復(fù)制成兩部分，一部分輸入到卷積層之中，進(jìn)行層間運算，將x輸入到一個函數(shù)中做映射，得到f（x）；另一部分作為分支結(jié)構(gòu)，輸出還是原本的x，最后將兩部分的輸出進(jìn)行疊加，得到f（x）+x，再通過激活函數(shù)ReLu。在殘差模塊中，網(wǎng)絡(luò)模型擬合的不是原本的映射，而是殘差映射。ResNet中殘差模塊分為兩種結(jié)構(gòu)，一種是用于50層以下的網(wǎng)絡(luò)結(jié)構(gòu)，如圖2（b）所示；另一種是用于50層以上的網(wǎng)絡(luò)結(jié)構(gòu)，如圖2（c）所示。

圖2 ResNet殘差模塊Fig.2 ResNet residual module

ResNet 50能夠在不影響精度的條件下，訓(xùn)練樣本占用內(nèi)存小，訓(xùn)練時間較快，能夠加快整體進(jìn)程，所以本文采用ResNet 50模型。

2.2 改進(jìn)FPN

目標(biāo)檢測通常采用ResNet與FPN結(jié)合作為特征提取網(wǎng)絡(luò)，實現(xiàn)多尺度融合，增強(qiáng)目標(biāo)檢測的有效性［11］。ResNet50與FPN結(jié)合的特征提取網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，其中的C2—C5表示殘差模塊，分別代表不同深度下特征映射圖，P2—P5表示由FPN和側(cè)邊連接得到的不同尺寸的特征映射圖［17］。首先對輸入圖片進(jìn)行自下而上的特征圖提取，為了得到不同尺寸的特征映射，隨后進(jìn)行1×1的卷積操作，再通過自上而下的2倍上采樣將其轉(zhuǎn)化為更清晰的特征，同時通過1×1的卷積進(jìn)行側(cè)邊連接，與ResNet 50特征融合，最后使用3×3的卷積以消除圖像融合的混疊效應(yīng)。

圖3 特征提取網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of the feature extraction network

采用FPN進(jìn)行樹障檢測時，樹障界限邊緣不夠分明，而FPN只采用自上而下的方式，多層特征映射圖并沒有被充分利用。高層特征映射圖，經(jīng)過多次特征提取之后，擁有更多抽象的語義信息，可以實現(xiàn)更加準(zhǔn)確的樹障識別。但是由于高層特征映射圖在模型中被壓縮了數(shù)倍，導(dǎo)致大量位置信息丟失，僅僅使用高層特征映射圖對樹障進(jìn)行定位，難以獲得精確的位置信息，甚至?xí)捎陔娏€特征的丟失導(dǎo)致定位的錯誤。與高層特征映射圖不同的是，淺層特征映射圖的尺寸與原始輸入的圖片更加接近，保留了更多的位置信息和圖片原始信息，這些信息對于樹障的定位十分關(guān)鍵。為此，本文提出一種改進(jìn)FPN結(jié)構(gòu)來更好地融合不同語義和層次的特征，以適配樹障檢測場景。本算法在ResNet 50聯(lián)合FPN作為特征提取網(wǎng)絡(luò)的基礎(chǔ)上，對FPN做出了相應(yīng)的改進(jìn)，其整體框架如圖4所示，其中的N2—N5和M2—M5表示改進(jìn)增加的特征映射圖。

在FPN生成不同尺寸大小的特征映射圖的框架下，增加一條自下而上的路徑，N2和P2的尺寸相同，N2—N4采用步長為2的3×3的卷積，得到與P3—P5尺寸相同的特征映射圖，并將其分別與P3—P5相加，再進(jìn)行卷積操作得到N3—N5。上述卷積操作的核數(shù)量為256。隨后將N5行1×1的卷積得到M5，將M3—M5進(jìn)行2倍上采樣得到N2—N4尺寸相同的特征映射圖，并將其分別與N2—N4相加，再經(jīng)過3×3卷積操作得到M2—M4。

2.3 基于遺傳算法的SVM

針對樹障目標(biāo)檢測置信度低和推理速度慢的問題，本文引入一種基于遺傳算法的SVM方法對檢測框特征進(jìn)行進(jìn)一步分類。SVM是一種用于分類的監(jiān)督算法，具有良好的泛化能力，在線性可分的情況下，對訓(xùn)練小樣本有相對的優(yōu)勢［18］。除此之外，相比于一個完整的分類神經(jīng)網(wǎng)絡(luò)可以減少運算量，加快系統(tǒng)的運行效率，對于是否存在樹障這種不太復(fù)雜的二分類問題，是比較合適的選擇。當(dāng)樹障遮蓋住輸電線路時，灰色的輸電線路上的像素值會發(fā)生改變，因此可以利用SVM判定該幀圖像中是否存在樹障。

SVM分類效果的好壞與懲罰因子δ和核函數(shù)參數(shù)c相關(guān)。當(dāng)懲罰因子越大，分類越粗，容易出現(xiàn)欠擬合，反之會出現(xiàn)過擬合。根據(jù)鉸鏈最小損失原則，計算δ和c的最優(yōu)解［19］，當(dāng)忽略兩個參數(shù)的范圍時，求得的僅為局部的最優(yōu)解。如若想要達(dá)到更好的分類效果，需要求解這兩個參數(shù)的全局最優(yōu)解。

本文參照遺傳算法的編碼、選擇和交叉變異的算法流程對SVM的參數(shù)調(diào)優(yōu)進(jìn)行改進(jìn)，使得懲罰因子δ和核函數(shù)參數(shù)c能夠達(dá)到全局最優(yōu)。具體調(diào)參步驟如下。

1）初始化：對SVM的參數(shù)δ和c進(jìn)行初始化，對其進(jìn)行20位的二進(jìn)制編碼，得到初始種群。

2）篩選父類：將參數(shù)δ和c進(jìn)行解碼并將其代入SVM的適應(yīng)函數(shù)中，多次訓(xùn)練后得到適應(yīng)值，通過適應(yīng)值保留概率大于0.5的個體當(dāng)做父類。

3）創(chuàng)造子類：對步驟2中父類個體的參數(shù)δ和c進(jìn)行兩點交叉［20］，根據(jù)交叉概率創(chuàng)造新的子類個體；對步驟2中父類個體的參數(shù)δ和c進(jìn)行變異操作，根據(jù)變異概率創(chuàng)造新的子類個體。

4）計算最優(yōu)值：設(shè)定適應(yīng)度閾值和迭代次數(shù)，若達(dá)到適應(yīng)度閾值或者迭代次數(shù)，停止計算，返回參數(shù)δ和c的最優(yōu)值；否則，返回步驟2。

3 實驗與分析

3.1 數(shù)據(jù)采集和增強(qiáng)

本實驗區(qū)域為浙江省杭州市錢塘區(qū)某村落，當(dāng)?shù)刂脖幻?，樹障情況復(fù)雜，且海拔較低，利于無人機(jī)進(jìn)行拍攝實驗。采用大疆御MAVIC 2行業(yè)版無人機(jī)進(jìn)行拍攝，拍攝輸電線路長度約2 km，作業(yè)高度高于輸電線路高度5 m以上，以避免無人機(jī)作業(yè)時高度過低形成陰影而影響實驗結(jié)果。

本實驗一共采集了400張輸電線路圖像，由于數(shù)據(jù)樣本數(shù)量較少會影響樹障檢測結(jié)果的精度，容易導(dǎo)致欠擬合。為此，對采集的圖像進(jìn)行數(shù)據(jù)增強(qiáng)，通過數(shù)據(jù)增強(qiáng)庫對原始數(shù)據(jù)進(jìn)行平移、旋轉(zhuǎn)、鏡像、亮度增強(qiáng)以及增加高斯噪聲等一系列操作，最終得到2 000張圖像。

訓(xùn)練模型前用Labelme標(biāo)注工具對數(shù)據(jù)增強(qiáng)后的2 000張圖像打標(biāo)，將數(shù)據(jù)集分成有樹障樣本與無樹障樣本，其打標(biāo)樣本如圖5所示。

圖5 打標(biāo)樣本圖像Fig.5 Images of the marking samples

隨后將標(biāo)注好的數(shù)據(jù)集按照3∶1的比例進(jìn)行劃分得到訓(xùn)練樣本1 500張，測試樣本500張，具體數(shù)值如表1所示。

表1 樹障的訓(xùn)練集與測試集樣本統(tǒng)計Table 1 Sample statistics of training set and test set of tree barrier

每次巡檢檢測到樹障后，將樹障圖像保存下來，并在樹障圖像打上標(biāo)簽用于之后的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練出新的模型用于下次無人機(jī)巡檢樹障分析。通過模型的不斷擴(kuò)大與完善，模型的泛化性大大提高，提升了無人機(jī)巡線時樹障檢測的精準(zhǔn)度。

3.2 輸電線路提取

無人機(jī)巡線時俯拍的圖像背景較為復(fù)雜，輸電線路特征不明顯，因此需要對圖像進(jìn)行預(yù)處理，提取圖像的ROI，并進(jìn)行高斯濾波和灰度化處理，對圖像的噪聲進(jìn)行抑制。圖像中的輸電線路近似為豎直方向上的灰色直線，其寬度方向上的像素較少。通過邊緣檢測、二值化處理以及形態(tài)學(xué)處理實現(xiàn)輸電線路的邊緣檢測，同時利用Hough變化算法實現(xiàn)輸電線路的提取，其結(jié)果如圖6（a）所示。最后依靠滑動窗口技術(shù)分割出含有輸電線路的區(qū)域圖像，縮小候選區(qū)域的范圍，其結(jié)果如圖6（b）所示。

圖6 輸電線路提取圖像Fig.6 Extracted images of transmission lines

3.3 實驗配置

本實驗的硬件配置：GPU為NVIDIA Ge Force GTX 1070 Ti，CPU為AMD Ryzen 7 1700 16核，16 GB內(nèi)存，8 GB顯存。深度學(xué)習(xí)的平臺是Pytorch1.4，編譯環(huán)境是Linux Ubuntu 16.04，GPU運算平臺是CUDA10.1，使用的Python版本為3.6。

3.4 SVM參數(shù)調(diào)優(yōu)

本實驗的SVM模型訓(xùn)練參數(shù)如表2所示。

表2 SVM模型基本參數(shù)Table 2 Basic parameters of SVM model

根據(jù)幀數(shù)合集將每一份圖像序列進(jìn)行剪裁分割，隨后對其輸入特征網(wǎng)絡(luò)進(jìn)行特征提取，將其輸出送入SVM進(jìn)行分類訓(xùn)練。其輸出SVM的適應(yīng)度曲線如圖7所示，可以看出，隨著訓(xùn)練次數(shù)不斷增加，SVM的適應(yīng)度值增大；當(dāng)訓(xùn)練次數(shù)達(dá)到89次時，曲線趨于平穩(wěn)；當(dāng)訓(xùn)練次數(shù)為100時，對應(yīng)的適應(yīng)度值為98.2%。模型停止訓(xùn)練后，輸出的全局最優(yōu)懲罰因子δ為5.4，核函數(shù)參數(shù)c為240.2。

圖7 SVM的適應(yīng)度曲線Fig.7 Adaptation curve of SVM

3.5 結(jié)果分析

3.5.1 改進(jìn)FPN性能測評

為了驗證ResNet 50聯(lián)合改進(jìn)FPN構(gòu)成的特征提取網(wǎng)絡(luò)的效果，采用熱力圖［17］對訓(xùn)練模型進(jìn)行分析，直觀地獲取神經(jīng)網(wǎng)絡(luò)對圖像不同部分的關(guān)注度。采用類激活熱力圖來顯示輸入圖像中的某些區(qū)域?qū)湔蠙z測判別的重要性，該圖像需要對卷積網(wǎng)絡(luò)中的特征圖加權(quán)求和，得到該卷積層的熱力圖；隨后求解該卷積層的梯度值并進(jìn)行降維操作，計算得到該卷積層中的每個通道權(quán)重［21］，再乘以該層特征圖最終得到含有熱力區(qū)域映射的圖像。類激活熱力圖中每個區(qū)域的重要程度與顏色的亮度有關(guān)，顏色越高亮越重要。改進(jìn)前后的特征提取網(wǎng)絡(luò)模型的熱力圖如圖8、圖9所示。

圖8 無樹障圖像改進(jìn)前后的類激活熱力圖Fig.8 Heat map of class activation before and after improvement of the barrier-free image

圖9 有樹障圖像改進(jìn)前后的類激活熱力圖Fig.9 Heat map of class activation before and after improvement of the image with tree barriers

圖8、圖9中的類激活熱力圖越高亮的位置，表明網(wǎng)絡(luò)判斷樹障存在的可能性越大。圖8（b）中沒有樹障的圖像使用改進(jìn)前的特征提取網(wǎng)絡(luò)得到的類激活熱力圖中有3個區(qū)域出現(xiàn)高亮，而實際上該區(qū)域并無樹障，判斷失誤；使用改進(jìn)后的特征提取網(wǎng)絡(luò)得到圖8（c）類激活熱力圖并無高亮，則表明該圖像中無樹障，判讀正確。圖9（a）中有2處樹障的圖像使用改進(jìn)前的特征提取網(wǎng)絡(luò)得到圖9（b）類激活熱力圖中有4個區(qū)域出現(xiàn)高亮，且實際有樹障的區(qū)域高亮范圍過大；使用改進(jìn)后的特征提取網(wǎng)絡(luò)得到圖9（c）類激活熱力圖正確顯示2處樹障區(qū)域，且范圍較為精準(zhǔn)。由此可得，ResNet 50聯(lián)合改進(jìn)FPN構(gòu)成的特征提取網(wǎng)絡(luò)特征提取的準(zhǔn)確率得到提升。

在ResNet 50聯(lián)合FPN提取特征后，將其輸送到SVM進(jìn)行分類預(yù)測，得到檢測結(jié)果如圖10所示。

圖10 不同算法樹障檢測結(jié)果Fig.10 Tree barrier detection results obtained from different algorithms

由圖10可得，黃色框為本文提出的算法ResNet50+改進(jìn)的FPN+SVM的預(yù)測框，與真實的紅色框的重疊度最高，預(yù)測得分為0.96；藍(lán)色框為ResNet50+FPN+SVM組合的檢測結(jié)果，預(yù)測得分為0.93；紫色框為Mask R-CNN檢測結(jié)果，預(yù)測得分為0.79；黑色框為Mask R-CNN+SVM組合的檢測結(jié)果，預(yù)測得分為0.88。再次證明改進(jìn)后的FPN能夠提升樹障檢測的精度。

3.5.2 檢測性能對比

深度學(xué)習(xí)在目標(biāo)檢測過程中，常采用精確率和召回率評價模型的好壞，結(jié)合二者繪制一個關(guān)系曲線（P-R曲線），該曲線與橫縱坐標(biāo)圍成的面積即為準(zhǔn)確率。

由圖11可得，本文提出的樹障檢測算法精確率達(dá)到0.934，相較于算法未改進(jìn)的組合提高了3.2個百分點，相較于Mask R-CNN算法提高了7.2個百分點；對比Mask R-CNN算法與其結(jié)合了基于遺傳算法的SVM算法，則說明改進(jìn)后的SVM在一定程度上提升了算法的準(zhǔn)確率。

圖11 樹障檢測的P-R曲線Fig.11 P-R curve of tree barrier detection

同時，為了更好地展示樣本測試的結(jié)果，本實驗選擇3個重要的性能指標(biāo)，分別是準(zhǔn)確率P、漏檢率O和誤檢率F，其表達(dá)公式如下：

式中：NA表示為無樹障的輸電線路圖像數(shù)量；NB表示為有樹障的輸電線路圖像數(shù)量；NC表示實際漏檢的圖像數(shù)量；ND表示實際誤檢的圖像數(shù)量。在實驗中其他3種算法選擇與本算法采用相同的ResNet 50作為主干網(wǎng)絡(luò)，利用訓(xùn)練好的模型進(jìn)行樣本測試，其結(jié)果如表3所示。

表3 不同算法檢測結(jié)果Table 3 Detection results of different algorithms

本文針對檢測樹障隱患問題，在ResNet 50聯(lián)合FPN構(gòu)成的特征提取網(wǎng)絡(luò)原有結(jié)構(gòu)上增加了一條自下而上的路徑，包含了低層準(zhǔn)確的定位信息和高層特征信息，使得整體檢測精度有所提升。由表3可得，有樹障樣本輸入本文提出的算法模型，與未改進(jìn)的算法組合模型，在檢測速度變化不大的情況下，將樹障檢測的準(zhǔn)確率從89.9%提升到93.5%，在原始準(zhǔn)確率較高的情況下提高了3.6個百分點，同時漏檢率和誤檢率也較之前有所下降。同時，本文提出的算法模型檢測在無樹障樣本時，每秒可以處理12張圖片，相較于一段式Mask R-CNN算法的處理速度，提升了1倍。無樹障樣本圖像大多輸電線路較為突出，相較于有樹障樣本的檢測具有更高的準(zhǔn)確率和更快的檢測速度。因此，本文提出改進(jìn)的FPN提高了樹障檢測的精度，同時采用輕量級的Resnet50網(wǎng)絡(luò)和SVM占用內(nèi)存小，計算速度明顯提升。

4 結(jié)語

目前無人機(jī)搭載激光雷達(dá)進(jìn)行樹障檢測成本較高，且計算量較大。本文提出了一種基于改進(jìn)的FPN與SVM的樹障檢測算法。該算法將ResNet50模型結(jié)合改進(jìn)的FPN算法作為特征提取網(wǎng)絡(luò)，降低了模型占用的計算機(jī)內(nèi)存，提高了特征提取的精度；隨后將特征向量輸入基于遺傳算法的SVM，保證了樹障檢測的運算速度和精度，在一定程度上降低了樹障檢測的誤檢率和漏檢率。