基于协同深度学习的二阶段绝缘子故障检测方法

基于协同深度学习的二阶段绝缘子故障检测方法

0基于yolov3算法的精神故障检测方法在线路巡检作为电气系统的重要绝缘器，绝缘器在构建的输电线上起着重要作用，尤其是在防止电流返回给磁体方面。对绝缘器件的故障检测一直是巡检工作中的重要组成部分。放电检测法是较为成熟的一种检测手段。传统的放电检测法可以分为电检测法和非电量检测法。常见的电检测法有电压分布法、敏感电阻法、电场分布法等，虽然应用效果好，但需要登塔；非电量检测法主要以红外图像法和紫外图像法为发展方向，具有可远距离、大面积快速检测的优点，体现了绝缘子检测精确、高效的发展方向。放电检测法虽然技术成熟，但易受环境等诸多因素的影响，同时工作量巨大的定期断网巡检给人们的生活和工业生产带来了诸多不便近年来，随着无人机技术和计算机技术的飞速发展，基于航拍图像的输电线路中关键电气设备的故障巡检方式，已经成为线路巡检的主要发展方向。目前国内外在电力设备检测方面的研究已经取得了一定的进展在传统图像处理领域，文献随着神经网络算法的发展，深度学习取得了突破性进展，由于其强大的表征和建模能力，使得在目标检测领域显现出了巨大优越性为解决目标检测算法训练和检测速度缓慢的问题，基于回归的目标检测算法被提出，标志性算法有SSD(singleshotmultiboxdetection）算法为了排除航拍图像中线路、杆塔等复杂因素对故障区域定位准确性的干扰，提高模型的定位及检测精度，本文提出一种协同全卷积网络（FullyConvolutionalNetworks,FCN）与YOLOv3算法的二阶段绝缘子故障检测方法。第一阶段，利用FCN网络预处理图像，初步分割出滤除背景的绝缘子区域，排除图像中无关区域的干扰；第二阶段，建立基于YOLOv3算法的绝缘子故障检测模型，实现绝缘子故障的准确检测。采用K-means++聚类算法对数据集中的目标重新聚类分析，优化网络锚点框参数，进一步提高检测精度。1fcn权重模型训练和测试本文提出一种基于协同深度学习的方法，即FCN和YOLOv3算法相协作，实现二阶段绝缘子故障检测的方法，其流程如图1所示。一阶段绝缘子数据集包含绝缘子无故障正样本和故障负样本；二阶段训练集2为滤除背景的绝缘子图像，测试/实际诊断数据为新获取的航拍绝缘子图像。训练和测试的具体流程为：(1）将训练集1输入VGG16特征提取网络，通过三次上采样得到原图相同尺寸的特征图，建立FCN权重模型。(2）图像分割：将待分割图像输入到同一网络，调用FCN权重模型对一阶段测试集中的绝缘子图像进行分割，输出绝缘子分割结果。(3）逻辑运算：将一阶段测试集图像与测试集分割图进行逻辑与运算，得到去除背景区域的绝缘子图像，逻辑运算示意图如图2所示。(4）将步骤（3）的输出作为训练集2输入到Darknet-53特征提取网络，采用级联的方式得到三种尺度的特征图，建立YOLOv3权重模型。(5）故障检测：将测试/实际检测数据输入同一YOLOv3网络，调用YOLOv3权重模型对图像进行绝缘子故障检测，输出故障检测结果。2照片底片故障数据库的建立由于目前还没有绝缘子图像的公开数据集，为了验证本文绝缘子故障检测方法，自主建立了航拍绝缘子故障数据库。以无人机航拍的方式获取了大量绝缘子图像数据，并用labelimg工具对绝缘子故障进行人工标记，定义I-1为均压环脱落故障，I-2为玻璃绝缘子爆缸故障。2.1实际样本拍摄情况由于绝缘子为非易损器件且电力部门发现后会及时维修，故障数据较难采集，导致完好的正样本与故障的负样本在数量上严重不均衡，实际拍摄包含四季中晴天、阴雨天等多条线路样本，且正样本数量远大于负样本数量，数据集见表1。由表1可知，I-1和I-2故障负样本一共280张，完好正样本数量远超故障负样本数量，而某一类样本少会导致算法难以充分学习该类别的信息2.2网三卷积层模型结构航拍绝缘子图像中通常包含复杂的环境背景，为了避免背景区域对绝缘子故障检测的干扰，一阶段，训练一个FCN语义分割模型用于初步分割绝缘子。FCN算法为了实现对图像像素级的分类，以CNN分类网络为基础，首先，通过五次卷积、池化操作提取特征，得到含有深层语义信息的特征图；然后，采用反卷积代替CNN最后的全连接层，对最后一个卷积层的特征图进行上采样，以恢复图像的尺寸，从而预测每一个像素，同时保留了输入图像的空间信息；最后，利用Softmax分类器获得各个像素点的二分类结果，实现像素级预测。绝缘子的分割流程如图4a所示。本文以VGG16为基础网络，C1～C5卷积层提取浅层图像特征，如边缘、纹理等，C6～C8卷积层提取深层语义特征，得到1/32尺寸的热图。直接32倍上采样得到FCN-32s模型，由于只使用了深层特征，无法充分利用浅层的空间位置信息，导致分割结果粗糙、分割边界不连续。为了解决上述问题，充分利用浅层图像信息，补充特征细节，本文设计了两种跳跃结构：(1)将C8特征2倍上采样和P4特征融合，对融合结果16倍上采样得到FCN-16s模型。(2)将以上所得2倍上采样和P3特征融合，对融合结果8倍上采样得到FCN-8s模型，跳跃结构如图4b所示。图4中C1和C2分别表示连续的两个卷积层，C3、C4、C5分别表示连续的三个卷积层，C6、C7、C8分别表示一个卷积层，P1、(43)、P5表示池化层，“2×”表示二倍上采样，H和W分别表示长和宽。2.3成像尺寸不一，问题定位难由于计算资源的限制，且航拍设备拍摄获得的图像样本尺寸不一，大大增加了绝缘子定位难度。根据图像短边长度，等比例对所有图像的分辨率统一归一化处理，调整为500×500大小。3yolov3算法3.1软件卷积层resi却-t第二阶段故障检测以YOLOv3算法为主体，其特征提取网络由Darknet-53修改所得，网络结构如图5所示。相比二代算法采用的Darknet-19，网络深度大大加深，网络的表达能力加强，但这也产生了梯度消失、梯度爆炸和性能退化的问题，为解决以上问题，Darknet-53采用了以下措施：(1）采用批量归一化（BatchNormalization,BN）和激活函数（LeakyReLU）。(2）采用步长为2的卷积代替池化层进行降采样操作。(3）借鉴残差网络ResNet的思想，使用5组重复的残差单元（Residual），在卷积层之间以跳跃连接的形式，将单元的输入与输出相加，构造一个恒等映射，防止信息丢失。通过以上方式，解决了梯度消失、梯度爆炸和性能退化的问题。梯度BN还可以使训练更加稳定和加快网络收敛速度，其计算公式为式中，x为BN输入；y为输出；γ和β为可学习参数。为了有效提高网络的表达能力，该算法采用非饱和的LeakyReLU激活函数，当输入为负时，给其一个很小的坡度a3.2模型收敛效果损失函数作为判定深度神经网络预测效果的重要参数之一，很大程度上决定模型的收敛效果，损失收敛越快、数值越小说明模型性能越好。YOLOv3采用误差的二次方和作为损失函数，整合了目标定位偏移量损失、目标置信度损失及目标分类损失，其计算公式为式中，13.3特征图预处理在一阶段得到去除背景的分割绝缘子图像的基础上，二阶段YOLOv3算法的故障检测网络结构如图6所示，输入RGB三通道图像，经Darknet-53特征提取网络，采用步长为2的卷积核进行5次下采样，分别在3～5次下采样后输出尺寸为52×52、26×26、13×13的特征图。为了充分利用特征信息，对于大小为13×13、26×26的特征图，执行2倍上采样，并借鉴特征金字塔的思想进行不同尺寸特征图的张量拼接，最终在三个尺度的特征图上独立执行回归预测目标类别与形状。在检测阶段，对于输入的航拍绝缘子图像，预测一个三维张量，包括目标、目标边界框和目标类别。YOLO层将特征图划分成S×S的网格（不同尺度的特征图，S值不同），为每个网格预测三个不同的边界框，并且张量大小可以表示为S×S×[3×(5+C)],5包含目标框的坐标信息（x,y,w,h）和置信度，C表示预测类别数，所以对于每个维度输出结果为S×S×[3×(5+2)]，最终通过阈值设定及非极大值抑制，输出最高置信度的边界框。3.4基于聚类分析的loss值对比YOLO二代算法开始引入了FasterR-CNN中所使用的锚点框（anchorboxes）的思想，它是一组固定尺寸的候选框，往往根据训练集目标框尺寸事先设定。YOLOv3的默认锚点框参数是根据COCO数据集聚类得到的9个固定参数，不一定适合特定场景下的数据集。本文根据航拍绝缘子数据自身特点，设计出更适合绝缘子数据的锚点框参数，分别使用K-means和K-means++聚类算法对数据进行聚类分析，计算样本框与锚点框之间的平均交并比（avgIOU），以聚类值与样本真实值之间的平均损失为目标函数，目标函数值越小，表明结果越准确，其目标函数D为式中，B为样本目标真实框；P为聚类中心；n为样本总数；k为聚类中心个数；n由图7可以看出，随着K值的增加，两种聚类算法损失函数Loss值逐渐减小，且K-means++聚类算法相比K-means算法，Loss值更小。然而，锚点框数量的增加会大大降低网络计算速度，增加计算成本，且当K=9时曲线趋于平稳，故选取K=9时的聚类结果优化网络的锚点框参数。根据K-means++算法得到的9个锚点框参数，得到航拍绝缘子故障数据目标真实框和锚点框参数的分布如图8所示。图8中横纵坐标分别表示宽度和高度，4结果与分析4.1g/lv/g/3g白砂糖/g/ti/g/ls-3g/3g控制器实验平台的硬件配备Inter(R)E5-2620V4核心处理器，双NvidiaGeForceGTX1080Ti显卡，32G内存。在Ubuntu16.04操作系统、Darknet深度学习框架下进行实验。4.2fcn-32s方法的对比为验证跳跃结构对分割性能的提升效果，本文分别以FCN-32s、FCN-16s、FCN-8s模型对绝缘子数据集进行训练，得到针对绝缘子区域的分割模型，以像素准确率（PA）、平均像素准确率（MPA）、平均交并比（MIoU）和频权交并比（FWIoU），作为评价指标，评价模型性能，结果见表2。从表2可以看出，相比于FCN-32s方法，由于FCN-16s方法融合了浅层P4卷积特征，各项指标均有显著提高；相比于FCN-16s方法，本文使用的FCN-8s方法进一步融合了浅层P3卷积特征，其像素准确率、平均交并比、频权交并比分别为99.91%、96.73%、98.26%，三项参数均高于FCN-32s和FCN-16s方法，平均像素准确率略微下降，说明本文方法能有效提高分割性能。各指标计算公式为式中，p4.3多次训练时定位使用K-means++算法聚类绝缘子故障数据所得参数训练YOLOv3网络，网络的默认最大迭代次数为50200次，学习率决定着权值更新的速度，过大会导致振荡，过小会使下降速度过慢，所以深度学习一般根据训练迭代次数设置动态变化的学习率，通常设置较大的初始学习率，使模型前期快速学习，到达一定迭代次数后，模型无法进一步收敛，此时应该降低学习率。本文在多次训练过程中，通过观察平均交并比的变化趋势，发现训练到20000次附近时，曲线无法继续收敛，所以分别在迭代到20000次和25000次时，设置衰减学习率，进一步拟合。最终，平均交并比函数的变化趋势如图9所示，可以看出，随着迭代次数的增加，平均交并比逐渐增大，在30000次迭代之后，比值在0.85处趋于稳定，达到理想训练效果。4.4算法性能对比为验证本文方法的有效性，分别从定性和定量两个方面对YOLOv3、F-YOLOv3和F-YOLOv3-K算法进行性能对比，将协同FCN和YOLOv3算法的模型命名为F-YOLOv3，同时结合K-means++算法优化锚点框参数的协同FCN和YOLOv3算法模型命名为F-YOLOv3-K。4.4.1f-yolov3算法在地方的应用在实验1中，分别用YOLOv3、F-YOLOv3和F-YOLOv3-K算法对测试/实际检测数据集中的两类目标进行测试，分别记录检测的漏检与误检情况，以及对两类目标的检测置信度，绝缘子故障在4张图例的三种不同方法下的检测效果及其局部区域放大图如图10所示。图10中紫色矩形标签I-1表示均压环脱落故障，绿色矩形标签I-2表示玻璃绝缘子爆缸故障，红色菱形框表示漏检处，黄色圆形框表示误检处，蓝色线条表示正确检出。由图10可以看出，检测位置分别以紫色与绿色框标记出I-1和I-2故障目标，并显示置信度，置信度结果对比见表3，表中，0表示漏检，×表示误检。由表3可以看出，原始YOLOv3算法在图1、图2中出现漏检情况，在图3、图4中出现误检情况。F-YOLOv3方法解决了图例中的漏检与误检情况，并大幅提升了检测置信度，本文最终提出的F-YOLOv3-K方法进一步提升了检测置信度。通过大量数据对比验证，该方法有效解决了漏检与误检问题，且检测的置信度有显著提升，为进一步验证所提方法的有效性，本文在定量方面补充了性能对比实验。4.4.2yolov3-ti三维算法的比较为验证协同深度学习方法对单一模型检测性能的提升效果，本文使用FCN算法分别协同YOLOv3和YOLOv3的小型网络YOLOv3-tiny算法，对检测数据集进行测试。为了具有可比性，实验均采用相同的处理策略，使用平均交并比（IoU）、单类故障精度（AP）、平均精度（MAP）、召回率（Recall）作为评价指标，评价模型性能，结果见表4。YOLOv3-tiny为YOLOv3算法的小型网络，协同FCN和YOLOv3-tiny算法的模型命名为F-YOLOv3-t，协同FCN和YOLOv3算法的模型命名为F-YOLOv3，同时结合K-means++算法优化锚点框参数的协同FCN和YOLOv3算法模型命名为F-YOLOv3-K。从表4可以看出，相比YOLOv3的小型网络YOLOv3-tiny算法，由于YOLOv3算法特征提取网络更深，特征更加丰富，所以其检测精度及平均交并比均有所提高。与原始单一的YOLOv3-tiny3及YOLOv3模型相比，F-YOLOv3-t和F-YOLOv3采用协同FCN的方法，显著提升了模型的各项指标，说明该方法适用于绝缘子故障检测。F-YOLOv3-t比YOLOv3-tiny模型的MAP值