摘要：铁桶包装
无人机电网巡视具有区域小、背景复杂、计算量大等问题，使得其精度和实时性都很难达到。为了准确、快速地识别无人机电网巡检，对各种深度学习算法在复杂环境中的应用进行了分析，并给出了一种新的基于 YOLOv3的方法。首先选择ResNet18作为主干网络，再构造多尺度特征金字塔，并与骨干网络相结合，构成一种深度融合的电力系统监测系统，既能保证实时检测的精度，又能保证实时性。实验结果显示， YOLOv3网络的平均平均准确率（m AP）达到98.10%，较 FasterR-CNN提高6.71%；它能探测到的帧数为47.52帧，比R-CNN和FasterR-CNN快了25倍，比R-CNN快了12倍。提出的 YOLOv3网络在识别准确率和检测速度上都得到了较好的提高。 关键词：无人机巡检；深度学习；YOLO v3；ResNet18；绝缘子
绝缘子是一种绝缘控制，它在传输线上起到支承导线和阻止电流回地的功能。随着交流、直流输电线路电压等级的提高，绝缘子的力学性能也随之提高，在长时间的使用中，绝缘子难免会发生断裂、绝缘子断裂等问题。由于电力系统的地理位置和天气条件的不确定性，使得电力系统的安全运行受到了严重的影响，严重的影响了电力系统的运行。因此，对绝缘子进
文具盒生产过程行故障诊断是保证电网安全可靠运行的关键。
1.技术背景与方法
1.1R-CNN
利用R-CNN技术，对电力系统中的巡检绝缘子进行了测试。R-CNN网络是一种结合 Region Proposal和 CNN （Convolutional Neural Network）的局部产生的Region-CNN （R-CNN）。图1显示R-CNN的网络模型。首先，对输入的图像进行分割，并对其大小进行调整，使其大小达到227x227x3；然后，利用 CNN前向传播算法，得到各区域的特征信息；最后，将所抽取的区域特征矢量输入支持向量机，使得支持向量机能够对各个类型的属性进行评分，然后利用不能最大值的抑制算法来确定候选对象。
图1R-CNN 网络模型
1.2 Faster R-CNN
利用 FasterR-CNN网络，对电力系统中的巡检绝缘子进行了测试。FasterR-CNN算法首先从输入的图像中抽取特征，然后产生特征图；最后，通过 RPN网络对图像进行处理，得到多尺度的候选对象，采用感兴趣区域池化层（RoI pooling）将不同大小的候选区域映射成具有固定尺度的特征矢量，通过对特征图的综合分析，抽取出目标候选块，然后通过分类回归网络对候选区域进行分类判断。由于FasterR-CNN采用了完全的卷积层，使得整个网络的检测速度得到了提高。
图2 FasterR-CNN 网络模型
2.YOLO v3 网络模型
YOLO网络和R-CNN网络相比，它是通过一种基于回归的检测算法，通过一种简单的网络来实现对目标的预测和分类，而不需要生成候选块。YOLOv3在使用多尺度特征的基础上，结合残差结构、锚点框选取等方法，大大提高了网络模型的性能。YOLOv3网络在检测速度方面要比R-CNN网络快得多，但当采用 DCNN进行特征抽取时，由于网络深度的增大，导致训练难度增大，检测速度降低，甚至会导致模型退化、梯度消失等问题。YOLOv3的原始模式是以Darknet-53为骨干，深入53个层次，并采用多尺度的融合技术，将该算法用于无人机的目标探测时，会出现误检、漏检等问题，无法确保其实时性检测的有效性。由于本论文所研究的对象分为两种类型，即绝缘子中的正常和有缺陷，因此检测对象容易，并且所需的检测任务也较少，因此我们将ResNet18作为 YOLOv3的骨干网络。ResNet18是一种18级的深度学习网络，在网络模型中引入了残差块机制，通过跳接技术来克服由于网络深度增大而导致的梯度消失。而残差块仅仅是对数据进行恒等化映射，并不会给网络的复杂度和参数带来任何影响。在此基础上，建立了 YOLOv3绝缘子的检测网络 模型。其中，在 YOLOv3主网后面构造了多尺度特征金字塔，即利用3个卷积层进行输入特征抽取，获得3个不同规模的特征图，由此构成了多尺度特征金字塔，有效地提高了网络的探测准确率；同时，通过对特征金字塔进行上取样，并将其与骨干网络中的剩余数据进行融合，从而形成一种基于深度融合的监测系统，从而达到了快速、实时的目的[1]。
虚拟数据线
图3YOLO v3 绝缘子检测网络模型
YOLOv3_ResNet18网络与原先 YOLOv3_Darknet-53的传统 YOLOv3_ResNet18网络相比，其目的在于确保无人机的实时检测精度。本发明的检测步骤如下：第一步，将输入的数据作为完整的图像，利用深度残差网络ResNet18对 YOLOv3进行绝缘子特征提取；在4个残差块后面加入3个卷积层，也就是3个不同规模的特征图用于预测，从而构成了一个多尺度的预测网络；为提高特征图的规模，将各特征图与主干网中相应的残差块相结合，以
提高上取样的特性，使得模型能够更好地预测不同规模的目标；最后，采用 NMS (Non-Maximum Suppression, NMS）过滤掉剩余的预测块，从而获得电力系统监测的结果。利用该多尺度预测模型，得到了两种不同的可信度等级，其中，利用 NMS对预测框进行了分类，其中，将置信度小于0.5的错误检测预测框剔除，将其余的预测框按置信程度由高到低进行排序，其中数值最高的是第一个被保留的预测块I1。剩余的预测块和I1的交叉比率 IoU （干扰联合）被计算，并且将 IoU超过0.5的重复预测块剔除，从而完成了首次迭代。然后，在剩下的没有被删除的预测框中，选择具有最大可信度的预测框作为所预留的第二个预测块I2，并且将阈值超过0.5的重复预测块删除，如此，第二次迭代结束。如果仍然有一个预测方块没有被删除，那么将会进行反复的计算，直到所有的预测方块中的 IoU都不超过0.5，那么这个结果就是最后的预测方块。用 NMS法所获得的绝缘子预报框能够达到对绝缘子的精确探测和定位。
3.实验结果与分析
3.1实验数据
雪芙蓉冰车
在大数据分析与人工智能技术的发展下，无人机车辆在电力系统故障诊断中的应用越来越
广泛。因此，本论文选择了大疆M300 RTK （实时动态），它的六个面都是双眼视觉和 ToF (Time of Time of Flight）传感器，具有很强的定位和规避能力。
3.2网络训练
本实验使用ResNet18的深度学习架构，以 CPU Inter Corei5-10400F为核心， GPU为 NVIDIAGTX1080 Ti,16 GB的内存， Windows 10操作系统。输入图象尺寸为227x227x3，小批数量为10，循环次数为30，动量系数为0.9，初始学习速率为0.001。由于该模型是以Resnet18骨干网络为基础进行的，因此，比较分析各种检测模式下的绝缘子探测性能。利用R-CNN、FasterR-CNN和 YOLOv3检测等方法对网络进行训练。结果表明，在最初的500次迭代过程中，该网络的损耗值得到了快速的拟合，而R-CNN、 FasterR-CNN和 YOLOv3的损失值分别为0.82、0.36和0.001。
图4网络训练损失曲线
3.3实验结果阿维菌素油膏
弯曲弹簧该网络模型使用了一套试验集合，其中常规绝缘子126个，有缺陷的绝缘子46个。为评价网络模型的有效性，目前常用的评价方法有：正确率和回溯率， TP为正样本的预测，而实际为正样本的数量；FP为正、负样本的预测；FN为负样本，实际为正样本的数量。正确率和召唤率的数值越高，则模型的性能也就越好。平均精度（AP）是从正确率和召回率两个方面来综合衡量检测模型，并利用正确率-召回率（PR）曲线求出目标检测 AP值，并对各种检测结果进行分析。文中利用 AP值和相应的 m AP值作为评估指标， m AP值越高，则表示该模型在整个分类中的整体探测能力较好。与R-CNN、FasterR-CNN相比， YOLOv3网络的性能要好得多。结果表明， YOLOv3方法是有效的，提高了绝缘子的识别准确率。YOLOv3与 FasterR-CNN相比， m AP增加6.71个百分点，而普通绝缘子和有缺陷的 AP值分别增加7.04个百分点和6.38个百分点，对绝缘子的类型、位置进行了比较精确的预测。结果表明， YOLOv3网络具有较高的检测准确率、较低的训练误差以及较好的对电网巡检绝缘子的检测效果[2]。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议