文摘

绝缘体中扮演重要角色的操作户外高压输电线路。然而,绝缘体是安装在户外环境长时间,因此失败是不可避免的。有必要进行及时的绝缘检查和维护。本文改进Yolov3目标探测网络(Yolov3-CK)提出了以达到较高的检测精度和速度。首先,Yolov3-CK使用意识的损失函数,而不是从Yolov3均方误差损失函数。第二,Yolov3-CK模型使用聚类分析通过先天的盒子 - - - - - -意味着+ +算法获得先天的盒子尺寸更适合检测绝缘子及其破裂的缺点。最后,我们使用一个数据集通过中国电力线路绝缘子数据集上执行数据增强训练和测试data-enhanced Yolov3-CK模型。Yolov3-CK达到91.67%的平均精度为47.9帧每秒处理。Yolov3-CK提供更好的检测精度和处理速度高于RCNN更快,SSD, Yolov3。因此,Yolov3-CK模型更适合检测绝缘子及其破裂的断层。

1。介绍

随着对电能的需求,特别是在智能电网的背景下,高压传输变得越来越重要。绝缘体提供电气保护在电力传输和交通应用程序中,但长期接触使破裂的失败不可避免(1]。绝缘子爆裂故障危及整个电力输电线路的安全性和稳定的性能,甚至可以带来巨大的经济损失,在电网2]。因此,重要的是要对输配电线路绝缘子进行定期检查,以确保高压输电系统的正常运行和电网。同样重要的是及时修理和更换失败的绝缘体。

目前,有三种主要类型的绝缘体。他们通常使用三种类型的故障检测:传统的图像检测,机器学习检测,深度学习目标探测。

第一类方法是基于传统的图像检测算法。传统的图像检测绝缘子方法主要使用阈值分割、边缘检测、纹理特征提取方法。例如,黄、张(3]提出分割基于他们的绝缘体特性和设置适当的阈值。研究人员随后通过匹配算法检测到故障。姚明et al。(4)确定绝缘子是否有破裂的断层分段绝缘器区域,提取区域特性,比较相似的区域。Zhenbing et al。5)提出了一种从空中绝缘子图像进行边缘提取的方法基于non-downsampling轮廓波变换。提取的图像被检测到。李等人。6)使用MPEG-7边缘直方图方法提取和识别绝缘子纹理特征。他们优化和改进原MPEG-7边缘直方图基于这个方法为了提高绝缘子的准确性在一定程度上可以被识别。罗和田7提出了一些图像处理技术相结合。他们还提出了一种改进的精明的运营商基于绝缘体和其他金属设备的检测图像。

第二类故障检测方法对绝缘子检测使用机器学习算法。集成算法和支持向量机(svm) [8)是最常用的机器学习检测算法对绝缘子检测。江et al。9)提出了一种结合支持向量机和模糊集合理论,不确定的线性地址问题部门分类错误等金属设备的绝缘体。赵et al。10]提出了使用深卷积来检测绝缘子红外图像,使用支持向量机来实现绝缘子分类。Reddy et al。11实验室)改变了原始图像的颜色空间,执行 - - - - - -意味着集群的功能在这个颜色空间,然后使用支持向量机来检测图像绝缘体所在地区为了检测绝缘子目标。检测绝缘子目标。翟et al。12)提出了一个结构绝缘子模型和作为最佳熵阈值分割方法。他们主要使用数学形态学算法从图像部分绝缘体。然后他们使用Ada-Boost集成算法执行绝缘子检测在复杂的图像。这些常用的机器学习方法有时提供更好的可靠性比传统的目标检测方法,但他们的识别时间和准确性仍需要改进。

近年来,基于小说的深度学习机器学习策略已成为广泛用于目标检测(13,14]。深度学习更能够处理具有复杂背景的目标比传统的图像处理方法,依靠常用的机器学习算法。目前,有两种类型的基于深度学习目标探测模型。两阶段目标探测网络目标探测分为特征提取和特征分类。典型的双级目标探测网络包括快速RCNN [15]和更快的RCNN [16]。陈等人。17]提出使用一种改进的速度R-CNN绝缘子检测方法。它实现了检测精度90.5%,但只有11帧每秒处理。典型的单级检测网络包括Yolov3 [18]和SSD [19]。赖et al。20.)使用Yolov2探测网络进行在线识别的绝缘体。平均精度为90%,30帧每秒的吞吐量。盾(21]Yolov3模型用于检测临界功率组件。绝缘子检测精度为90.2%,57帧每秒的吞吐量。苗族et al。22]提出使用一种改进的SSD绝缘子检测模型,实现90.42%的精度和16帧每秒的吞吐量。虽然单级检测网络不如两级检测网络的平均检测精度,单级检测网络速度比两级检测网络的检测率。

Yolov3模型的检出率远高于其他的模型,但检测精度不如那些提供当SSD和更快的RCNN模型应用到绝缘子图像。因此,本文改进了检测精度Yolov3模型的同时确保实时性能。

本文的其余部分组织如下。部分1绝缘体和破裂故障识别描述现有工作;部分2解释了Yolov3检测模型和改进的Yolov3-CK模型;和部分3提出并分析了实验结果。最后,部分4总结了纸。

2。材料和方法

Yolov3是深层神经网络算法对象识别和定位算法,是从Yolo和Yolov2意思23]。单级检测网络提供更好的检测率和精度比双级检测网络,因为它不需要生成大量的候选框。Yolov3如图的总体结构1。Yolov3模型大小608×608的输入图像,通过聚类分析获得相应的先天的盒子从可可数据集(先天的箱子24),然后Darknet53网络用于特征提取。提取的特征层融合的特性融合为了支持预测。预测部分分为三个主要部分(检测1 - 3)。


图1
Yolov3网络结构。

Yolov3 Darknet53作为其主干网络。Darknet53网络有两个主要特点。首先是一个残余网络结构(Residual_block)的特点是它易于优化和提高精度的能力增加了相当的深度。第二,每一个卷积Darknet53网络之后,使用通过LeakyReLU BatchNormalization标准化函数(公式(1))。

与普通ReLU函数,输出所有负输入特征值 零,LeakyReLU函数给每个负输入特征值 对应的非零斜率。这有助于避免梯度消失的问题(25]。

在特征提取过程中,Yolov3使用提取目标探测的三个功能层。功能层位于Darknet53支柱上的不同位置(26]。在获得三个有效功能层,我们使用它们构建一个功能金字塔网络红外系统),以提高特征提取(图2)。特征融合后被用来实现完全提取有效信息从三个功能层,76×76×38 38岁和19×19图像特征图。最后,预测了为每个类别确定结果,信心水平,预测盒在图像参数集。


图2
红外系统的网络结构。
2.1。改善先天的盒子

先天的框的想法是用于Yolov3网络结构。获得先天框通常是通过聚类分析可可数据集的箱子,然后把结果我先天的箱子到模型进行训练。然而, - - - - - -意味着聚类算法对一些随机性的选择对于初始试验中心的集群。这往往会导致巨大的错误。此外,有先天的盒子尺寸相对较大的差异的绝缘体和破裂的缺点。为了提高效率,Yolov3-CK模型使用 - - - - - -意味着对集群先天框+ +聚类算法从中国输电线路绝缘子数据集(CPLID)。 - - - - - -意味着+ +摆脱依赖初始化聚类中心。平均借据(十字路口在联盟)是策划与聚类中心的数量在集群使用的先天的框 - - - - - -意味着在图+ +算法3。图分析表明,平均借据的价值的变化倾向于平整设置集群中心的数量增加。九先天框设置时,借据平均为89.01%。当 大于9的变化的价值平均借据倾向于水平。因此,九聚类中心被用于绝缘子和破裂故障先验盒数据。最后先天盒(14日18),(36),(35岁,33),(75),(76年,55岁),45 (144),(359、263),(407、106),(407,164)。


图3
从应用程序的结果 - - - - - -+ +的数据集。
2.2。提高了损失函数

十字路口在联盟(借据)是一种评估标准用于深层神经网络。是由重叠率预测盒和先天的盒子。然而,当预测框和先天的框不重叠,借据没有反映出真实的距离相关的盒子。在这种情况下,损失函数不是可诱导的和借据损失函数不能用于优化的情况下non-intersection之间的预测和先天的盒子。相比之下,完整的十字路口在联盟(意识)解决了一般借据无法优化的部分预测盒直接与先天的不重叠盒(27]。因此,使用Yolov3-CK模型意识损失函数代替借据损失函数。损失函数用于Yolov3-CK模型中定义的公式(2)。它由三个主要组件:意识丧失功能 ,信心损失函数 ,和分类损失函数 ,这些都是公式(3),(4),(5),(6)和(7)。

在公式(3),(4),(5),(6)和(7),借据代表先天的和预测的十字路口和工会比盒子; 代表先天和预测框之间的距离; 代表对角线之间的距离最小的封闭区域,可以包含预测和先天的盒子;和 和 代表预测帧的宽度和高度,分别。这个公式 是输出特性的网格层; 是先天的箱子的数量由每个网格; 代表一个对象是否属于 预测盒网格我; 错误的重量代表了信心; 和 的信心水平预测框和先天的框,分别;和 和 的分类概率预测和先天的框,分别。

3所示。实验结果和讨论

在本节中,我们详细描述了数据预处理和评价指标。试验细节和结果分析。的性能分析模型,我们与其他模型进行比较。

3.1。数据处理

CPLID被用在这个实验但绝缘子爆裂故障样本的数量并没有获得足够的培训。因此,为了培养一个健壮的模型中,我们创建了模拟绝缘子爆裂故障样本使用Photoshop软件。软件被用来除去正常的绝缘子串和背景像素被用来填补空间。各种绝缘子爆裂故障产生使用Photoshop图像如图4。


图4
Photoshop-processed图像。

最后得到了750张图片使用上面的方法。确保更好的训练模型的普遍性,更绝缘子图像旋转所产生的一些图像各种角度和调整曝光和色彩在训练。的一些调整绝缘子图像如图5。最后,1900张照片是通过调整和获得的数据集划分根据4:1的比例;1520张图片中随机挑选作为训练集,380人作为测试集。


图5
数据增强后图像。
3.2。模型评价指标

我们使用了每秒的帧数(FPS)处理的实时性能评估模型和平均测量精度(mAP)模型的准确性。这些量定义在公式(8)和(9)。 在哪里 准确率和吗 召回率。很明显,在公式(8)), 等于accuracy-recall率(P-R)曲线下的面积,这是在0和1之间。在公式(9)), 识别所需的时间是一个绝缘子图像和FPS是图片的数量,可以在1秒。错过和错误对输电线路检查检测有很大的影响,所以召回率(R)和假警报率(F)也可以用来验证模型的可靠性。在这个实验中,真阳性的数量(TP),假阳性(FP),和假阴性(FN)用于计算准确性,回忆,和误警率值。公式(10 - 12)所示。

3.3。实验的细节

我们的实验进行了使用Pytorch框架,在Ubuntu Linux 20.04系统英特尔(R) i9处理器,GeForce GTX 3080图形卡,和64 GB的RAM。并给出了相关的硬件和软件的细节在表1。我们培训了140名世。本文使用一步LR调整学习速率。第一个70时代被冻结加快训练培训;学习速率是设置为1×104;批处理大小是8;和迭代的数量在一个时代是195年。第二个70年时代被训练使用全网络的学习速率1×1034、批量大小,390次迭代的时代。结果如表所示1。

表1
相关实验参数。
3.4。结果和分析

来验证我们提出的可靠性模型,我们得到了最好的两级网络更快的RCNN和单级网络SSD, Yolov3 Yolov4, Centernet模型。同时,改进的快RCNN模型文档17复制并与改进的18 Yolov3模型文档。上述模型训练和测试在同一环境和数据集。从表中可以看出,两级快速RCNN绝缘体的网络具有较高的检测精度,但其检测速度远低于其他检测模型。Yolov3模型的检测精度略低于更快RCNN模型,但它比其他检测模型,其检测速度也比其他模型。基于Yolov3模型、Yolov3 CK模型。Yolov3 CK模型比改进的模型在文献17和18日和Yolov3 CK模型比其他模型在检测精度和检测速度。结果如表所示2。

表2
实验结果。
3.5。测试结果的比较

在图6(一)原yolov3模型的检测效果,和(b)是yolov3-ck模型的检测效果。比较这两个数据,可以看出,与原始yolov3模型相比,yolov3模型可以更好地检测绝缘子的缺陷,具有更好的检测效果。

(一)
(一)
(b)
(b)
图6
检测效果对比图。

4所示。结论

在本文中,我们提出了一种改进的Yolov3-based绝缘子检测模式识别和故障检测。首先,一个数据集使用CPLID产生。数据增强是由旋转角度的图片,调整曝光,并调整色调。第二,增强模型的性能,我们改进了先天的盒子和Yolov3损失函数模型。最后,生成的Yolov3-CK模型训练,测试,和相对于其他模型实验。Yolov3-CK模型表现出强大的优势其他模型由于其检测精度和实时特性。最后映射值的91.67%和FPS 47.9表明,模型可以检测绝缘子及其破裂故障在复杂的背景。总之,Yolov3-CK模型可以实现绝缘子及其破裂缺陷的有效检测。这包括提供实时检测。在未来的研究中,我们将简化我们的模型的大小和研究模型的方法来提高检出率不失准确性。

数据可用性

所有的数据、模型和代码生成或使用在研究出现在提交文章。

的利益冲突

作者宣称没有利益冲突。