兰州交通大学苟军年、杜愫愫 等：基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测

随着电力系统规模的不断扩增，为保障输电线路安全运行，及时检测自爆绝缘子，避免电网发生大规模停电成为电网智能化发展过程中一项重要任务。机器学习相关目标检测模型依据人工设计的特征检测器实现输电线路相关器件的缺陷定位，主观性较强，定位结果的准确率偏低，并且模型耗时长，增加了检测成本。

兰州交通大学自动化与电气工程学院的苟军年、杜愫愫等在2023年第1期《电工技术学报》上撰文，基于双阶段目标检测模型Mask R-CNN结构进行相关改进，提出了基于深度学习的输电线路自爆绝缘子检测算法，以提高复杂电力场景下绝缘子自爆缺陷检测准确率，最后，通过消融实验与对比实验的结果，验证了改进模块的有效性。

研究背景

相较于传统机器学习相关的目标检测模型，基于深度学习的检测模型可自主学习目标相关特征，对数据集的表达更高效，所提取的语义信息鲁棒性更强，最终所得模型的泛化能力更好，目前已广泛应用于电力系统巡检作业领域。

输电线路位于复杂的户外环境，绝缘子不仅具有电气绝缘的作用，还承担支撑线路的功能，这导致绝缘子同时受电场、机械拉力、自然气候等各种因素的作用，长期挂网工作于户外，会出现一定程度的老化以及各种破损缺陷，其中，绝缘子自爆缺陷易使输电线路因爬距减小而发生单相接地或相间短路故障，严重时甚至导致电网大规模停电，因此，及时发现自爆绝缘子并进行更换，可保证输电线路安全可靠运行，避免严重电力事故对国民经济造成损失。

论文所解决的问题及意义

当前大多数深度学习相关的目标检测模型虽然可以完成输电线路中故障器件的有效检测，但因输电线路所处自然环境复杂多变，巡检图像背景复杂，各种输电线路金具的高似然性均会导致模型定位精度降低，无法满足电力系统的巡检需求。Mask R-CNN算法基于Faster R-CNN框架，增加依FCN设计而成的分割分支，目标检测的同时进行语义分割，属于两阶段目标检测模型，针对无人机巡检图像中绝缘子缺陷检测这一特定场景，提出改进Mask R-CNN的输电线路绝缘子缺陷检测算法，及时可靠的检测自爆绝缘子，提高输电线路运行安全性。

论文方法及创新点

1.融合注意力机制的特征提取网络

绝缘子自爆缺陷检测属于小目标检测范畴，为实现精准的定位，需要特征提取网络能更多关注缺陷区域的整体轮廓和边缘，即网络可自适应地提取有效特征。注意力机制工作的核心思想是获取特征重要性差异，更新特征权重占比，将计算资源投入更重要的任务。

本文使用卷积注意力模块（Convolutional Block Attention Nodule, CBAM）分别从特征图的通道和空间两方面进行信息融合，获取自爆区域所含显著性特征。将主干特征提取网络ResNet101处理后所得的不同尺度特征图称为基础特征层Ci(i=2, 3, 4, 5)，把CBAM引入C4和C5之后，提升模型对感兴趣语义信息的提取能力。

图1 CBAM结构

2.多尺度特征增强

加入注意力机制后主干特征提取网络所获特征层仍具有图像金字塔特征信息的局限性，且每次融合都会稀释非相邻尺度特征信息，从而忽略尺度跨度较大的信息，使分割阶段所用特征图不够完整，导致分割精度降低。为提高低层信息的利用率，在FPN基础上引入一条并行的自底而上路径，并设计特征融合模块，在融合多尺度特征信息的同时提升目标全局特征的表达能力。

图2 多尺度特征融合结构

3.使用GIoU衡量检测框相似度

由于航拍场景的特殊性，绝缘子分布有所交叠且背景复杂，通常在目标定位阶段借助非极大值抑制算法对检测框进行筛选，根据交并比 （Intersection over Union, IoU）函数选择置信度最高的候选框作为检测结果。这种方法对于非密集场景下的定位有出色的效果，当属于同一类的多个物体非常靠近时，算法只会保留置信度最高的候选框，从而造成目标漏检。将其替换为全局交并比（Generalized Intersection over Union, GIoU），通过引入最小外接矩形框C，增加衡量两目标间重叠形式和重叠程度的信息，同时刻画目标间的距离与所处位置，即使在无重叠情况下，也可保证保留下的实例框的准确性，提升模型的定位性能。

4. 分割损失函数优化

模型训练过程中，损失函数监督模型参数的更新方向，一定程度上会影响最终模型的性能。由于实际获取的电力巡检数据呈长尾分布，正常绝缘子占很大部分而缺陷绝缘子数量相对较少，导致模型对自爆绝缘子数据训练时会产生欠拟合现象，模型会出现漏检现象。对此，将分割分支所使用的二值交叉熵损失函数替换为基于Tversky指数所提出的广义损失函数，只需调整正负样本对应的比例参数，便可使模型在训练时更关注正例样本，帮助检测模型在精度与召回率间找到更好的平衡。

结论

本文提出一种改进Mask R-CNN算法，在特征提取阶段加入CBAM，通过增加特征融合路径和总体特征融合模块完成自爆特征有效融合；在定位与分割阶段利用GIoU实现检测框有效滤除，利用Tversky损失函数缓解数据集不平衡对模型的干扰，改进后总体结构如图3所示。

图3 改进后Mask R-CNN结构

实验结果表明，改进网络可实现输电线路绝缘子自爆缺陷特征提取，缓解高度重叠与背景复杂电力场景对检测带来的影响，提升了算法对小目标检测的性能。

团队介绍

本团队长期致力于CT图像重建、机器图像视觉检测的研究与应用，结合深度学习相关理论及技术，在电力输电线路及其相关金具的定位与缺陷检测、电气化铁路接触网绝缘子的定位及破损检测与铁路轨道异物入侵检测开展了基础研究。

本文编自2023年第1期《电工技术学报》，论文标题为“基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测”，本工作得到国家自然科学基金资助项目的支持。

引用本文

苟军年, 杜愫愫, 刘力. 基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测[J]. 电工技术学报, 2023, 38(1): 47-59. Gou Junnian, Du Susu, Liu Li. Transmission Line Insulator Self-Explosion Detection Based on Improved Mask Region-Convolutional Neural Network. Transactions of China Electrotechnical Society, 2023, 38(1): 47-59.