改进YOLOv3的无人机拍摄图玻璃绝缘子检测

doi:10.3778/j.issn.1002-8331.2009-0281

摘要/Abstract

摘要： 绝缘子作为电力巡检中的重要目标，对其检测受到高度重视。针对传统无人机拍摄图像绝缘子检测算法需要通过人工提取特征进行检测，效率低且鲁棒性差等问题，通过对绝缘子图像数据集进行分析，结合YOLOv3目标检测算法与Inception-Resnet-v2分类算法，提出一种改进的YOLOv3绝缘子检测算法，该方法分别从增加Inception-Resnet模块，通过改变网络结构以增加网络宽度，根据数据集特性改进损失函数以及利用[k]-means算法进行锚点框选择三个方面对YOLOv3进行改进。针对测试集52张绝缘子图像，YOLOv3模型检测总耗时5.12?s，改进后的YOLOv3耗时5.48?s，YOLOv3的绝缘子AP值为69.69%，改进后AP值为71.93%，实验结果表明，相较于原始YOLOv3算法，改进后的YOLOv3算法能够更好地适应无人机拍摄的绝缘子图像数据集的数据特征，在保障检测速度的同时AP提高了2.24个百分点。

关键词: 神经网络, 绝缘子, YOLOv3, Inception-Resnet

Abstract: As an important target in power inspection, insulator detection is highly valued. In view of the low efficiency and poor robustness of traditional UAV image insulator detection algorithm which needs manual feature extraction, an improved YOLOv3 insulator detection algorithm is proposed based on the analysis of insulator image data set, combined with YOLOv3 target detection algorithm and Inception-Resnet-v2 classification algorithm, by changing the network structure to increase the network width, improving the loss function according to the characteristics of the data set, and using [k]-means algorithm to select anchor box, YOLOv3 is improved. For 52 insulator images of test set, the total detection time of YOLOv3 model is 5.12?s, the improved YOLOv3 takes 5.48?s, the AP value of YOLOv3 is 69.69%, and the improved AP value is 71.93%. The experimental results show that compared with the original YOLOv3 algorithm, the improved YOLOv3 algorithm can better adapt to the data characteristics of insulator image data set captured by UAV, and ensure the same detection speed. The AP is increased by 2.24 pecentage points.

Key words: neural network, insulator, YOLOv3, Inception-Resnet

杨焰飞, 曹阳. 改进YOLOv3的无人机拍摄图玻璃绝缘子检测[J]. 计算机工程与应用, 2022, 58(3): 259-265.

YANG Yanfei, CAO Yang. Detection of Glass Insulators in Images Taken by Drones Based on Improved YOLOv3[J]. Computer Engineering and Applications, 2022, 58(3): 259-265.

参考文献

[1] BARTON J P，INFIELD D G.Energy storage and its use with intermittent renewable energy[J].IEEE Transactions on Energy Conversion，2004，19（2）：441-448.
[2] 李彩林，张青华，陈文贺，等.基于深度学习的绝缘子定向识别算法[J].电子与信息学报，2020，42（4）：1033-1040.
LI C L，ZHANG Q H，CHEN W H，et al.Insulator orientation recognition algorithm based on deep learning[J].Journal of Electronics and Information Technology，2020，42（4）：1033-1040.
[3] 张彦梅，宋扬.模板匹配方法在高速目标跟踪中的应用[J].北京理工大学学报，2006，26（11）：1026-1029.
ZHANG Y M，SONG Y.Application of template matching method in high-speed target tracking[J].Journal of Beijing Institute of Technology，2006，26（11）：1026-1029.
[4] 史静，朱虹，王婧，等.基于视觉敏感区域信息增强的室内场景分类算法[J].模式识别与人工智能，2017，30（6）：520-529.
SHI J，ZHU H，WANG J，et al.Indoor scene classification algorithm based on visually sensitive area information enhancement[J].Pattern Recognition and Artificial Intelligence，2017，30（6）：520-529.
[5] 张莹，郭红梅，尹文刚，等.基于SIFT特征与SVM分类的地震灾情图像信息异常检测方法[J].地震研究，2019，42（2）：265-272.
ZHANG Y，GUO H M，YIN W G，et al.Anomaly detection method of earthquake disaster image information based on SIFT features and SVM classification[J].Earthquake Research，2019，42（2）：265-272.
[6] 方挺，韩家明.航拍图像中绝缘子缺陷的检测与定位[J].计算机科学，2016，43（S1）：222-225.
FANG T，HAN J M.Detection and location of insulatordefects in aerial images[J].Computer Science，2016，43（S1）：222-225.
[7] 商俊平，李储欣，陈亮.基于视觉的绝缘子定位与自爆缺陷检测[J].电子测量与仪器学报，2017，31（6）：844-849.
SHANG J P，LI C X，CHEN L.Vision-based insulator positioning and self-explosion defect detection[J].Journal of Electronic Measurement and Instrument，2017，31（6）：844-849.
[8] 张荣，李伟平，莫同.深度学习研究综述［J］.信息与控制，2018，47（4）：385-397.
ZHANG R，LI W P，MO T.A review of deep learning research[J].Information and Control，2018，47（4）：385-397.
[9] 左国玉，马蕾，徐长福，等.基于跨连接卷积神经网络的绝缘子检测方法[J].电力系统自动化，2019，43（4）：101-108.
ZUO G Y，MA L，XU C F，et al.Insulator detection method based on cross-connection convolutional neural network[J].Automation of Electric Power Systems，2019，43（4）：101-108.
[10] 赵文清，程幸福，赵振兵，等.注意力机制和Faster RCNN相结合的绝缘子识别[J].智能系统学报，2020，15（1）：92-98.
ZHAO W Q，CHENG X F，ZHAO Z B，et al.Insulator recognition combined with attention mechanism and faster RCNN[J].Journal of Intelligent Systems，2020，15（1）：92-98.
[11] 颜宏文，陈金鑫.基于改进YOLOv3的绝缘子串定位与状态识别方法[J].高电压技术，2020，46（2）：423-432.
YAN H W，CHEN J X.Based on improved YOLOv3 insulator string positioning and status recognition method[J].High Voltage Technology，2020，46（2）：423-432.
[12] 高强，廉启旺.航拍图像中绝缘子目标检测的研究[J].电测与仪表，2019，56（5）：119-123.
GAO Q，LIAN Q W.Research on insulator target detection in aerial images[J].Electrical Measurement and Instrumentation，2019，56（5）：119-123.
[13] REDMON J，FARHADI A.YOLOv3：an incremental improvement[J].arXiv：1804.02767，2018.
[14] SHELHAMER E，LONG J，DARRELL T.Fully convolutional networks for semantic segmentation[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition，2015.
[15] LIN T Y，DOLLAR P，GIRSHICK R，et al.Feature pyramid networks for object detection[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2017.
[16] 黎洲，黄妙华.基于YOLO_v2模型的车辆实时检测[J].中国机械工程学报，2018，29（15）：1869-1874.
LI Z，HUANG M H.Real-time vehicle detection based on YOLO_v2 model[J].Chinese Journal of Mechanical Engineering，2018，29（15）：1869-1874.
[17] SZEGEDY C，IOFFE S，VANHOUCKE V，et al.Inception-v4，Inception-ResNet and the impact of residual connections on learning[J].arXiv：1602.07261，2016.
[18] REZATOFIGHI H，TSOI N，GWAK J Y，et al.Generalized intersection over union：a metric and a loss for bounding box regression[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR），2019.