论文部分内容阅读
我国高压架空输电线路分布非常广泛,许多线路处于地形非常复杂的山区。在这种环境下鸟类时常在输电线路的杆塔或者绝缘子上方筑巢,这种情况严重威胁电网的安全运行。过去我国在线路巡检方面主要采用人工巡检的方式,随着技术的发展,无人机巡检技术就应运而生。无人机巡检过程会拍摄大量图像。目前,国家电网对这些无人机巡检航拍的图像中鸟巢的检测主要还是靠人工进行判断并标记。人工检测方式费时费力,因此有必要研究鸟巢识别的自动检测技术。本文针对高压电力线航拍图像中鸟巢识别的问题,采用深度学习技术进行研究,以达到航拍图像中鸟巢识别的高精度、高效率自动检测。本文构建了含有鸟巢的高压输电线路图像数据集,并对图像数据集进行标注及分类;通过对比多种图像识别算法,选择采用YOLOv3算法,并对YOLOv3进行改进。本文的主要贡献如下:1.构建图像数据集,对数据集中图像的标注框进行聚类处理。改进前YOLOv3中的anchor是根据COCO数据集聚类得出的,该anchor与鸟巢数据集差异大,这样会使得网络拟合速度变慢。为此,本文对鸟巢数据集的标注框进行聚类处理,得到与样本中对象尺寸更接近的anchor,这样就可以减少网络微调anchor到实际位置的难度,从而提高网络拟合的效率。2.对YOLOv3算法的损失函数进行改进。改进前YOLOv3算法的损失函数会导致大目标的误差对整体损失的代价远远小于小目标的误差对整体损失的代价,从而使小目标识别精度不高。航拍图像中鸟巢的检测就会出现类似问题。为此,本文对原始损失函数中的标注框的宽高进行归一化处理,这样就使得网络对大目标与小目标同等对待。相比改进前YOLOv3算法的损失函数,改进后的损失函数能适合各种大目标与小目标。3.数据集类别不平衡性的改进。图像数据集中平均每张图像仅有1.6个鸟巢,存在大量背景,进而导致目标与背景类别不均衡。为此,本文提出将Focal loss算法加入YOLOv3损失函数中,通过加入Focal loss算法不仅能使网络更加专注于鸟巢的训练,提高鸟巢识别的准确率,而且能提高检测速度。4.特征金字塔网络连接层数的改进。为了进一步提升YOLOv3算法对小目标识别的准确率,本文提出两种修改YOLOv3算法中特征金字塔网络连接层数的方案,对比两种修改方案后发现,通过合理的修改低分率、强语义特征和高分率、弱语义特征相结合的结构,可以实现在不减少大目标准确率的情况下提高小目标的识别准确率。5.卷积层的改进。改进前YOLOv3算法经过训练得到的网络权重过大,不适合在无人机上实时运行。为了后续能在无人机上实时运行识别网络,需要在不降低识别准确率的情况下,进一步缩减网络权重的容量。为此,本文将YOLOv3算法中基于ResNet网络的卷积层改成基于DenseNet网络的卷积层。通过修改后的算法训练模型,能在检测时间略微增长的情况下提高识别精度以及缩减权重大小,此外本文发现在无需设置预训练权重的条件下依然能达到很高的精度。实验结果表明:(1)聚类后实验所得平均检测精度(map)最大值以及检测时间都与YOLOv3算法一致,聚类后map曲线图比YOLOv3能更快的达到最大值而且更稳定;(2)损失函数改进后实验所得map从原来的87.8%提高到88.6%,F1 Score(F1)值从0.89提高到0.91,训练时间缩短2.8%;(3)数据集类别不平衡改进后实验所得map提高到89.5%,F1值提高到0.92,检测时间缩小9.7%,训练时间增加7.1%;(4)金字塔网络连接层数改变后实验所得map提高到90.8%,F1值提高到0.96,检测时间增加21.4%,训练时间增加2.7%;(5)卷积层改进后实验所得map提高到91.1%,F1值提高到0.97,权重缩小40%,检测时间增加17.6%,训练时间增加23.4%,在无需设置预训练权重条件下,map为90.8%,F1值为0.95。改进后的算法对比改进前YOLOv3算法,除了检测时间略微增长25%外,其他各项性能指标均优于原始算法。可见,改进后的算法能更好的适应于航拍图像中鸟巢的识别,对无人机在电力巡检中的应用具有重要价值。