趙杰倫，張興忠，董紅月

太原理工大學(xué) 軟件學(xué)院，太原 030024

高壓電力線路巡檢是電力安全管理的核心工作，通過一系列精細(xì)化巡視，及時(shí)消除隱患，為人民的生活和生產(chǎn)用電提供保障[1]。隨著近年來(lái)國(guó)家電網(wǎng)公司對(duì)無(wú)人機(jī)電力巡檢的推進(jìn)，基于巡檢現(xiàn)場(chǎng)照片進(jìn)行關(guān)鍵電力部件與巡檢缺陷的檢測(cè)已成為目前研究的熱點(diǎn)方向[2]，其中檢測(cè)精度是影響技術(shù)落地應(yīng)用的重要指標(biāo)，本文將解決高壓電力復(fù)雜巡檢場(chǎng)景下各類電力部件與巡檢缺陷檢測(cè)精度低的問題，最大限度提升檢測(cè)精度。

2014年以來(lái)基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)迅猛發(fā)展，使得眾多研究者將該技術(shù)應(yīng)用于電力巡檢關(guān)鍵部件及巡檢缺陷檢測(cè)問題。其中，大部分研究者將絕緣子自爆缺陷檢測(cè)作為研究的主要方向，文獻(xiàn)[3]使用Faster R-CNN[4]進(jìn)行絕緣子與絕緣子自爆缺陷的檢測(cè)；文獻(xiàn)[5]在YOLO v3[6]的基礎(chǔ)上增加映射層來(lái)獲取豐富的特征信息，實(shí)現(xiàn)對(duì)絕緣子自爆缺陷的實(shí)時(shí)檢測(cè)；文獻(xiàn)[7]在RFCN[8]網(wǎng)絡(luò)基礎(chǔ)上引入ASDN（adversarial spatial dropout net）模塊，提升對(duì)遮擋絕緣子自爆區(qū)域的檢測(cè)能力。少量學(xué)者針對(duì)鳥巢、多種類關(guān)鍵部件及缺的陷檢測(cè)進(jìn)行研究，文獻(xiàn)[9]在解決鳥巢檢測(cè)問題上將SSD[10]網(wǎng)絡(luò)模型與HSV色彩空間濾波器相結(jié)合；文獻(xiàn)[11]與文獻(xiàn)[12]以Faster R-CNN網(wǎng)絡(luò)為基礎(chǔ)展開針對(duì)鳥巢檢測(cè)的研究，均實(shí)現(xiàn)了較高的檢測(cè)精度。但上述文章只針對(duì)少量類別進(jìn)行檢測(cè)，較難滿足實(shí)際應(yīng)用中對(duì)多類缺陷檢測(cè)的需求。在多類部件及缺陷檢測(cè)方面，文獻(xiàn)[13]在全卷積網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，結(jié)合可形變卷積、特征融合與聚類方法對(duì)絕緣子、防震錘、均壓環(huán)與懸垂線夾四類對(duì)象的缺陷進(jìn)行檢測(cè)，其中11類缺陷的識(shí)別精度達(dá)到83.3%；Zhao等[14]提出一種多特征融合的網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)絕緣子、防震錘、懸垂線夾、絕緣子自爆、防震錘故障及鳥巢六類對(duì)象進(jìn)行檢測(cè)，實(shí)現(xiàn)了83.0%的檢測(cè)精度?？偨Y(jié)以上文章，針對(duì)少類別的檢測(cè)方法擁有較高的檢測(cè)精度但不貼切于當(dāng)前電力應(yīng)用場(chǎng)景，針對(duì)多類別的檢測(cè)方法則在檢測(cè)精度方面難以滿足電力應(yīng)用場(chǎng)景對(duì)檢測(cè)精度的需求。此外，在檢測(cè)方法層面，上述文章在特征有效提取方面未曾引入注意力機(jī)制提升特征的鑒別性，在特征融合方面依舊使用特征圖直接相加的方法，沒有綜合利用不同層次間的語(yǔ)義信息，在特征有效提取與特征融合兩方面有較大改進(jìn)空間。

本文受上述文獻(xiàn)啟發(fā)，針對(duì)高壓電力線路巡檢過程中電力部件及巡檢缺陷檢測(cè)精度較低問題，提出一種超越主流檢測(cè)器的高壓電力部件與巡檢缺陷檢測(cè)方法，主要貢獻(xiàn)如下：（1）將主流目標(biāo)檢測(cè)網(wǎng)絡(luò)用于本文數(shù)據(jù)集，通過對(duì)比實(shí)驗(yàn)得出RepPoints v2[15]網(wǎng)絡(luò)模型在電力部件與巡檢缺陷檢測(cè)問題上檢測(cè)精度最高；（2）針對(duì)RepPoints v2中FPN[16]（feature pyramid networks）結(jié)構(gòu)不能有效提取跨層次間語(yǔ)義信息及分配角點(diǎn)時(shí)忽略FPN各層次特征尺度歸一化的問題，結(jié)合尺度均衡金字塔卷積（scale-equalizing pyramid convolution，SEPC）[17]與高效通道注意力模塊（efficient channel attention，ECA）[18]提出了一種尺度不變特征金字塔結(jié)構(gòu)（scale-invariant feature pyramid networks，SI-FPN），大幅度提升RepPoints v2目標(biāo)檢測(cè)算法精度；（3）本文提出的SI-FPN結(jié)構(gòu)可作為一種獨(dú)立模塊嵌入至其他檢測(cè)網(wǎng)絡(luò)，有效改善目標(biāo)檢測(cè)方法性能，具有一定的通用性。實(shí)驗(yàn)證明，本文方法可實(shí)現(xiàn)高壓電力線路巡檢過程中電力部件及巡檢缺陷的高精度檢測(cè)，并優(yōu)于當(dāng)前主流檢測(cè)方法，為高壓電力線路自主巡檢提供了可靠依據(jù)。

1 RepPoints v2目標(biāo)檢測(cè)算法

1.1 目標(biāo)檢測(cè)算法概述

隨著近期無(wú)錨窗網(wǎng)絡(luò)模型的興起，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法依據(jù)網(wǎng)絡(luò)中是否使用錨窗將網(wǎng)絡(luò)分為基于錨窗（Anchor-based）與無(wú)錨窗（Anchor-free）兩大類。基于錨窗的方法如Fast R-CNN[19]、Faster R-CNN、RetinaNet[20]等，基于無(wú)錨窗的方法如CenterNet[21]、ExtremeNet[22]、RepPoints[23]等。其中無(wú)錨窗的方法解決了錨窗所帶來(lái)的難以識(shí)別尺度變化大的目標(biāo)、訓(xùn)練過程中正負(fù)樣本不平衡以及對(duì)內(nèi)存的高額占用等缺點(diǎn)，是當(dāng)前的主流發(fā)展方向。在無(wú)錨窗的方法中又細(xì)分為基于中心點(diǎn)與基于關(guān)鍵點(diǎn)兩大類?；谥行狞c(diǎn)的方法如YOLOv1[24]、FCOS[25]、CenterNet等，直接檢測(cè)目標(biāo)的中心點(diǎn)，然后回歸出目標(biāo)的邊界信息?；陉P(guān)鍵點(diǎn)的方法如CornerNet[26]、ExtremeNet、RepPoints等，通過預(yù)測(cè)出目標(biāo)的關(guān)鍵點(diǎn)獲取邊界框。基于關(guān)鍵點(diǎn)的方法在檢測(cè)精度上通常略高于基于中心點(diǎn)的方法，但在計(jì)算量上有較大消耗。本文所采用的RepPoints v2目標(biāo)檢測(cè)方法即為當(dāng)前最新的基于Anchor-free的關(guān)鍵點(diǎn)檢測(cè)方法之一。

本文為尋求高壓電力線路巡檢過程中電力部件與巡檢缺陷檢測(cè)精度的最高界限，故將RetinaNet、Faster R-CNN、ATSS等當(dāng)前主流檢測(cè)方法應(yīng)用于電力部件及巡檢缺陷檢測(cè)問題，綜合考量各方法對(duì)于本文問題的適用性。當(dāng)前主流方法的性能對(duì)比結(jié)果見表1所示，通過限定ResNet-50[32]為特征提取網(wǎng)絡(luò)、迭代訓(xùn)練24代以及訓(xùn)練方式三項(xiàng)變量，分析各方法在驗(yàn)證集及測(cè)試集的結(jié)果得出RepPoints v2檢測(cè)方法在解決本文問題上更具優(yōu)勢(shì)，以92.4%的檢測(cè)精度超越其他檢測(cè)方法。故本文在RepPoints v2檢測(cè)方法的基礎(chǔ)上進(jìn)行改進(jìn)，實(shí)現(xiàn)高壓電力部件及巡檢缺陷檢測(cè)精度的最大化。

表1 主流檢測(cè)網(wǎng)絡(luò)性能對(duì)比Table 1 Performance comparison of mainstream detection network

1.2 Rep Points v2網(wǎng)絡(luò)架構(gòu)

RepPoints v2目標(biāo)檢測(cè)方法旨在充分結(jié)合驗(yàn)證與回歸兩種通用預(yù)測(cè)方法的優(yōu)勢(shì)，通過在RepPoints網(wǎng)絡(luò)的基礎(chǔ)上添加驗(yàn)證任務(wù)，提升網(wǎng)絡(luò)檢測(cè)性能。RepPoints v2一方面通過在特征融合階段融合前景驗(yàn)證與角點(diǎn)驗(yàn)證的結(jié)果，改進(jìn)RepPoints回歸目標(biāo)的精度；另一方面RepPoints v2在獲得RepPoints輸出結(jié)果的基礎(chǔ)上結(jié)合角點(diǎn)驗(yàn)證結(jié)果進(jìn)行最終結(jié)果的級(jí)聯(lián)推理，顯式地將驗(yàn)證結(jié)果與回歸的結(jié)果相結(jié)合。

本文尺度不變特征金字塔網(wǎng)絡(luò)即在RepPoints v2目標(biāo)檢測(cè)方法基礎(chǔ)上，針對(duì)FPN結(jié)構(gòu)不能有效提取跨層次間語(yǔ)義信息及分配角點(diǎn)時(shí)忽略FPN各層次特征尺度歸一化的問題提出了一種尺度不變特征金字塔結(jié)構(gòu)SI-FPN，使用SI-FPN替換RepPoints v2中FPN結(jié)構(gòu)。尺度不變特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示，圖中箭頭代表數(shù)據(jù)流動(dòng)方向，輸入圖像通過特征提取網(wǎng)絡(luò)生成尺度不變特征金字塔SI-FPN，之后在SI-FPN的每一層進(jìn)行驗(yàn)證，驗(yàn)證結(jié)束后將驗(yàn)證的結(jié)果與原始特征圖融合以增強(qiáng)特征表示。在回歸目標(biāo)階段，通過RepPoints的回歸方式將融合后的特征圖回歸為一個(gè)點(diǎn)集，即使用9個(gè)點(diǎn)表示對(duì)象。最后結(jié)合角點(diǎn)驗(yàn)證的結(jié)果進(jìn)行級(jí)聯(lián)推理，綜合回歸目標(biāo)、前景驗(yàn)證與角點(diǎn)驗(yàn)證三個(gè)任務(wù)進(jìn)行訓(xùn)練學(xué)習(xí)，得到最終輸出結(jié)果。

在本文方法的驗(yàn)證分支中包含前景驗(yàn)證與角點(diǎn)驗(yàn)證兩部分，見圖1驗(yàn)證分支模塊所示，均在SI-FPN的每一層進(jìn)行驗(yàn)證。前景驗(yàn)證即驗(yàn)證特征映射點(diǎn)是否位于對(duì)象框內(nèi)，該任務(wù)采用非二進(jìn)制分類感知前景熱圖來(lái)判斷每個(gè)點(diǎn)是否位于前景之中，有助于粗粒度的定位。角點(diǎn)驗(yàn)證即檢測(cè)特征圖中每個(gè)點(diǎn)是角點(diǎn)的概率。在角點(diǎn)驗(yàn)證過程中，原RepPoints v2方法沒有根據(jù)目標(biāo)大小分配至FPN的指定特征圖進(jìn)行驗(yàn)證，而是將所有GT（ground truth）角點(diǎn)分配至FPN的各個(gè)層級(jí)進(jìn)行角點(diǎn)驗(yàn)證計(jì)算，忽略了尺度歸一化的問題。本文方法即以此為出發(fā)點(diǎn)，通過所提出的SI-FPN提取跨特征金字塔層級(jí)的尺度不變特征，然后在尺度不變特征上進(jìn)行驗(yàn)證，解決了角點(diǎn)驗(yàn)證時(shí)忽略尺度歸一化的問題。角點(diǎn)驗(yàn)證與主回歸分支所預(yù)測(cè)的定位信息相比，其更關(guān)注局部細(xì)節(jié)，在局部定位的預(yù)測(cè)方面更精準(zhǔn)。本文方法將在改善原RepPoints v2角點(diǎn)驗(yàn)證任務(wù)的同時(shí)，提升FPN對(duì)特征的融合能力，從而改善主回歸分支，提升檢測(cè)精度。

圖1 尺度不變特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Architecture of scale-invariant feature pyramid networks

2 尺度不變特征金字塔結(jié)構(gòu)SI-FPN

本文針對(duì)RepPoints v2目標(biāo)檢測(cè)方法在角點(diǎn)驗(yàn)證過程中將GT分配至FPN的各個(gè)特征層級(jí)時(shí)忽略了尺度歸一化并且尚未針對(duì)FPN進(jìn)一步進(jìn)行特征融合的缺陷，結(jié)合ECA注意力機(jī)制與SEPC尺度均衡金字塔卷積提出了一種尺度不變特征金字塔結(jié)構(gòu)SI-FPN。其中ECA注意力機(jī)制使特征金字塔更關(guān)注相鄰?fù)ǖ赖慕换バ畔?，提升FPN特征的可鑒別性，SEPC尺度均衡金字塔卷積深度融合特征金字塔特征的同時(shí)提取尺度不變特征解決RepPoints v2中忽略尺度歸一化問題，有效提升檢測(cè)精度，使RepPoints v2目標(biāo)檢測(cè)方法更適于電力場(chǎng)景的應(yīng)用。此外，通過將本文SI-FPN結(jié)構(gòu)應(yīng)用至ATSS目標(biāo)檢測(cè)方法，證明了該結(jié)構(gòu)的通用性。

2.1 SEPC尺度均衡金字塔卷積

特征金字塔是解決物體尺度問題的重要手段，在RepPoints v2網(wǎng)絡(luò)中也通過在特征金字塔的各個(gè)層次進(jìn)行回歸與驗(yàn)證解決多尺度檢測(cè)問題，但在角點(diǎn)驗(yàn)證中將GT目標(biāo)分配至FPN的各個(gè)層次時(shí)忽略了尺度歸一化的問題。雖然忽略尺度歸一化的分配策略比在單一尺度特征圖上檢測(cè)性能好，但由于FPN不同層次特征圖之間存在近似性，故造成了大量的無(wú)效計(jì)算。本文即以此為出發(fā)點(diǎn)使用SEPC進(jìn)一步融合特征金字塔跨層次的信息，提取尺度不變特征，解決角點(diǎn)驗(yàn)證過程中忽略尺度歸一化的問題。

SEPC提出了一種跨越尺度和空間維度的三維卷積PConv，并利用可形變卷積將特征金字塔的各層次特征進(jìn)行均衡化，使得PConv可從特征金字塔提取尺度不變特征。PConv的原理圖如圖2所示，F(xiàn)PN各層特征圖上隨著金字塔水平的上升而縮小，存在大小不匹配問題。為了解決大小不匹配PConv在不同層次的特征圖使用不同步長(zhǎng)的卷積核進(jìn)行運(yùn)算。如圖所示為N=3的PConv，在求特定層次結(jié)果時(shí)在其對(duì)應(yīng)層的更高一層使用步長(zhǎng)為0.5的卷積，在其對(duì)應(yīng)層使用步長(zhǎng)為1的卷積，在其對(duì)應(yīng)層的第一層使用步長(zhǎng)為2的卷積，然后將三層結(jié)果相加，融合跨金字塔層次的信息，計(jì)算過程見公式（1）。其中步長(zhǎng)為0.5的卷積被步長(zhǎng)為1的卷積與連續(xù)的雙線性上采樣代替，見公式（2）。

圖2 PConv結(jié)構(gòu)圖Fig.2 Architecture of PConv

PConv的特殊設(shè)置使得它可從高斯金字塔中提取尺度不變特征，但由于特征金字塔中的多層卷積與非線性操作使得特征金字塔的模糊效應(yīng)嚴(yán)重，使得PConv難以在特征金字塔中提取尺度不變特征。SEPC為緩解特征金字塔與高斯金字塔之間的差異，在PConv的基礎(chǔ)上，使用可形變卷積預(yù)測(cè)卷積核在共享核尺度上的偏移量，并在FPN的高層特征圖通過偏移量進(jìn)行均衡。SEPC原理結(jié)構(gòu)圖見圖3所示，PConv在底部特征圖的卷積核被固定為普通的3×3卷積，在高層特征圖上使用可形變卷積，使得特征金字塔的高層特征通過變形偏移進(jìn)行均衡，以此在特征金子塔中提取尺度不變特征。本文尺度不變特征金字塔網(wǎng)絡(luò)即通過SEPC在特征金字塔上提取尺度不變特征，使得RepPoints v2的角點(diǎn)驗(yàn)證過程在尺度不變特征上進(jìn)行，解決其忽略尺度歸一化的問題，提升高壓電力線路巡檢過程中電力部件與巡檢缺陷檢測(cè)的精度。

圖3 SEPC結(jié)構(gòu)圖Fig.3 Architecture of SEPC

2.2 ECA注意力模塊

注意力機(jī)制是改善目標(biāo)檢測(cè)性能的重要方法。ECA注意力機(jī)制解決了SEnet等傳統(tǒng)注意力機(jī)制降維為后續(xù)預(yù)測(cè)帶來(lái)的副作用，旨在獲取通道間的依賴關(guān)系，增強(qiáng)特征的表達(dá)能力。本文在生成特征金字塔的過程中，使用ECA注意力模塊在FPN的最高層增強(qiáng)其通道間的相關(guān)性，并基于該層指導(dǎo)特征金字塔的生成，便于尺度均衡金字塔提取特征金字塔跨層次間的尺度不變特征。ECA注意力模塊結(jié)構(gòu)圖如圖4所示，在不降低維度的情況下輸入特征圖χ進(jìn)行所有通道全局平均池化之后，ECA通過一個(gè)可以權(quán)重共享的1維卷積進(jìn)行學(xué)習(xí)，并在學(xué)習(xí)過程中考慮每個(gè)通道與其k個(gè)近鄰來(lái)捕獲跨通道交互。k代表1維卷積的內(nèi)核大小，通過跨通道信息交互作用的覆蓋范圍（即一維卷積的內(nèi)核大小k）與通道維數(shù)C的正比關(guān)系，得出公式（3），自適應(yīng)確定k的取值，公式中γ=2,b=1，C為通道維數(shù)。

圖4 ECA注意力模塊結(jié)構(gòu)圖Fig.4 Architecture of ECA attention module

2.3 SI-FPN結(jié)構(gòu)

本文為解決RepPoints v2中FPN結(jié)構(gòu)不能有效提取跨層次間語(yǔ)義信息及分配角點(diǎn)時(shí)忽略FPN各層次特征尺度歸一化的問題，結(jié)合SEPC尺度均衡金字塔卷積與ECA注意力機(jī)制提出了一種尺度不變特征金字塔結(jié)構(gòu)SI-FPN，結(jié)構(gòu)圖見圖5所示。輸入圖像通過特征提取網(wǎng)絡(luò)得到C2～C5四層特征圖，F(xiàn)PN層采用RepPoints中P3～P7的設(shè)置，并在最高層次的特征圖C5使用ECA注意力機(jī)制對(duì)特征進(jìn)行通道級(jí)別的增強(qiáng)，指導(dǎo)特征金字塔的生成，有助于緩解特征金字塔的模糊效應(yīng)。最后，特征金字塔通過SPEC尺度均衡化卷積對(duì)特征金字塔的特征進(jìn)行更深層次的融合，見圖5中特征金字塔通過P4、P5與P6最終生成SI-FPN中的P5層，SI-FPN的每層均為從特征金字塔中所提取的融合跨金字塔層次的尺度不變特征。在SI-FPN中，ECA注意力機(jī)制使特征金字塔更關(guān)注相鄰?fù)ǖ赖慕换バ畔?，提升FPN特征的可鑒別性，SEPC尺度均衡金字塔卷積深度融合特征金字塔特征的同時(shí)提取尺度不變特征解決RepPoints v2中忽略尺度歸一化問題。本文使用SI-FPN代替RepPoints中的FPN進(jìn)行回歸與驗(yàn)證，切實(shí)解決RepPoints v2的上述缺陷。經(jīng)消融實(shí)驗(yàn)證明，本文SI-FPN結(jié)構(gòu)可有效提升RepPoints v2的檢測(cè)精度。此外，本文所提出的SI-FPN結(jié)構(gòu)可作為獨(dú)立的模塊加入其他目標(biāo)檢測(cè)網(wǎng)絡(luò)中，通過將SI-FPN結(jié)構(gòu)替換ATSS目標(biāo)檢測(cè)方法中的FPN結(jié)構(gòu)，ATSS目標(biāo)檢測(cè)方法在高壓電力部件與巡檢缺陷檢測(cè)精度上有顯著提升，證明了本文方法的通用性。

圖5 SI-FPN結(jié)構(gòu)圖Fig.5 Architecture of SI-FPN

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集

本文首先對(duì)國(guó)家電網(wǎng)公司無(wú)人機(jī)巡檢過程中所拍攝的現(xiàn)場(chǎng)巡檢照片進(jìn)行采集整理，將圖像統(tǒng)一調(diào)整為3 000×1 700分辨率大小。其次，在巡檢專家指導(dǎo)下使用Labelimg標(biāo)注工具對(duì)整理后的4 189張巡檢圖像進(jìn)行標(biāo)注。該數(shù)據(jù)集共包含六類對(duì)象，分為關(guān)鍵電力部件與巡檢缺陷兩大類。關(guān)鍵電力部件包含絕緣子、防震錘與懸垂線夾三類，見圖6第一列。巡檢缺陷包含絕緣子自爆、防震錘脫落與鳥巢三類，見圖6第二列。六類對(duì)象的統(tǒng)計(jì)信息見表2所示，其中共包含19 121個(gè)目標(biāo)對(duì)象，絕緣子數(shù)量最多，絕緣子自爆缺陷數(shù)量最少，各類對(duì)象整體呈長(zhǎng)尾分布。將數(shù)據(jù)集圖像轉(zhuǎn)至本文網(wǎng)絡(luò)輸入分辨率1 333×800大小后，依據(jù)COCO數(shù)據(jù)集驗(yàn)證方法中對(duì)于對(duì)象大小的定義進(jìn)行統(tǒng)計(jì)，各類對(duì)象的尺度統(tǒng)計(jì)結(jié)果見表2所示。

圖6 高壓關(guān)鍵電力部件與巡檢缺陷圖示Fig.6 Schematic diagram of key power components and inspection defects

表2 數(shù)據(jù)集分布Table 2 Distribution of data set

3.2 實(shí)驗(yàn)環(huán)境與評(píng)價(jià)指標(biāo)

本文實(shí)驗(yàn)環(huán)境采用深度學(xué)習(xí)服務(wù)器，Ubuntu16.04 64位操作系統(tǒng)，NVIDIA GeForce RTX 2080Ti顯卡，Intel i9-9900K CPU，所有實(shí)驗(yàn)均基于mmdetection代碼庫(kù)完成，其中Pytorch采用1.5.0版本，mmcv采用0.6.2版本，CUDA采用10.2版本，CUDNN采用7.6.5版本。

在實(shí)驗(yàn)過程中，將數(shù)據(jù)集按7∶2∶1劃分為訓(xùn)練集、驗(yàn)證集與測(cè)試集三部分，并使用兩塊2080Ti顯卡進(jìn)行訓(xùn)練。在以ResNet-50為特征提取網(wǎng)絡(luò)的實(shí)驗(yàn)中，每塊顯卡啟動(dòng)4個(gè)進(jìn)程，每個(gè)進(jìn)程處理4張圖像，在其余實(shí)驗(yàn)中每塊顯卡啟動(dòng)4個(gè)進(jìn)程，每個(gè)進(jìn)程處理2張圖像。訓(xùn)練過程使用SGD優(yōu)化器進(jìn)行訓(xùn)練，設(shè)置初始學(xué)習(xí)率為0.01，權(quán)重衰減為0.000 1，動(dòng)量為0.9，基本設(shè)置均與RepPoints v2相同。所有實(shí)驗(yàn)中都采用單尺度訓(xùn)練，圖像輸入大小為1 333×800，共訓(xùn)練24個(gè)epoch，學(xué)習(xí)率分別在第16次與第22次迭代時(shí)進(jìn)行衰減。在測(cè)試時(shí)，在1 333×800單一尺度進(jìn)行測(cè)試。

本文采用IOU為0.5時(shí)的AP（average precision）與mAP（mean average precision）作為評(píng)價(jià)指標(biāo)，AP0.5對(duì)于目標(biāo)檢測(cè)在工業(yè)場(chǎng)景的應(yīng)用具有重要意義。AP指PR曲線（Precision-Recall）上精準(zhǔn)度的均值，MAP指每個(gè)類別AP的均值，AP的計(jì)算公式見公式（4）與公式（5），mAP的計(jì)算公式見公式（6）所示。

3.3 消融實(shí)驗(yàn)

消融實(shí)驗(yàn)采用ResNet-50與Resnet-101作為特征提取網(wǎng)絡(luò)測(cè)試本文方法性能，消融實(shí)驗(yàn)結(jié)果見表3所示。通過消融實(shí)驗(yàn)結(jié)果可知，SEPC尺度均衡金字塔分別在以Resnet-50與Resnet-101為特征提取網(wǎng)絡(luò)的RepPoints v2網(wǎng)絡(luò)中提升了1.3個(gè)百分點(diǎn)與1.6個(gè)百分點(diǎn)，ECA注意力機(jī)制均提升了0.5個(gè)百分點(diǎn)，本文所提出的SI-FPN尺度不變特征金字塔結(jié)構(gòu)分別提升了1.7個(gè)百分點(diǎn)與2.0個(gè)百分點(diǎn)。實(shí)驗(yàn)證明本文方法在不同特征提取網(wǎng)絡(luò)條件下，仍可有效提升目標(biāo)檢測(cè)精度，證明了該方法的有效性。

表3 消融實(shí)驗(yàn)結(jié)果Table 3 Results of ablation experiments

3.4 主流目標(biāo)檢測(cè)方法對(duì)比

本文通過在RepPoints v2架構(gòu)下，將所提出的SI-FPN尺度不變特征金字塔結(jié)構(gòu)替換原先的FPN特征金字塔結(jié)構(gòu)，實(shí)現(xiàn)高壓電力線路巡檢過程中電力部件及巡檢缺陷的高精度檢測(cè)。通過將當(dāng)前主流目標(biāo)檢測(cè)方法使用本文數(shù)據(jù)集進(jìn)行訓(xùn)練，得到的對(duì)比結(jié)果見表4所示，其中各檢測(cè)方法均使用性能最高的特征提取網(wǎng)絡(luò)。本文方法以ResNeXt-101+DCN[33]為特征提取網(wǎng)絡(luò)，AP0.5達(dá)到96.3%，超越所有主流目標(biāo)檢測(cè)方法，證明了本文方法對(duì)電力部件及巡檢缺陷檢測(cè)問題的適用性。

表4 主流目標(biāo)檢測(cè)方法性能對(duì)比Table 4 Performance comparison of mainstream object detection methods

本文方法的訓(xùn)練過程損失變化圖像見圖7所示，總損失loss由前景驗(yàn)證損失loss_sem、偏移損失loss_offset、角點(diǎn)驗(yàn)證損失loss_heatmap、第一段定位損失loss_pts_init、精煉后的定位損失loss_pts_refine、與分類損失loss_cls構(gòu)成。該方法共訓(xùn)練24個(gè)epoch，每個(gè)epoch訓(xùn)練733代，共迭代17 592次，各損失在訓(xùn)練過程中平穩(wěn)收斂。訓(xùn)練過程AP0.5變化圖見圖8所示，隨著訓(xùn)練的進(jìn)行，AP0.5指標(biāo)穩(wěn)步上升，最終達(dá)到96.3%，檢測(cè)結(jié)果見圖9。

圖7 訓(xùn)練過程損失曲線Fig.7 Loss curve during training

圖8 訓(xùn)練過程AP0.5曲線Fig.8 AP0.5 curve during training

圖9 檢測(cè)結(jié)果圖像Fig.9 Result image of detection

3.5 擴(kuò)展至其他目標(biāo)檢測(cè)網(wǎng)絡(luò)

擴(kuò)展實(shí)驗(yàn)將本文SI-FPN結(jié)構(gòu)擴(kuò)展至ATSS目標(biāo)檢測(cè)方法中，替換其本身的FPN結(jié)構(gòu)，實(shí)驗(yàn)結(jié)果見表5所示。本文方法在以Resnet-50為特征提取網(wǎng)絡(luò)的ATSS檢測(cè)網(wǎng)絡(luò)中，在驗(yàn)證集結(jié)果有效提升1.8個(gè)百分點(diǎn)，在測(cè)試集提升2.1個(gè)百分點(diǎn)，證明了本文方法的通用性。

表5 擴(kuò)展至其他目標(biāo)檢測(cè)方法Table 5 Extended to other object detection methods

4 結(jié)語(yǔ)

本文針對(duì)現(xiàn)有目標(biāo)檢測(cè)算法對(duì)于高壓電力復(fù)雜巡檢場(chǎng)景下各類電力部件與巡檢缺陷目標(biāo)檢測(cè)精度較低問題，將RetinaNet、ATSS、Free Anchor、RepPoints v2等11種當(dāng)前主流目標(biāo)檢測(cè)模型用于電力部件與巡檢缺陷檢測(cè)問題，對(duì)比得到檢測(cè)精度最高的RepPoints v2檢測(cè)模型。綜合分析RepPoints v2在FPN特征融合以及將GT角點(diǎn)分配至FPN各個(gè)層級(jí)特征圖忽略尺度歸一化的問題，結(jié)合SEPC尺度均衡金字塔與ECA注意力機(jī)制提出了SI-FPN尺度不變特征金字塔結(jié)構(gòu)，在RepPoints v2檢測(cè)方法中穩(wěn)定提升1.9個(gè)百分點(diǎn)。本文尺度不變特征金字塔網(wǎng)絡(luò)以ResNeXt-101+DCN進(jìn)行特征提取，實(shí)現(xiàn)了96.3%的檢測(cè)精度，超越當(dāng)前主流檢測(cè)模型。實(shí)驗(yàn)最后將SI-FPN用于ATSS目標(biāo)模型，相比基準(zhǔn)有1.8個(gè)百分點(diǎn)的提升，證明了該本文方法的有效性，證得本文所提出的SI-FPN可作為一種獨(dú)立的結(jié)構(gòu)改善目標(biāo)檢測(cè)網(wǎng)絡(luò)性能。下一步將深入研究模型推理技術(shù)，使本文方法在精度不下降的條件下，進(jìn)一步加快推理速度，使之更適用于電力應(yīng)用場(chǎng)景。