随着电力系统的迅速发展，输电线路的区域不断扩大。输电线路对广大人民群众的生产生活有着较大的影响，而绝缘子作为输电线路中的重要组成部分，可以起到电气绝缘和导线连接的作用，广泛应用于高压输电线路，但由于所处环境较为恶劣，可能引起绝缘子破损、自爆等故障，对电力系统安全稳定运行构成了极大威胁[1]。为了保证电力系统安全运行，必须对输电线路进行定期的维护与检修[2]。

当前，在国内大多数地方，电力巡检的方法都很陈旧，主要以人工巡检为主[3]。这种巡检方式不仅存在漏检现象，还要求巡检人员具备丰富的经验，严重耗费人力物力资源，已经不适应当今电网公司错综复杂的输电线路形势与发展。此外，由于庞大的数据量，单纯依靠人工识别效率较低，且容易出现差错。

近几年，由于深度学习在人工智能中的兴起，高压输电系统使用无人机进行巡检日趋成熟[4]，以更高效安全的方法进行高电压监控，在提高输电线路巡检效率的同时，还能降低检修人员的工作危险性[5]。

对于绝缘子缺陷检测，目前常用的两种深度学习方法分别是双阶段检测器和单阶段检测器。双阶段检测器的基本思路是采用两个步骤进行检测：先产生一个有潜在对象的候选区，再根据各候选区的特征进行分级和校正。双阶段检测器的典型模型有：Faster R-CNN[6]、Fast R-CNN[7]、R-CNN[8]等。单阶段检测器是一种只需进行一次特征提取即可完成的方法。单阶段检测器的代表模型主要有YOLO[9](You Only Look Once）系列、SSD[10](Single Shot Multibox Detector）系列等。

基于深度学习的目标检测技术：文献[11]利用改进的Faster R-CNN网络进行绝缘子检测，但仅检测正常绝缘子类别，并没有进行绝缘子缺陷的检测。文献[12]采用改进的Faster R-CNN模型进行绝缘子检测，其准确率较高，但检测效率较低。文献[13]提出了一种基于YOLOv5的绝缘子故障诊断方法，该方法由于检测准确率的增加而使检测速率下降，无法达到实时检测的目的。

因此，利用航拍图像和深度学习技术对绝缘子进行故障诊断具有广阔的应用和研究价值，但上述模型由于网络结构复杂、计算量大，很难对故障进行实时检测。本文将轻量级Ghost-BottleNeck[14]结构中的深度可分离卷积融合到YOLOX[15]的主干特征提取网络中，有效减少模型参数；将BiFPN(Bidirectional Feature Pyramid Network)[16]简化为三输入的网络结构，引入到YOLOX的加强特征提取网络中，在不增加成本的情况下，加强多尺度特征融合，保证网络的检测精度。与原有YOLOX相比，该算法在保证高准确率的前提下，能够很好地满足绝缘子故障检测的实时性要求。

1、YOLOX算法

YOLOX算法是2021年提出的高性能检测器，其网络结构主要由四个部分构成，分别为输入端、主干特征提取网络CSPDarknet、加强特征提取网络FPN(Feature Pyramid Network）以及预测网络。

输入端将图片处理为640×640×3的大小，以提升网络训练效果。主干特征提取网络CSPDarknet使用了Focus、Resblock body等结构，Focus结构通过对图片进行切片操作，在图片中每隔一个像素点取一个值，从而将宽高信息都集中到通道空间，防止信息丢失。Resblock body结构主要由CSPLayer、CBS和SPP结构构成，CBS由Conv、BN、SiLU三部分组成，CSPLayer结构借鉴了CSPNet的网络结构，该方法采用卷积和X个残差部件进行分割，然后在主干上连续地进行残差块的叠加，其余的类似残差边通过少量处理而最终完成。在加强特征提取网络部分，通过利用特征金字塔FPN+PAN结构将强语义特征和强定位特征进行融合。在最后的预测网络部分，通过无锚点方式（Anchor-free）减少预测结果数量，完成初步筛选，再利用SimOTA算法对预测结果进行精细化筛选，得到最终的预测结果。

YOLOX网络结构如图1所示。

图1 YOLOX网络结构  

2、理论基础

2.1 BiFPN模块

BiFPN是一种加权双向特征金字塔结构，在BiFPN中，对输入的图像进行上、下采样和重叠处理，得到5个特征。在实际的网络构建中，基于对特性的需求，可以把BiFPN看成是一个具有多重迭代的特征网络层[16]。

YOLOX中特征金字塔网络（FPN）是识别不同目标尺寸的基本组成部分，但其传统的自上而下结构不可避免会受到单向信息流限制。为了解决这个问题，YOLOX中采用路径聚合网络（Path Aggregation Network,PANet）增加了一条自下而上的聚合路径，精度更高，但也导致参数量和计算量加大。

因此，本文选用的双向特征金字塔网络BiFPN在PANet结构的基础上，首先删去只有一条输入边的节点，因为这些节点对融合不同特征的特征网络贡献较小，以此产生一个简化的双向网络；其次在属于同一层级的输入、输出节点间增加横向连接，从而能够在不增加成本的情况下融合更多特征；最后利用快速规范化融合为不同分辨率的特征增加权重，而不是统一调整到相同分辨率再相加，打破重要性平衡，让网络能够学习到不同分辨率的特征。

2.2 深度可分离卷积

在轻量级网络算法中，一般采用深度可分离卷积方法，其参数数量及计算成本均低于传统的卷积运算。其关键在于把整个卷积操作分为两个阶段：逐通道卷积与逐点卷积[17]。假定x×y×z为输入图像大小。首先对各通道进行逐条卷积，并对各通道进行一次单卷积运算，卷积核大小为k×k×1，个数为输入图像通道数；其次，采用大小为1×1×z的卷积核对输出特征图进行逐点卷积。假设一共有R个这样的卷积核，则输出图像大小为X×Y×R。

传统卷积参数量表达式[18]为：

深度可分离卷积参数量公式为：

深度可分离卷积与传统卷积的参数量比值公式为：

由于R值和k值都大于1，所以r值不超过1，因此深度可分离卷积的参数量比常规卷积要少，运算量也比常规卷积低。

3、改进的YOLOX算法

目前目标检测算法已广泛应用于无人机进行电力巡检，但由于较大的计算量，不利于部署在无人机上，且检测速度也得不到满足。针对绝缘子的故障诊断问题，提出一种基于改进YOLOX的绝缘子故障诊断方法，模型如图2所示。

图2 改进后的YOLOX网络结构   

本文对该模型的主要改进为：将深度可分离卷积、激活函数ReLU与主干网络中Bottleneck结构组合成新的特征提取网络；引入简化BiFPN融合更多有效特征，减少计算量的同时保持检测精度。

3.1 主干特征提取网络

YOLOX的主干特征提取网络为CSPDarknet，其主要特点是采用CSPNet网络结构将原始残差块的堆叠拆分为两个部分，主干部分用于残差块的堆叠；另外一部分相当于残差边，经过少量处理连接到末端。其中残差块堆叠部分主要使用Bottleneck结构，在主干部分采用两次卷积和批量归一化运算，并将其添加到输入中。本文将深度可分离卷积引入到Bottleneck结构，当要对特征层的宽高进行压缩时，设置其步长为2。首先对输入的特征图利用1×1卷积进行通道的缩减，获得一个特征浓缩。用深度可分离卷积进行逐层卷积，获得额外的特征图，再由激活函数ReLU进行非线性化操作。最后将1×1卷积的结果与逐层卷积的结果进行堆叠。采用深度可分离卷积后，使运算量和参数量降低至1 4，大大加快了检测的时间[19]。

3.2 加强特征提取网络

对于YOLOX主干网络部分，对中间层、中下层和底层这三个特征层进行特征提取，并引入BiFPN增强该特征的融合能力。但是因为BiFPN要求5个输入特征层，为了减少计算量和适应YOLOX网络，所以将BiFPN网络简化为3个输入特征层。简化后网络结构如图3所示。

图3 BiFPN简化后网络结构  

最终的BiFPN融合了双向跨尺度连接和快速归一化融合。这里将中间一层作为一个例子，其融合特征描述为[16]:

式中：P2td是自底向上路径第二级的中间特征；P2out是自顶向下路段第二级的输出特征。所有其他特性都以类似的方式构建。此外，为了进一步提高效率，使用深度可分离卷积进行特征融合，并在每次卷积后加入批量归一化和激活函数。

4、结果与分析

4.1 实验平台

实验基于Windows 10、Python 3.7.11和TensorFlow2.0搭建的深度学习框架，与实验有关的硬件和模型参数如表1所示。改进后的YOLOX可以自适应缩放图像，选择像素大小为640×640×3的图片作为输入，并获得与检测比例相同大小的特征映射。用随机划分的训练数据集在冻结主干情况下训练，初始学习率设置为0.001，训练批量为4，进行50次的迭代。解冻以后训练初始学习率为0.000 1，每次传入模型的数量为4，训练轮次为50次。

表1 实验相关硬件配置和模型参数 

4.2 实验数据集

本文实验采用数据集主要来源于实验拍摄图片与公开绝缘子故障数据集[20]相结合，该数据集共有2种类别：正常绝缘子（insulator）和存在缺陷的绝缘子（defect）。缺陷绝缘子为合成图像，分为正常绝缘子624张和带缺陷的绝缘子248张两部分。部分数据可视化结果如图4所示。

图4 部分数据可视化   

该数据集缺陷绝缘子类别数量为248，正常绝缘子类别数量为1 073。可见存在缺陷的绝缘子类别数量仅为正常绝缘子的23.1%，出现次数较少，导致数据类别分布不均衡。因为很难学习到类别较少的特征信息，导致最后神经网络的准确性和泛化能力较差。要确保网络模型的准确性，就需要对数据进行均衡处理，即有效地扩充defect的样本，使数据集中两种类别的出现频率趋于均衡。

本文通过数据增强使数据集的类别数量分布更趋于均衡，对存在缺陷的绝缘子图片进行随机大小缩放、色域变换、镜像变换、模糊、旋转、添加椒盐噪声、添加高斯噪声、重新组合颜色通道操作得到新的图片。变换示例如图5所示。

图5 数据增强示例   

数据增强后，数据集所含图片为1 096张，目标数量为1 569个。数据增强后的数据集已达到较为理想的均衡程度，defect出现次数为496次，insulator出现次数为1 073次，具体如表2所示。

表2 均衡化后的类别数量  

4.3 评价指标

为了验证模型的性能，本研究采用预测精度（mAP）、模型参数量（Parameters）、模型体积（Model Volume）、检测速度（FPS）四个指标进行评价。计算公式如下[21]:

式中：C是检测的类别数，这里采用C=2;mAP是所有检测类别的平均精度AP的平均值，该值越高，检测效果越好。

AP是PR曲线下面积，以召回率（recall）为横轴，准确率（precision）为纵轴。precision、recall的计算公式为[22]:

式中：TP、FP、FN的意义分别为真阳性、假阳性、假阴性数。将每秒处理图片的帧数作为目标检测速率评价指标，该值越大则目标检测速率越快。

4.4 网络训练

该算法训练过程基于迁移学习[23]，首先将该模型的主干冻结，从而提高训练的效率，迭代次数为50次，迭代批量为4，学习率初始值设置为0.001；解冻阶段迭代次数为100，网络结构发生变化，初始学习率为0.000 1。如图6所示，在迭代10次以后，训练损失与验证损失下降趋势较为同步，且平稳地位于验证集曲线上方。虽然在解冻训练时，训练损失值和验证损失值都有大幅增加，但经过2至3次迭代后，损失值降到解冻前的状态缓慢减少，依然处于比较理想的状态，能很好地进行网络训练。

图6 训练损失函数曲线   

4.5 消融实验

为了验证模块混合使用对模型性能的影响，进行消融实验，具体如表3所示。

表3 消融实验结果对比  

用未作任何改进的原始YOLOX为基准，“+”表示模块混合改进。经过训练后可知，原始YOLOX的平均检测精度、参数量、计算量和检测速度分别为99.08%、34.3 MB、26.64 GFLOPs和3.83 f/s。以此为基准，比较改进方法的有效性。用深度可分离卷积、ReLU激活函数与主干特征提取网络组合，与原网络相比，参数量为原来的87.5%，网络计算量降低12.7%，降低了模型存储容量，达到了模型轻量化的效果；为了减少模型参数降低对检测精度的影响，将加强特征提取网络替换为简化后的BiFPN，在检测精度得到保证的同时，FPS增加16.2%。综合来看，还是两处一起改进效果最佳，参数量达到了所有方案中最优的22.0 MB，并且在同一硬件设备情况下，检测速度FPS较基准网络提升了13.8%，在保证检测精度的同时提高了模型的检测速度，进一步验证了改进方案的可行性。消融实验对比结果如图7所示。

图7 消融实验检测对比图  

5、结论

本文提出基于简化BiFPN和深度可分离卷积改进的YOLOX绝缘子故障检测方法。引入深度可分离卷积对主干特征提取网络进行优化，降低YOLOX卷积神经网络的计算成本，计算量较原网络减少3.38 GFLOPs；利用简化后的BiFPN模块将YOLOX算法中的加强特征提取网络进行替换，减少网络的参数量，提高检测速度，参数量减少28.0%；将两处改进结合起来，平均精度均值可达到99.64%，具有较高的准确性，模型计算量为原网络的73.8%，提高了网络运算速度。综合考虑速度和精度，具有较高的应用价值，为后续的智能化电力巡检提供了参考。

参考文献:

[1]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.

[2]韩冰,尚方.面向无人机输电线路巡检的电力杆塔检测框架模型[J].浙江电力,2016,35(4):6-11.

[5]周宏辉,汪从敏,江炯,等.基于地理信息系统的输电线路无人机巡检管理平台研究与实现[J].浙江电力,2018,37(12):32-37.

[11]易继禹,陈慈发,龚国强.基于改进Faster RCNN的输电线路航拍绝缘子检测[J].计算机工程,2021,47(6):292-298.

[12]马耀名,张雨.基于改进Faster-RCNN的绝缘子检测算法[J].计算机应用,2022,42(2):631-637.

[13]王年涛,王淑青,黄剑锋,等.基于改进YOLOv5神经网络的绝缘子缺陷检测方法[J].激光杂志,2022,43(8):60-65.

[17]温博阁.基于深度可分离卷积的多目标追踪神经网络研究[J].大连交通大学学报,2021,42(5):111-114.

[18]唐政,张会林,马立新,等.轻量级网络算法对输电线路上异物目标的识别[J].电子科技,2023,36(4):71-77.

[19]蔡舒平,孙仲鸣,刘慧,等.基于改进型YOLOv4的果园障碍物实时检测方法[J].农业工程学报,2021,37(2):36-43.

基金资助:国家自然科学基金资助项目(62163021);

文章来源:邓伟,王洪亮.改进YOLOX的绝缘子故障实时检测方法[J].现代电子技术,2023,46(21):166-171.