第八届挑战赛B1-基于Mask R-CNN及Yolov4的电力巡检中绝缘子缺陷研究

绪论

• 研究背景：输电线路长期受恶劣环境影响易出现缺陷，传统人工巡检存在效率低、危险性高等问题，无人机搭载高分辨率相机进行巡检成为趋势。
• 国内研究现状：已有基于传统图像识别和深度学习方法的研究，但仍有改进空间。
• 研究目标及流程：
  • 目标：分割绝缘子串珠图像，识别定位绝缘子自爆区域。
  • 流程：
    • 绝缘子串珠分割：
      • 数据预处理：图像分类、数据增强、图像分割、归一化图像大小。
      • 基于Mask R-CNN进行分割，训练并分析结果，Dice系数为0.83。
    • 绝缘子自爆区域识别与定位：
      • 数据集制作：图像预处理、样本标记及分类。
      • 基于Yolo-v3和Yolo-v4进行识别与定位，对比分析，Yolo-v4平均IOU为0.825439，识别率为99%。

数据预处理

• 采用图像分割、图像金字塔、数据增强等方法对40张无人机航拍高分辨率图像进行预处理，以适应神经网络模型训练需求。

绝缘子串珠图像分割

• 采用Mask R-CNN进行分割，构建深度学习算法并搭建检测平台。
• 训练样本制作：图像分类、数据增强、图像分割、归一化图像大小，使用via 2.08和Labelme工具进行标记。
• 训练过程：使用预训练模型mask_rcnn_coco.h5，调整参数如学习率，训练至loss函数收敛。
• 训练结果分析：
  • 方案一：直接使用高分辨率原图进行检测，Dice系数为0.47，效果不佳。
  • 方案二：等分割后进行检测，Dice系数为0.83，效果较好。

绝缘子自爆区域识别与定位

• 数据集制作：对35张原始图像进行预处理，使用Labelme工具进行标记，按VOC格式制作标签。
• 基于Yolo-v3：
  • 网络结构：Darknet-53为主干网络。
  • 训练过程：使用预训练模型，调整参数如batch、subdivisions，训练至loss函数收敛。
  • 训练结果分析：Mean AP为92.2%，平均IOU为0.819022。
• 基于Yolo-v4：
  • 网络结构：CSPDarknet53为主干网络，配合SPP模块、PANet通道融合等改进措施。
  • 训练过程：使用预训练模型，调整参数如batch、subdivisions，训练至loss函数收敛。
  • 训练结果分析：Mean AP为94.7%，平均IOU为0.825439。
• Yolo-v3与Yolo-v4结果对照：Yolo-v4在AP和IOU方面均优于Yolo-v3。
• 小目标预测策略：
  • 高分辨率图像直接预测：效果不佳。
  • 等比例分割：存在自爆区域被分割的问题。
  • 滑动窗口及NMS：有效避免小目标识别问题，取得优异效果。

总结与展望

• 核心观点：使用神经网络进行电力巡检具有良好应用价值，Mask R-CNN和Yolo-v4的研究方法对绝缘子分割和识别有一定研究价值。
• 关键数据：
  • Mask R-CNN Dice系数：0.83。
  • Yolo-v3 Mean AP：92.2%，平均IOU：0.819022。
  • Yolo-v4 Mean AP：94.7%，平均IOU：0.825439。
• 研究结论：
  • Mask R-CNN能有效分割绝缘子串珠。
  • Yolo-v4在绝缘子自爆区域识别与定位方面优于Yolo-v3。
  • 滑动窗口及NMS能有效识别小目标。
• 局限性：
  • Mask R-CNN模型运算量大，未进行多模型比对。
  • 数据集样本泛化度较高，存在误判风险。
  • 数据集数量有限，未与其他R-CNN算法进行比较。
• 展望：
  • 尝试多种模型比对或优化Mask R-CNN模型。
  • 控制数据集样本特征相似性，降低误判风险。
  • 增加数据集数量，提高模型泛化能力。
  • 将Yolo-v4与其他R-CNN算法进行比较。