輸電線路覆冰導(dǎo)線Mask R-CNN圖像識別與分割

郝艷捧，張偉勛，梁葦，王信媛，何錦強(qiáng)，廖永力，趙林杰，陽林

(1.華南理工大學(xué) 電力學(xué)院，廣東 廣州 510641;2.南方電網(wǎng)科學(xué)研究院有限責(zé)任公司，廣東 廣州 510663)

架空輸電線路在冬季濕度大、氣溫低的中高海拔地區(qū)、山地時(shí)容易覆冰。我國是世界上架空輸電線路覆冰最為嚴(yán)重的國家之一。嚴(yán)重覆冰會導(dǎo)致輸電線路機(jī)械和電氣性能急劇下降，引起絕緣子閃絡(luò)、線路跳閘、斷線、倒塔、導(dǎo)線舞動和通信中斷等事故[1]。同時(shí)，輸電線路發(fā)生冰害事故時(shí)，氣候惡劣，冰雪封山，交通受阻，通信中斷，搶修困難，常常造成長時(shí)間大面積停電，帶來巨大的經(jīng)濟(jì)損失和嚴(yán)重的社會影響[2]。

南方電網(wǎng)管轄的云南、貴州、廣東、廣西省級電網(wǎng)和超高壓輸電公司，國家電網(wǎng)管轄的華北、華東、華中、山西、湖南、四川和福建等地區(qū)電網(wǎng)均建立了輸電線路覆冰監(jiān)測系統(tǒng)[1-5]。圖像監(jiān)測是利用安裝在輸電線路鐵塔上的攝像裝置拍攝桿塔、絕緣子、導(dǎo)線現(xiàn)場覆冰圖像，通過商用網(wǎng)絡(luò)遠(yuǎn)程傳送至主站，以了解線路覆冰情況。圖像監(jiān)測解決了人工巡線受地形環(huán)境、天氣狀況影響大，效率低，工作量大，復(fù)巡周期長等問題[6]。

對覆冰監(jiān)測圖像除了人工定性分析，還可以進(jìn)行圖像分析。圖像分析對圖像中感興趣的目標(biāo)進(jìn)行提取和分割，獲得目標(biāo)的客觀信息(特點(diǎn)或性質(zhì))，建立對圖像的描述[7]。

傳統(tǒng)的圖像分割有灰度閾值法、邊緣檢測算子、霍夫變換、區(qū)域法、圖論法和聚類法等[7]。這些方法基于單張圖像的灰度、顏色、紋理、形狀、邊緣等圖像特征，提出了覆冰導(dǎo)線的圖像分割和覆冰厚度計(jì)算方法，在覆冰監(jiān)測系統(tǒng)建立初期高質(zhì)量覆冰圖像較少時(shí)發(fā)揮了作用，但需要截取原始圖像提高導(dǎo)線占比，沒有研究泛化能力等問題。隨著覆冰監(jiān)測系統(tǒng)圖像數(shù)據(jù)的積累和監(jiān)測終端規(guī)模的擴(kuò)大，以及覆冰線路直升機(jī)和無人機(jī)巡檢等新技術(shù)的應(yīng)用，覆冰導(dǎo)線圖像數(shù)量劇增，面向龐大圖像數(shù)量的機(jī)器學(xué)習(xí)等覆冰導(dǎo)線人工智能技術(shù)顯示了更高的圖像分割泛化能力和效率[8]。

2014年瞬態(tài)光學(xué)與光子學(xué)國家重點(diǎn)實(shí)驗(yàn)室用匹配濾波器和一階高斯導(dǎo)數(shù)識別候選線段并拼合成直、彎導(dǎo)線，對160張圖像和一段視頻圖像進(jìn)行圖像分割，單張圖像分割時(shí)間0.93 s，召回率僅38.96%，漏檢率較高[9]。2014年北京航空航天大學(xué)提出一種基于桿塔與導(dǎo)線空間相關(guān)性的單向空間映射識別導(dǎo)線的方法，該方法將導(dǎo)線和桿塔之間的空間關(guān)系與其他線路特征作為輸入，集成到貝葉斯框架中，用檢測桿塔的方式來檢測導(dǎo)線[10]，但無法識別無桿塔圖像中的導(dǎo)線。2019年安徽大學(xué)提出基于整體嵌套邊緣檢測(holistically-nested edge detection，HED)網(wǎng)絡(luò)的導(dǎo)線分割方法，用Labelme軟件對200多張輸電線路圖像中的導(dǎo)線人工分割標(biāo)注，通過人工裁剪和數(shù)據(jù)增強(qiáng)方式形成訓(xùn)練集1 500張圖像、驗(yàn)證集500張圖像，實(shí)現(xiàn)導(dǎo)線自動分割[11]。2021年韓國的H. Choi結(jié)合深度學(xué)習(xí)和直線分類拼接的方法對導(dǎo)線的部分區(qū)域進(jìn)行無人機(jī)巡檢預(yù)警[12]。

傳統(tǒng)的深度學(xué)習(xí)僅關(guān)注高維特征，而監(jiān)測圖像中導(dǎo)線較小，高維特征不足，因此識別效果不佳。掩膜卷積神經(jīng)網(wǎng)絡(luò)(mask region convolutional neural network，Mask R-CNN)用特征金字塔網(wǎng)絡(luò)(feature pyramid network，F(xiàn)PN)結(jié)構(gòu)融合高維和低維特征，Mask R-CNN特有的RoI Align可以精確地分割導(dǎo)線邊緣，為進(jìn)一步研究導(dǎo)線覆冰形態(tài)、覆冰程度提供技術(shù)基礎(chǔ)。

基于深度學(xué)習(xí)的目標(biāo)檢測是一種數(shù)據(jù)驅(qū)動的智能學(xué)習(xí)型算法，能夠自動學(xué)習(xí)到可進(jìn)行有效定位和分類的深度特征[13-15]。而基于深度學(xué)習(xí)的方法需要大量數(shù)據(jù)，數(shù)據(jù)較少或缺失則無法達(dá)到預(yù)期效果。現(xiàn)在輸電線路圖像數(shù)據(jù)已經(jīng)得到大量擴(kuò)充，但仍存在數(shù)據(jù)質(zhì)量難以保證、專家經(jīng)驗(yàn)與訓(xùn)練樣本融合度不高等問題。華南理工大學(xué)提出在電力設(shè)備狀態(tài)分析數(shù)據(jù)庫建設(shè)過程中應(yīng)制訂一系列數(shù)據(jù)處理及質(zhì)量評價(jià)標(biāo)準(zhǔn)，提升數(shù)據(jù)可用性和易用性[16]。目前在電力領(lǐng)域尚無可用的圖像數(shù)據(jù)集來推動深度學(xué)習(xí)的應(yīng)用，建立圖像數(shù)據(jù)集的難點(diǎn)在龐大的標(biāo)注量上[17]。目前電力設(shè)備圖像數(shù)據(jù)集較少，一般的深度學(xué)習(xí)方法也由于數(shù)據(jù)不足而無法得到充分訓(xùn)練[18-19]。

本文基于南方電網(wǎng)架空線路覆冰預(yù)警系統(tǒng)中2014—2018年監(jiān)測數(shù)據(jù)，提出圖像數(shù)據(jù)清洗規(guī)則和人工標(biāo)注規(guī)則，對圖像進(jìn)行人工質(zhì)量評估、分類標(biāo)注及分割標(biāo)注，建立南方電網(wǎng)輸電線路覆冰圖像數(shù)據(jù)集，提出基于Mask R-CNN的導(dǎo)線分割方法。通過數(shù)據(jù)集對Mask R-CNN進(jìn)行訓(xùn)練，研究多種背景下輸電線路覆冰導(dǎo)線的人工智能圖像分割。

1 Mask R-CNN

Mask R-CNN由殘差神經(jīng)網(wǎng)絡(luò)Resnet與FPN、區(qū)域候選網(wǎng)絡(luò)(region proposal network，RPN)、RoI Align層、分類任務(wù)分支、目標(biāo)框預(yù)測分支與掩膜預(yù)測分支等構(gòu)成[20-21]。

1.1 Resnet和FPN

Resnet屬于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)。CNN通過卷積、激活、池化等進(jìn)行圖像特征提取，卷積操作的輸出稱為特征圖。多通道圖像卷積原理如圖1所示。

圖1 多通道圖像卷積過程

將原始圖像分為紅、綠、藍(lán)3個(gè)通道，預(yù)設(shè)尺寸的卷積核通過步長S在各通道圖像中滑動并進(jìn)行卷積處理，卷積處理過程為：

Qj=b+∑WiXi,j.

(1)

式中：Qj為一個(gè)通道對應(yīng)的特征圖中第j個(gè)像素的值；Wi為卷積核中第i個(gè)元素的權(quán)重；Xi,j為原始圖像一個(gè)通道中的卷積核在第j次滑動后第i個(gè)像素的值；b為偏置，1個(gè)卷積核對應(yīng)1個(gè)偏置。

在卷積過程中卷積核尺寸可能與圖像區(qū)域尺寸不符，因此需要在原始圖像外圍添加像素值為0的行和列以擴(kuò)大圖像尺寸，該操作稱為零填充操作。輸出特征圖尺寸計(jì)算式為：

(2)

式中：W2、H2、D2分別為輸出特征圖的寬、高、深度；W1、H1分別為輸入的寬、高；F為卷積核尺寸；C為零填充的行列數(shù)；K為卷積核個(gè)數(shù)。

通過非線性激活函數(shù)對特征圖進(jìn)行激活處理，通常使用修正線性單元(rectified linear unit，ReLU)作為非線性激活函數(shù)，其表達(dá)式為

R(x)=max(0,x).

(3)

式中x為特征圖的像素值。

激活減少了關(guān)聯(lián)性較差的特征，激活后對特征圖進(jìn)行池化，即對特征圖中指定區(qū)域進(jìn)行非極大值抑制，逐漸降低特征圖空間尺寸，減少網(wǎng)絡(luò)參數(shù)數(shù)量，有效控制過擬合。

一般來說，網(wǎng)絡(luò)層數(shù)越深就越好擬合輸入與輸出的關(guān)系。然而，傳統(tǒng)CNN在深度較深時(shí)，由于梯度消失，網(wǎng)絡(luò)的性能反而變差。而Resnet很好地解決了梯度消失問題，Resnet由殘差塊組成，殘差塊結(jié)構(gòu)如圖2所示。其主要思想是通過恒等映射(F(x)=x)，保證深層的擬合效果至少不弱于淺層。將原網(wǎng)絡(luò)的輸出從F(x)變?yōu)镠(x)=F(x)+x，保證輸出不弱于輸入，使網(wǎng)絡(luò)在輸入的特征基礎(chǔ)上學(xué)習(xí)到新的特征。

圖2 殘差塊結(jié)構(gòu)

以導(dǎo)線圖像為例，其FPN結(jié)構(gòu)如圖3所示，最下層為包含導(dǎo)線的原始圖像。傳統(tǒng)的特征提取過程中，網(wǎng)絡(luò)自下而上卷積，只使用最上層特征圖進(jìn)行預(yù)測，這種只關(guān)注高維信息的方法導(dǎo)致無法檢測小物體。FPN加入了自上而下的上采樣過程及橫向連接，融合多尺度特征，更有利于挖掘多尺度信息。

圖3 FPN結(jié)構(gòu)

1.2 RPN與RoI Align層

RPN在特征圖中使用滑動窗口遍歷，生成若干個(gè)錨框，并計(jì)算每個(gè)錨框與目標(biāo)框相交區(qū)域的面積比率，同時(shí)將面積比率大于0.7的錨框分配正標(biāo)簽(目標(biāo))，面積比率小于0.3的分配負(fù)標(biāo)簽(背景)，面積比率在0.3和0.7之間的錨框?qū)⒈簧釛墶Ｒ源藢γ總€(gè)錨框進(jìn)行背景與目標(biāo)的二分類。

分配為正標(biāo)簽的錨框?qū)⑦M(jìn)行目標(biāo)框回歸處理。目標(biāo)框回歸過程如圖4所示，圖中：P為原始錨框；G′為候選框；G為人工標(biāo)注的包含導(dǎo)線的目標(biāo)框。

圖4 目標(biāo)框回歸過程

目標(biāo)框回歸即為找到一種變換方式f，使得P在經(jīng)過該變換后得到一個(gè)與G更接近的G′。即

f(Px,Py,Pw,Ph)=(G′x,G′y,G′w,G′h).

(4)

式中：Px、Py為變換前錨框的中心橫、縱坐標(biāo)；Pw、Ph分別為變換前錨框的寬和高；G′x、G′y分別為變換后錨框的中心橫、縱坐標(biāo)；G′w、G′h分別為變換后錨框的寬和高。

當(dāng)P與G接近時(shí)，可采用線性變換。具體做法是對錨框P先平移再縮放，偏移量和縮放量為：

(5)

式中：Ex、Ey為偏移量；dx(P)、dy(P)為平移尺度；Ew、Eh為縮放量；dw(P)、dh(P)為縮放尺度。

原始錨框P經(jīng)過上述變換后成為錨框G′，而P與G的真實(shí)變換尺度為：

(6)

式中：tx、ty為錨框P到目標(biāo)框G所需的偏移尺度；tw、th為錨框P到目標(biāo)框G所需的縮放尺度。

目標(biāo)框回歸損失函數(shù)

(7)

式中：N為錨框總個(gè)數(shù)；*表示符號x、y、w、h之一；i為錨框序號；t*,i為第i個(gè)錨框到目標(biāo)框G所需的偏移或縮放尺度；d*(Pi)為第i個(gè)錨框到目標(biāo)框G′的偏移或縮放尺度。

RPN采用梯度下降法使得Lbox收斂，實(shí)現(xiàn)目標(biāo)框回歸，并將結(jié)果映射到特征圖中。候選框內(nèi)部即為感興趣區(qū)域(region of interest，RoI)。由于候選框尺寸不一，每個(gè)RoI尺寸不同，通過RoI Align層對RoI歸一化，以進(jìn)一步用全連接網(wǎng)絡(luò)處理。

候選框位置由RPN得到，其中心點(diǎn)坐標(biāo)及寬、高通常為浮點(diǎn)數(shù)。由于像素點(diǎn)坐標(biāo)不存在小數(shù)，在傳統(tǒng)的RoI池化操作中會將浮點(diǎn)數(shù)進(jìn)行取整，導(dǎo)致特征圖歸一化的候選框存在偏差，在特征圖縮放到原圖后偏差被放大，影響后續(xù)的掩膜預(yù)測效果。RoI Align層在池化時(shí)不對坐標(biāo)取整，而是采用雙線性插值計(jì)算坐標(biāo)值為浮點(diǎn)數(shù)的像素點(diǎn)值，實(shí)現(xiàn)了更高的精確度。

1.3 目標(biāo)框預(yù)測和掩膜預(yù)測

在RPN中的候選框僅分為導(dǎo)線部分與背景，并未細(xì)分類為有冰和無冰。將歸一化的RoI傳入全連接層中，通過預(yù)設(shè)標(biāo)簽進(jìn)行分類訓(xùn)練，擬合特征圖與圖像的類別之間的函數(shù)，并進(jìn)行目標(biāo)框回歸，預(yù)測圖像的分類及圖像目標(biāo)框。

掩膜即為目標(biāo)的輪廓邊緣，生成掩膜的分支獨(dú)立于分類和目標(biāo)框回歸分支，輸入為歸一化的RoI，輸出為目標(biāo)的掩膜。

1.4 模型評價(jià)指標(biāo)

本文用精確率J、召回率Z和平均精度(average precision，AP)作為模型分割的評價(jià)指標(biāo)：

(8)

式中：TP為正確分割成導(dǎo)線的圖像數(shù)量；FP為錯(cuò)誤分割成導(dǎo)線的圖像數(shù)量；FN為漏分割導(dǎo)線的圖像數(shù)量。將J和Z分別作為橫、縱坐標(biāo)得到精確率-召回率曲線，該曲線與橫、縱坐標(biāo)軸所圍成區(qū)域的面積為AP值。

2 試驗(yàn)

2.1 覆冰圖像監(jiān)測系統(tǒng)

2008年冰災(zāi)后，南方電網(wǎng)建成覆冰監(jiān)測預(yù)警系統(tǒng)并多年常態(tài)化運(yùn)行。監(jiān)測終端是覆冰監(jiān)測預(yù)警系統(tǒng)的基礎(chǔ)，可以采集桿塔(包括桿塔、導(dǎo)線、地線、絕緣子)現(xiàn)場圖像、導(dǎo)線及地線拉力、絕緣子傾斜角、氣象參數(shù)(包括溫度、濕度、風(fēng)速、氣壓)等信息，并通過GPRS/CDMA商用網(wǎng)絡(luò)發(fā)送至主站[4]。主站對監(jiān)測參數(shù)進(jìn)行存儲、查詢、顯示和分析，提供預(yù)警信息[2]。

覆冰預(yù)警系統(tǒng)包括通信及解析、數(shù)據(jù)庫、歷史數(shù)據(jù)查詢、參數(shù)設(shè)置、冰厚計(jì)算、顯示和預(yù)警等單元。通信及解析單元與圖像監(jiān)測終端通信，接收終端上傳的圖像。數(shù)據(jù)庫單元包括實(shí)時(shí)數(shù)據(jù)庫和歷史數(shù)據(jù)庫，用于存儲采集的數(shù)據(jù)，歷史數(shù)據(jù)查詢單元根據(jù)需要提供線路歷史覆冰信息。冰厚計(jì)算單元根據(jù)南方電網(wǎng)統(tǒng)一模型計(jì)算導(dǎo)、地線等效覆冰厚度。預(yù)警單元將實(shí)時(shí)監(jiān)測、計(jì)算的等效覆冰厚度與設(shè)計(jì)承載閾值比較，向運(yùn)維人員發(fā)出告警信息。

其中，圖像監(jiān)測終端包括攝像單元、圖像處理單元、通信單元和供電單元。攝像單元(包括高速球機(jī)、定焦槍機(jī)或高清數(shù)碼相機(jī))安裝于現(xiàn)場桿塔上且拍攝方向正對輸電導(dǎo)線，定期拍攝。投入運(yùn)行以來，攝像單元為輸電線路自然覆冰研究積累了大量圖像監(jiān)測數(shù)據(jù)。

架空輸電導(dǎo)線監(jiān)測有以下特點(diǎn)：①圖像包含桿塔、絕緣子、導(dǎo)線、地線，背景有森林、山地、巖土等；②監(jiān)測終端廠家、型號不一，圖像分辨率具有差異性；③監(jiān)測終端存在積污現(xiàn)象，并在強(qiáng)覆冰天氣下易凝凍。

2.2 覆冰數(shù)據(jù)集構(gòu)建

本文建立南方電網(wǎng)架空線路覆冰導(dǎo)線數(shù)據(jù)集。首先人工評估覆冰圖像質(zhì)量，將圖像分為正常、局部凝凍、全部凝凍、被遮擋和積污5類。

其次，人工標(biāo)注圖像分類。根據(jù)研究目標(biāo)的類型，將圖像分為僅含絕緣子、僅含導(dǎo)線、含導(dǎo)線和絕緣子，以及不含導(dǎo)線和絕緣子等4類。根據(jù)DL/T 5462—2012《架空輸電線路覆冰觀測技術(shù)規(guī)定》，將覆冰類型分為雨凇、霧凇、混合凇、濕雪和無覆冰5類，覆冰類型視感判別見表1。根據(jù)覆冰導(dǎo)線橫斷面覆冰形態(tài)，將圖像分為多棱形、多棱針狀、片狀、近圓、扇形等5類覆冰(見圖5)和無覆冰類。根據(jù)覆冰導(dǎo)線縱斷面覆冰形態(tài)，將圖像分為矩形、鋸齒形2類覆冰(見圖6)和無覆冰類。

表1 覆冰類型的視覺判據(jù)

圖5 覆冰導(dǎo)線的橫斷面覆冰形態(tài)分類示意圖

圖6 覆冰導(dǎo)線的縱斷面覆冰形態(tài)示意圖

南方電網(wǎng)2014—2018年覆冰監(jiān)測圖像分類標(biāo)注的數(shù)據(jù)集結(jié)構(gòu)見圖7。數(shù)據(jù)集的一部分是人工分類標(biāo)注，以建立人工智能的訓(xùn)練集和驗(yàn)證集。根據(jù)上述圖像清洗原則，用自編程軟件Annotation V1.0對訓(xùn)練集圖像逐張人工分類標(biāo)注，生成終端表文件存儲標(biāo)注信息，包括圖像質(zhì)量、圖像目標(biāo)類型、橫斷面和縱斷面覆冰形態(tài)等，見圖8。

圖7 覆冰導(dǎo)線圖像數(shù)據(jù)集架構(gòu)

圖8 人工分類標(biāo)注軟件界面

最后，進(jìn)行導(dǎo)線圖像人工分割標(biāo)注，建立導(dǎo)線圖像分割的訓(xùn)練集和驗(yàn)證集。本文選取2017年覆冰形態(tài)為矩形的覆冰導(dǎo)線圖像作為訓(xùn)練集(552張)、測試集(107張)。用開源軟件labelImg按照下述規(guī)則人工描邊分割標(biāo)注導(dǎo)線：

a)用多邊形分割導(dǎo)線，邊界盡量貼近導(dǎo)線邊緣。

b)導(dǎo)線細(xì)長，將圖像的特殊位置作為導(dǎo)線的頭尾，如防震錘、桿塔等。

c)有冰導(dǎo)線標(biāo)簽命名為PL_Ice，無冰導(dǎo)線標(biāo)簽命名為PL。

d)若是彎導(dǎo)線，則至少用8個(gè)點(diǎn)分割標(biāo)注。

e)若導(dǎo)線過于密集，則標(biāo)注成一股。

f)若導(dǎo)線分段覆冰，則一段覆冰導(dǎo)線和一段未覆冰導(dǎo)線均需要標(biāo)注，盡量選取較長區(qū)域。

標(biāo)注后生成導(dǎo)線目標(biāo)框，即為分割標(biāo)注多邊形的外接矩形框。將導(dǎo)線類別、多邊形頂點(diǎn)坐標(biāo)、目標(biāo)框頂點(diǎn)坐標(biāo)、文件名和文件路徑等分割標(biāo)注信息存儲于XML文件。

2.3 模型訓(xùn)練和測試

Mask R-CNN是用開源數(shù)據(jù)集COCO、ImageNet預(yù)訓(xùn)練的，不能直接用于輸電線路覆冰圖像。由于Mask R-CNN要求的JSON數(shù)據(jù)集格式和labelImg標(biāo)注的XML格式不一致，需要轉(zhuǎn)換格式，生成數(shù)據(jù)集字典。將該字典輸入網(wǎng)絡(luò)模型中訓(xùn)練，訓(xùn)練參數(shù)見表2。本文操作系統(tǒng)為Ubuntu16.04，使用NVIDIA RTX 2080Ti顯卡，GPU數(shù)量為1。用上述參數(shù)訓(xùn)練552張導(dǎo)線圖像中的929個(gè)導(dǎo)線實(shí)例，其中無冰431個(gè)，有冰498個(gè)，圖像分辨率見表3，分辨率單位為像素。

表2 Mask R-CNN訓(xùn)練模型參數(shù)

表3 Mask R-CNN訓(xùn)練模型的輸入與輸出

3 結(jié)果與分析

3.1 數(shù)據(jù)集

2014—2018年南方電網(wǎng)架空線路覆冰監(jiān)測圖像質(zhì)量、覆冰類型、覆冰橫斷面，以及覆冰縱斷面圖像數(shù)據(jù)統(tǒng)計(jì)見圖9。

圖9 2014—2018年覆冰監(jiān)測圖像數(shù)據(jù)集統(tǒng)計(jì)

3.2 覆冰分類人工標(biāo)注典型類型

導(dǎo)線覆冰橫斷面典型圖像見圖10。導(dǎo)線覆冰縱斷面典型圖像見圖11。不同覆冰類型的典型圖像見圖12。

圖10 導(dǎo)線覆冰橫斷面的典型圖像

圖11 導(dǎo)線覆冰縱斷面的典型圖像

圖12 導(dǎo)線覆冰類型的典型圖像

對2017年659張圖像進(jìn)行覆冰導(dǎo)線像素級人工分割標(biāo)注，其中有冰圖像309張，無冰圖像350張。人工分割典型圖例見圖13。

圖13 覆冰導(dǎo)線的典型人工分割標(biāo)注

3.3 導(dǎo)線Mask R-CNN圖像分割

訓(xùn)練采用了學(xué)習(xí)率Warm-up方式，迭代次數(shù)小于1 000時(shí)學(xué)習(xí)率由0開始線性遞增地變化，迭代次數(shù)不小于1 000時(shí)學(xué)習(xí)率為預(yù)設(shè)值訓(xùn)練。在Warm-up小學(xué)習(xí)率下，模型可以慢慢趨近于穩(wěn)定，等模型達(dá)到相對穩(wěn)定后選擇預(yù)設(shè)的學(xué)習(xí)率訓(xùn)練可使模型收斂速度更快。本文訓(xùn)練迭代次數(shù)為30 000。訓(xùn)練損失值衰減過程見圖14。

圖14 覆冰導(dǎo)線圖像Mask R-CNN訓(xùn)練模型的損失值變化

訓(xùn)練后生成pth文件，導(dǎo)入網(wǎng)絡(luò)模型參數(shù)對測試集圖像進(jìn)行測試，并以預(yù)測導(dǎo)線目標(biāo)框和標(biāo)記導(dǎo)線目標(biāo)框的重疊部分面積與兩框并集面積之比來判斷是否檢測成功。當(dāng)該比值超過0.7時(shí)，認(rèn)為較精確地識別了導(dǎo)線。用訓(xùn)練模型對測試集和各年覆冰監(jiān)測圖像進(jìn)行導(dǎo)線分割，其精準(zhǔn)率P、召回率Z和AP值見表4。由表4可知，模型的導(dǎo)線分割準(zhǔn)確率較高，均能達(dá)到92%以上，召回率70%以上。模型召回率不理想，原因在于每個(gè)監(jiān)測終端在同一覆冰期的圖像數(shù)量不均衡，同終端的圖像相似程度較高，圖像分割結(jié)果趨同。采用提取每個(gè)終端代表圖像進(jìn)行標(biāo)注的方式來解決該問題，這些圖像可以代表終端內(nèi)大部分的圖像。由于每個(gè)覆冰期的終端變化較小，該方式可大大提高召回率。在測試集107張圖像的算法用時(shí)為25 s，2018年1 355張圖像的用時(shí)為762 s，檢測速度0.2 s/張，相比傳統(tǒng)邊緣檢測方法的速度(約1 s/張)有較大提高[13]。

表4 測試集和各年覆冰圖像的導(dǎo)線識別與分割結(jié)果

復(fù)雜背景下含桿塔的覆冰導(dǎo)線典型圖像分割如圖15所示。由圖15可知，模型在林地、大霧、土地、局部凝凍等復(fù)雜背景下均能實(shí)現(xiàn)導(dǎo)線圖像準(zhǔn)確分割。

圖15 復(fù)雜背景下含桿塔的覆冰導(dǎo)線典型圖像分割

不同分辨率的導(dǎo)線圖像分割如圖16所示，導(dǎo)線彎曲及覆冰不規(guī)則時(shí)導(dǎo)線圖像分割如圖17所示。可以看出，該模型泛化性能較好，對不同分辨率、不同覆冰形狀及彎曲導(dǎo)線都能準(zhǔn)確分割。

圖16 不同分辨率圖像的導(dǎo)線分割

圖17 不規(guī)則覆冰圖像及彎導(dǎo)線的圖像分割

分割中出現(xiàn)導(dǎo)線未完全被掩膜覆蓋的情況，即導(dǎo)線區(qū)域未被分割完整。監(jiān)測終端的攝像設(shè)備有固定的預(yù)置位，模型訓(xùn)練時(shí)可以考慮改變錨框生成位置或使用大尺度訓(xùn)練等方式提升算法性能，實(shí)現(xiàn)針對在線監(jiān)測系統(tǒng)的導(dǎo)線分割模型優(yōu)化。

4 結(jié)束語

本文基于南方電網(wǎng)輸電線路覆冰預(yù)警系統(tǒng)，進(jìn)行圖像質(zhì)量評估、圖像分類人工標(biāo)注和導(dǎo)線圖像人工分割，提出圖像分類原則和數(shù)據(jù)集邏輯關(guān)系構(gòu)架，建立南方電網(wǎng)覆冰導(dǎo)線圖像數(shù)據(jù)集。通過圖像質(zhì)量評估可知數(shù)據(jù)質(zhì)量不高，存在較多損壞及凝凍圖像，應(yīng)考慮通過更換終端及加裝攝像終端自加熱裝置來改善圖像質(zhì)量。本文采用Mask R-CNN對13 642張?jiān)诰€監(jiān)測導(dǎo)線圖像進(jìn)行了分割，圖像分割速度可達(dá)到0.2 s/張。該方法可實(shí)現(xiàn)有冰導(dǎo)線及無冰導(dǎo)線自動分類，對復(fù)雜背景下的導(dǎo)線識別與分割泛化能力較強(qiáng)，在各年監(jiān)測圖像數(shù)據(jù)中準(zhǔn)確率達(dá)到了92%以上。這種分割方法可以有效地排除各種復(fù)雜背景或相似物體對導(dǎo)線分割的干擾，在圖像質(zhì)量不高的情況下精確分割導(dǎo)線，并可利用導(dǎo)線掩膜邊緣進(jìn)一步評估導(dǎo)線覆冰程度。