基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型.pdf

基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型赖秋频，杨军，谭本东，王亮，傅思遥，韩立伟武汉大学 电气工程学院，湖北 武汉 430072摘 要针对无人机或机器人获取的输电线路绝缘子图像，提出了一种基于深度学习图像识别框架（YOLOv2）网络的输电线路绝缘子在线识别与缺陷诊断模型，训练YOLOv2网络学习复杂背景下各种绝缘子的特征并准确识别，结合边缘检测、直线检测、图像旋转和垂直投影方法，对识别出各种状态的绝缘子进行缺陷诊断。输电线路巡检图像的仿真结果表明，所提出的绝缘子自动识别与缺陷诊断方法能迅速准确地从输电线路巡检图像中识别出绝缘子，并诊断出绝缘子是否破损以及缺陷位置，有利于提升输电线路智能巡检水平。关键词输电线路；智能巡检；绝缘子；YOLOv2网络；深度学习；图像识别；缺陷诊断中图分类号 TM853;TP277 文献标志码 A DOI 10.11930/j.issn.1004-9649.2018061020 引言随着智能电网建设的日益推进，对输电线路巡检智能化的要求越来越高[1]，使用基于图像识别技术的巡检机器人和无人机逐步替代烦琐的人工巡检和昂贵的直升机巡检已成为必然的趋势[2]。绝缘子作为输电线路上最基本的部件之一，在户外风吹雨淋情况下极易出现破损，从而影响电网安全稳定运行[3]。因此，研究基于图像识别技术的绝缘子识别与缺陷诊断模型对输电线路智能巡检具有重要意义。图像识别即找出图像中目标物体的位置及所属类别。传统的图像识别技术如SIFT（scale-invariantfeature trans）[4]、HOG（histogram of gradient）[5]、DPM（deable parts model）[6]等已取得一定效果，但其依赖人工提取特征，存在工作量大和人工失误难以避免等缺点，且输电线路上部件众多、形状不定、背景多变，因此传统方法难以适用于输电线路绝缘子识别与缺陷诊断。基于候选区域[7]的深度学习图像识别算法如R-CNN、Fast R-CNN、Faster R-CNN、FPN、MaskR-CNN等，虽然解决了传统目标检测算法中区域选择策略无针对性、耗时多、鲁棒性弱等问题，但也存在模型训练产生的参数量大、计算耗时长、对硬件要求高、缺陷诊断效果不佳、检测速度远不能满足输电线路实时巡检要求等问题。针对输电线路绝缘子自动识别与缺陷诊断，目前已有一定的研究。基于可见光识别绝缘子的方法常从绝缘子的颜色特征着手[8]，如文献[9]结合倾斜校正和投影法区域定位，再进一步利用HIS空间中饱和度分量图像和最大类间方差法确定绝缘子的区域；文献[10]将彩色绝缘子图像从RGB空间转化到HIS空间，然后采用基于遗传算法的最佳熵阈值分割。这些方法均从HIS颜色空间分析，易受拍摄图像光线及色温的影响，识别率不稳定。关于绝缘子缺陷诊断研究较多的是绝缘子的“零值自爆”（即掉片缺陷）[11]，如文献[12]采用分块图像颜色特征的绝缘子识别以及滑动窗口直方图统计和匹配方法的诊断处绝缘子损伤区域，但该故障检测方法相对模糊，对于不同条件下采集的图像库泛化性能较弱；文献[13]融合对比度、均值、方差3个纹理特征量来检测绝缘子掉片缺陷，但该方法需考虑旋转角度和自适应的分块大小。本文提出了一种基于YOLOv2网络图像识别，结合边缘检测、直线检测、图像旋转和垂直投影的输电线路绝缘子在线识别与缺陷诊断模型。首先在输电线路巡检图像集中训练YOLOv2网络学习各种绝缘子特征，并完成绝缘子识别，接着收稿日期2018−06−26； 修回日期2018−12−07。基金项目国家自然科学基金资助项目51277135。第 52 卷 第 7 期中国电力Vol. 52, No. 72019 年 7 月ELECTRIC POWER Jul. 201931通过边缘检测得到图像去噪声后待检绝缘子轮廓，然后运用直线检测技术确定待检绝缘子具体位置及斜率，之后进行图像旋转使待检绝缘子水平放置，最后对图像进行垂直投影找出待检绝缘子缺陷。1 YOLOv2网络模型YOLOv2网络是一种采用回归方法的深度学习图像识别框架[14]，它基于一个端到端（end-to-end）的网络[15]，运用卷积神经网络（convolutionalneural network，CNN）提取目标特征[16]，实现多种多样的物体识别。YOLOv2网络结构由输入层、卷积层、池化层、全连接层和输出层组成。它借鉴于GoogLeNet的架构思想[17]，创新性地采用11的归约层，结合33的卷积层简化替代了GoogLeNet中的inceptionmodules。对于输入的被检测图像，YOLOv2网络的检测流程如图1所示。输入1张原始图像，将其划分为SS个网格，若被检测目标的中心点位于某网格内，则此网格负责检测该目标。一个网格负责预测b个目标的边框位置，其中包含5个归一化的预测参数目标边框位置的中心点相对该网格左上角的偏移量（x，y），边框宽高相对于整幅图像宽高的比例（w，h），并给出相应的置信度（Confidence），即Confidence PrObject IOUtruthpred（1）式中PrObject为网格内存在目标的概率，若存在目标则取1，否则取0；IOU（intersection overunion）为网络预测的目标边框与原输入图像中标记的目标边框的重合程度，可表示为IOUtruthpred boxpred \boxtruthboxpred [boxtruth（2）式中boxtruth为标记的目标边框；boxpr为预测的目标边框。同时，若网格包含目标，则此网格还需预测此目标属于第i类的概率，即条件概率PrClassi∣Object。每个网格负责预测的b个目标边框共享此条件概率，即每个网格只预测一组目标分类概率。将目标类别条件概率PrClassi∣Object与目标位置置信度（Confidence）相乘可得目标位置及类别置信度，此结果即可表征预测所得边框是否含有目标以及边框坐标的准确度，还包含了预测分类的概率信息，可综合评价预测性能。具体计算公式为PrClassijObject ConfidencePrClassijObject PrObject IOUtruthpred PrClassi IOUtruthpred（3）fS S [b 41C]g综上可知，YOLOv2网络将输入图像分为SS个网格，每个网格预测一组分类概率（假设共分为C类），含有b个边框，每个边框包括4个位置信息x，y，w，h和1个置信度（Confidence），即网络最终预测输出一个长度为的向量。2 绝缘子缺陷诊断原理本文所提出的输电线路绝缘子缺陷诊断模型主要包括边缘检测、直线检测、图像旋转、垂直投影。2.1 边缘检测边缘检测即是找出灰度化后图像中所有可能的边缘点。本文中绝缘子图像边缘检测采用的是开始输入448 448图像图像划分为S S个网络目标中心是否位于某网络Ž未检测到目标该网络负责监测该目标9 Ø “S î‹ ËYÀ q9 Ø “SM1Ê• ”计算目标位置及类别置信度² 图 1 YOLOv2网络的检测流程Fig. 1 Detection process of YOLOv2 network中国电力第 52 卷32Canny边缘检测算法[18]，它与Marr（LoG）边缘检测方法类似[19]，也是先平滑后求导数，去除图像噪声，检测出绝缘子边缘。Canny边缘检测主要分为5个步骤原始图像灰度化；对图像进行高斯滤波；计算梯度幅值与方向；对梯度幅值进行非极大值抑制；用双阈值算法检测和连接边缘。首先，需对输入的绝缘子彩图进行灰度化，即根据图像中各个通道的采样值进行加权平均。以RGB格式的彩图为例[20]，具体计算公式为Gray RGB3（4）式中R、G、B分别表示红、绿、蓝3个通道颜色的亮度，取值为0255共256级。之后，本文运用高斯滤波器去除绝缘子图像噪声，即采用离散化的高斯函数产生一组归一化的高斯核，然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和。接着，计算去除噪声后绝缘子图像灰度值的x向、y向一阶偏导数矩阵得到梯度幅值和梯度方向，即P[x;y][f x;y1 f x;yf x1;y1 f x1;y]2（5）Q[x;y][f x;y f x1;yf x;y1 f x1;y1]2（6）M[x;y]√P[x;y]2Q[x;y]2（7）[x;y] arctanQ[x;y]P[x;y]（8）P[x;y] Q[x;y]M[x;y] [x;y]M[x;y] [x;y]式中，分别为x向，y向的一阶偏导数矩阵；，分别为梯度幅值和梯度方向，使得取得局部最大值的方向角表示边缘的方向。然后，通过非极大值抑制（non-maximumsuppression，NMS）消除绝缘子图像非边缘点，其原理如图2所示。由图2a）可知，仅仅得到全局的梯度幅值及方向并不足以确定边缘方向，需利用梯度方向保留局部梯度最大的点，抑制非极大值，从而得到边缘方向。要进行非极大值抑制，就要确定某像素点C的灰度值在其邻域内是否为最大。图2b）中蓝色线条方向为C点的梯度方向，故其局部最大值必在此线上；即除了C点，梯度方向与邻域的交点dTmp1和dTmp2也可能是局部最大值。因此，比较C点灰度与这2个点灰度大小即可判断C点是否为其邻域内的局部最大灰度点。最后，本文采用双阈值法减少虚假边缘数量即对非极大值抑制图像作用2个阈值T1和T2（设T1＜T2）。首先将梯度值小于T1的像素灰度值设为0，得到图像A。然后把梯度值小于T2的像素的灰度值设为0，得到图像B。由于图像B的阈值较高，去除大部分噪音，但同时也损失了部分有用的边缘信息；而图像A的阈值较低，保留了较多的信息，故以图像B为基础，以图像A为补充来连接图像的边缘即可得到边缘检测后的结果图。2.2 直线检测直线检测即是找出边缘检测后图像中所有可能的直线。输电线路上的绝缘子基本都是长条状，某种程度上来说可看作很多条直线的集合，本文采用霍夫变换（Hough Trans）进行直线检测，其原理如图3所示。X0;Y0图3a）为图像中某三点的直线簇示意图。一般来说，过某点的直线簇可定义为θθCg1 g2g3g4dTmp1dTmp2b 确定局部最大值65432101.00.50 0 0.020.04 0.060.08 0.1边缘方向梯度方向a 梯度及边缘方向图 2 非极大值抑制原理Fig. 2 The principle of non-maximum suppression第 7 期 赖秋频等基 于 YOLOv2网络的绝缘子自动识别与缺陷诊断模型33r X0cos Y0sin （9）r; X0;Y0式中每一对代表过点的一条直线。图3b）中每一条曲线代表图3a）中某一点的直线簇，其中的交点即表示某一条直线经过了若干点。某一点的相交曲线越多，表示有越多的点在此直线上，通过设定相交数量阈值即可判定是否构成直线。2.3 图像旋转输电线路上的绝缘子并不总是水平放置的，常有斜拉或垂直的情况。若非水平放置而进行垂直投影，则会出现缺陷遮挡导致误诊，故需将图像旋转以使其中绝缘子水平放置。直线检测获得若干条直线（L1，L2，L3，Ln），取所有直线的平均斜率值作为绝缘子的斜率，故为使绝缘子水平，需要顺时针旋转图像的角度，其计算公式为T arctan266666640BBBBBBn∑i1Ki1CCCCCCAn37777775（10）Ki式中（i1，2，3，，n）为直线L1，L2，L3，，Ln的斜率。2.4 垂直投影根据边缘检测结果将绝缘子部分分割出来，对图像二值化操作后进行垂直投影得到投影曲线。若绝缘子完好，则曲线应是相同规律变化；若绝缘子存在缺陷破损，则曲线会出现异常波动，因此根据曲线异样位置则可对应诊断出绝缘子缺陷位置。3 绝缘子识别与缺陷诊断模型本文提出的基于YOLOv2网络的输电线路绝缘子在线识别与缺陷诊断模型具体步骤如图4所示。3.1 YOLOv2网络训练如图4所示，识别结果主要取决于YOLOv2网络识别效果，其性能将很大程度上影响最终效果，因此对YOLOv2网络的训练至关重要。YOLOv2网络在训练时采用SSE（sum-squarederror）方法计算损失函数（Loss）来判断训练效果，Loss值越小，代表训练效果越好。它由5部分求和组成第1、2部分表征坐标预测；第3部0 1 3 4 5 6 70123−1−2−3−4yxθX1, Y1X2, Y2X3, Y3ra 笛卡尔坐标系0 0.5 1.0 1.5 2.0 2.5 3.0 3.50426−2−4−6θb 极坐标系X1, Y1X2, Y2X3, Y3r图 3 霍夫变换原理Fig. 3 The principle of Hough transation自动识别过程7 S² { ÆmYOLOv2© Ž1î MY1î MY²THø_©待诊断绝缘子图像°L_©mÈ ŒJ²T°g•ŒJVñ图 4 基于YOLOv2网络的输电线路绝缘子在线识别与缺陷诊断模型Fig. 4 Online recognition and defect diagnosis model oftransmission line insulator based on YOLOv2 network中国电力第 52 卷34分表征含有目标物体的边框置信度评分预测；第4部分表征未含有目标物体的边框置信度评分预测；第5部分表征类别预测。其具体计算公式为Loss coordS2∑i1B∑j1Iobjij[xi ˆxi2yi ˆyi2]coordS2∑i1B∑j1Iobjij2666664pwi √ˆwi2√hi √ˆhi23777775S2∑i1B∑j1Iobjij ci bci2 noobjS2∑i1B∑j1Inoobjij ci bci2S2∑i1Iobji∑c2classespic ˆpic2（11）coord noobjcoordnoobjIobji i Iobjij ij Inobbjixi;yi;wi;hii ˆxi; ˆyi; ˆwi; ˆhii ci ibci i pici ˆpic iB S2式中为坐标预测的损失权重；为未含有目标物体的边框置信度评分预测的损失权重；由于大部分网格不包含目标，这些不包含目标的网格的梯度更新在训练中会压倒性地覆盖掉包含目标网格进行的梯度更新，进而导致训练时模型参数不稳定易发散，所以设置较大的和较小的（一般为10∶1的比例关系，本文中取为5和0.5）。表示网格含有目标；为网格对第个目标边框的预测；为网格i对第j个目标框中未含有目标物体的预测；为网格中预测目标的中心点坐标；为网格中目标的真实中心点坐标；表示网格预测目标所属类别；为网格中目标的真实类别；为网格中目标的预测概率；为网格中目标的真实概率；为每个网格预测的目标边框数；为输入图像被划分的总网格数。3.2 绝缘子识别与缺陷诊断在将YOLOv2网络离线训练至满意效果（Loss值足够小）后，即可按照图5所示模型进行输电线路绝缘子识别与缺陷诊断。首先输入智能机器人所得输电线路巡检图像（可由巡检视频得到），通过已训练好的YOLOv2网络识别出其中的绝缘子，并以准确率（precision）和识别速率（FPS）表征识别效果，至此完成输电线路绝缘子识别过程并得到识别结果。precision tptp fp tpn 100（12）tp fp式中为被网络正确识别的绝缘子数；为网络错n误识别的绝缘子数；为网络共识别出的绝缘子数。FPS 1tprecision（13）tprecision式中为YOLOv2网络的识别用时。通常认为，FPS达到25帧/s即满足实时巡检视频识别的要求。然后将其中的待检绝缘子图像分割出来进行缺陷诊断，通过边缘检测、直线检测、图像旋转和垂直投影后得到投影曲线，根据投影曲线是否异样以及异样位置即可判断绝缘子是否存在破损以及破损位置，至此完成输电线路绝缘子缺陷诊断过程。综上，此模型完成了输电线路绝缘子识别与缺陷诊断任务。4 仿真验证本文选取2 000张包含绝缘子的输电线路在线巡检图像作为YOLOv2网络的训练集，测试集为另外随机选取的20张包含绝缘子的输电线路在线巡检图像，以此保证测试的可靠度。部分巡检图像如图5所示。本文运算环境的配置均为Intel Core（TM）i5-7300HQ CPU2.50 GHz、8.00 GB运行内存、内存为4 GB的NVIDIA GEFORCE GTX 1050ti GPU的图 5 巡检图像Fig. 5 Inspection images第 7 期 赖秋频等基 于 YOLOv2网络的绝缘子自动识别与缺陷诊断模型35笔记本电脑。4.1 YOLOv2网络训练效果用损失函数Loss值来判断YOLOv2网络的训练进度和效果，如图6所示。从图6可知Loss值在训练时呈现整体下降趋势，前半段下降较快，后半段趋于平缓，且在25 000次迭代后基本稳定，趋于一个接近0的极小值。由此说明YOLOv2网络在训练输电线路绝缘子图像时，训练效果随着迭代次数的增加而越来越好并趋于最优。4.2 绝缘子识别效果由图6可知，本文中YOLOv2网络训练输电线路绝缘子图像在25 000次迭代后趋于稳定，达到最优效果，故选择网络在25 000次迭代时保存的参数权重来进行绝缘子识别测试，识别效果如表1所示。由表1可知YOLOv2网络经足够训练后识别效果优异，平均识别精确率达到了90.1，且识别速度达到了30帧/s，完全满足在线巡检视频识别（25帧/s）的要求。部分识别效果如图7所示。由图7可知，YOLOv2网络在复杂背景（树木和土地等）以及杆塔和输电导线的干扰下仍能准确识别出其中不同状态（完好和破损）、不同位置（垂直、水平和斜拉）的绝缘子，具有较强的抗噪识别鲁棒性。YOLOv2网络与其他较流行网络算法的识别效果比较如表2所示。由表2可知，YOLOv2网络对于输电线路绝缘子的整体识别性能（准确率和速率）优于其余方法，说明YOLOv2具有较强的深度学习能力，并且充分平衡了识别精度和速度。4.3 绝缘子缺陷诊断效果以YOLOv2网络识别出的某条斜拉破损绝缘121086420 0 0.5 1.0 1.5 2.0 2.5Loss 值0.0500.0450.0400.0350.0300.0252.0 2.1 2.2 2.3 2.4 2.5迭代次数104 图 6 训练时Loss值变化Fig. 6 The variation of Loss value for traininginsulatorinsulatorinsulatorinsulatorinsulatorinsulatorinsulatorinsulatorinsulatorinsulator图 7 识别效果Fig. 7 Recognition effect images表 1 YOLOv2网络的识别效果Table 1 The recognition effect of the YOLOv2 network图像编号准确率/ FPS/帧·s–1图像编号准确率/ FPS/帧·s–1T1 100.0 30 T12 90.0 28T2 87.5 31 T13 100.0 32T3 90.0 31 T14 87.5 30T4 87.5 30 T15 88.9 30T5 100.0 30 T16 85.7 30T6 83.3 31 T17 88.9 29T7 85.7 28 T18 100.0 31T8 100.0 30 T19 85.7 32T9 85.7 33 T20 90.0 31T10 80.0 27平均90.1 30T11 85.7 32 表 2 不同网络的绝缘子识别效果Table 2 The insulator recognition effect ofdifferent networks网络框架准确率/ FPS/帧·s–1Faster R-CNN 86.4 15SSD 87.5 24YOLOv2 90.0 30中国电力第 52 卷36子（水平和垂直可看作斜拉的特殊情况）来说明缺陷诊断过程及效果。绝缘子原图及缺陷诊断过程的具体效果如图812所示。图8为经YOLOv2网络识别出的原始绝缘子，经边缘检测后得到图9，再经直线检测得到图10，然后经图像旋转得到图11，最后对图11进行垂直投影得到图12中的投影曲线。由图12可知，整条投影曲线基本处于规律性波动，纵坐标在2 0006 000变化，除了横坐标在100125的区间纵坐标突然降至0。根据此处曲线的异样可判定绝缘子此处有破损，对应观察图11可知，在相应位置绝缘子确实存在破损，再返回图8查看原图可知本文所提缺陷诊断方法能准确地判断绝缘子是否破损以及破损位置。从YOLOv2网络识别出的20张图像（表1中的T1T20）中随机选择20串破损绝缘子进行缺陷诊断，诊断效果如表3所示。由表3可知，除了将破损绝缘子I9和I17误诊为完好以及绝缘子I12的缺陷位置错误判断外，其余绝缘子是否破损以及缺陷位置均判断正确，破损识别准确率达到90.0，缺陷位置正确率达到94.4。分析绝缘子I9、I12和I17诊断错误的原因，破损绝缘子I9和I17被误诊为完好的主要原因是缺陷较小，在投影曲线中异样程度不明显；破损绝缘子I12缺陷位置误判的主要原因是YOLOv2网络在识别时将该绝缘子末端连接着的部分均压环误判进该绝缘子的识别框，从而导致末端投影曲线异样。本文所提方法与其他部分常用方法的诊断效果比较如表4所示。由表4可知，本文所提方法在绝缘子缺陷诊断中比其他方法正确率更高，对于复杂背景下各种位置的破损绝缘子具有较好的诊断鲁棒性。图 10 直线检测Fig. 10 Image of straight line detection图 11 旋转后水平Fig. 11 Rotated horizontal image050 100 150 200 250 300 350 4002 0004 0006 0008 000像素数/个绝缘子长度/mm 图 12 垂直投影Fig. 12 Image of vertical projection图 8 绝缘子原图Fig. 8 Original image of insulator图 9 边缘检测Fig. 9 Image of edge detection第 7 期 赖秋频等基 于 YOLOv2网络的绝缘子自动识别与缺陷诊断模型375 结论随着输电线路智能巡检水平要求越来越高，针对绝缘子这一非常重要的输电设备，本文提出了一种基于YOLOv2网络的输电线路绝缘子在线识别与缺陷诊断模型，能够对输电线路在线巡检图像进行自动识别定位并完成缺陷诊断（是否存在缺陷以及缺陷位置），在用智能巡检所得图像进行仿真验证后得到如下结论。（1）YOLOv2网络具有较强的深度学习能力，能够在复杂多变背景的影响下学习到输电线路上绝缘子的特征并快速准确地识别出来，充分平衡了识别准确率和速率，并且对于绝缘子角度扭曲和长短不一等情形具有较好的识别鲁棒性。（2）结合边缘检测、直线检测、图像旋转和垂直投影的缺陷诊断技术具有较强的诊断鲁棒性，对于不同位置不同状态的输电线路绝缘子均具有较高的正确诊断率。本文提出的方法能较好地从输电线路巡检图像中识别出绝缘子，并诊断出绝缘子是否破损以及缺陷位置，满足了智能巡检的要求。但是，YOLOv2网络对于密集目标识别能力较弱，当多串绝缘子紧挨时难以准确分割识别，从而影响后续缺陷诊断过程，因此改善YOLOv2网络，提高其对密集目标的学习识别能力是未来研究的重点。参考文献赖奎, 姚军艳, 马承志, 等. 输电线路智能巡检系统的设计研究[J].广东电力, 2016, 297 105–110.LAI Kui, YAO Junyan, MA Chengzhi, et al. Design research onintelligent inspection system for power transmission lines[J].Guangdong Electric Power, 2016, 297 105–110.[1]秦科技. 智能高压输电线路巡检机器人设计[D]. 南昌 南昌大学,2017.[2]苗向鹏. 基于图像处理的接触网绝缘子识别与破损检测[D]. 成都西南交通大学, 2017.[3]ZHANG G, ZENG Z, ZHANG S, et al. SIFT matching with CNNevidences for particular object retri[J]. Neurocomputing, 20175399–409.[4]吕一平. 基于HOG特征和LBP特征的人脸识别方法研究[D]. 合肥 安徽大学, 2015.[5]孙超博. 基于物体内部结构的目标识别及其应用[D]. 北京 北京邮电大学, 2016.[6]章新. 目标候选区域算法的研究及其应用[D]. 合肥 安徽大学,2017.[7]张晶晶, 韩军, 赵亚博, 等. 形状感知的绝缘子识别与缺陷诊断[J].中国图象图形学报, 2014, 198 1194–1201.ZHANG Jingjing, HAN Jun, ZHAO Yabo, et al. Insulatorrecognition and defects detection based on shape perceptual[J].Journal of Image and Graphics, 2014, 198 1194–1201.[8]马帅营, 安居白, 陈舫明. 基于区域定位的绝缘子图像分割[J]. 电力建设, 2010, 317 14–17.MA Shuaiying, AN Jubai, CHEN Fangming. Segmentation of theinsulator images based on region location[J]. Electric PowerConstruction, 2010, 317 14–17.[9]黄宵宁, 张真良. 直升机巡检航拍图像中绝缘子图像的提取算法[J]. 电网技术, 2010, 341 194–197.HUANG Xiaoning, ZHANG Zhenliang. A to extractinsulator image from aerial image of helicopter patrol[J]. PowerSystem Technology, 2010, 341 194–197.[10]姜云土, 韩军, 丁建, 等. 基于多特征融合的玻璃绝缘子识别及自爆[11]表 3 绝缘子缺陷诊断效果Table 3 The defect diagnosis effect of insulators破损绝缘子编号识别结果缺陷位置破损绝缘子编号识别结果缺陷位置I1破损正确I11破损正确I2破损正确I12破损错误I3破损正确I13破损正确I4破损正确I14破损正确I5破损正确I15破损正确I6破损正确I16破损正确I7破损正确I17完好完好I8破损正确I18破损正确I9完好完好I19破损正确I10破损正确I20破损正确表 4 不同方法的绝缘子缺陷诊断效果Table 4 The insulator defect diagnosis effect ofdifferent s缺陷诊断方法缺陷位置正确率/本文方法94.4红外成像法90.6局部特征分析法91.5中国电力第 52 卷38缺陷的诊断[J]. 中国电力, 2017, 505 52–58, 64.JIANG Yuntu, HAN Jun, DING Jian, et al. The identification anddiagnosis of self-blast defects of glass insulators based on multi-feature fusion[J]. Electric Power, 2017, 505 52–58, 64.林聚财, 韩军, 陈舫明, 等. 基于彩色图像的玻璃绝缘子缺陷诊断[J]. 电网技术, 2011, 351 127–133.LIN Juncai, HAN Jun, CHEN Fangming, et al. Defects detection ofglass insulator based on color image[J]. Power System Technology,2011, 351 127–133.[12]ZHANG Xinye, AN Jubai, CHEN Fangming. A of insulatorfault detection from airborne images[C]//Proceedings of the 2nd WRIGlobal Congress on Intelligent Systems. Wuhan IEEE, 2010200−203.[13]高宗, 李少波, 陈济楠, 等. 基于YOLO网络的行人检测方法[J].计算机工程, 2017, 436 1–6.GAO Zong, LI Shaobo, CHEN Jinan, et al. Pedestrian detection based on YOLO network[J]. Computer Engineering, 2017,436 1–6.[14]陈华官. 基于端到端深度卷积神经网络的人脸识别算法[D]. 杭州浙江大学, 2017.[15]ELLEUCH M, MAALEJ R, KHERALLAH M. A new design based-SVM of the CNN classifier architecture with dropout for offline[16]Arabic handwritten recognition[M]. Netherlands Elsevier SciencePublishers, 2016.TANG P, WANG H, KWONG S. G-MS2F GoogLeNet based multi-stage feature fusion of deep CNN for scene recognition[J].Neurocomputing, 20172 188–197.[17]郭忠峰, 唐晓晓, 任仲伟, 等. 基于Canny算子改进的图像边缘检测算法研究[J]. 机械研究与应用, 2017, 302 123–125.GUO Zhongfeng, TANG Xiaoxiao, REN Zhongwei, et al. Study onthe improved image edge detection algorithm based on Cannyalgorithm[J]. Mechanical Research intelligent inspection; insulator; YOLOv2 network; deep learning; image recognition; defect diagnosis第 7 期 赖秋频等基 于 YOLOv2网络的绝缘子自动识别与缺陷诊断模型39