·987· 翟永杰，等：融合外部知识的输电线路多金具解耦检测方法 第5期 4.3与先进模型对比实验 型相比，本文模型的检测效果提高了6.6%。另外 为了验证本文模型的先进性，本文在金具数 与其他先进模型进行对比，本文模型在COCO评 据集上实现了多种目标检测模型，分别与SSD512网 价指标上与其他模型相比均有较大的提升。其中 RetinaNet o、Baseline模型2、YOLOv4B、集成知 在COCO评价指标中AP和AR代表对图像中的 识模块的HKRM9以及翟永杰等1进行了比较， 小尺寸目标的检测效果，表4中的测试结果显示， 测试结果如表4所示。 AP和AR提升效果高于其他指标，这表明由于共 从表4中可以看出，基线模型的AP0指标为 现知识和空间知识的引人，模型同样能够应对小型 69.1%,本文模型的AP0指标为75.7%，与基线模 金具的目标密集问题，从而提升总体的检测效果。 表4与先进检测算法性能对比 Table 4 Performance comparisons with advanced detection algorithms % 方法 Ap50.95 Apso AP7S AP APM AP AR AR10 AR100 AR ARM AR- SSD291 24.7 51.0 17.5 16.7 31.2 25.8 22.8 35.8 35.9 21.5 35.8 28.9 RetinaNeto 29.3 61.3 21.0 19.9 37.8 31.4 27.4 40.4 40.4 25.5 42.6 33.3 BaselineRs 32.5 69.1 27.8 20.9 44.0 48.6 25.4 39.2 39.2 26.8 51.0 52.0 YOLOv4B31 33.0 61.7 33.0 20.4 37.1 30.8 25.5 39.4 39.6 26.0 42.5 34.0 HKRMII91 37.8 64.1 38.0 23.1 42.5 35.0 29.0 44.7 44.9 29.7 48.1 38.3 翟永杰等 37.9 65.5 37.2 22.9 44.3 34.4 28.9 45.3 45.4 29.5 49.9 39.5 EKD R-CNN 42.2 75.7 43.2 31.7 52.9 48.3 31.0 50.0 50.1 38.5 59.2 54.2 5结束语 [2] SADYKOVA D,PERNEBAYEVA D,BAGHERI M,et al IN-YOLO:real-time detection of outdoor high voltage in- 针对输电线路航拍图像中广泛存在的金具目 sulators using UAV imaging[J].IEEE transactions on 标密集和相互遮挡的问题，本文提出了融合多种 power delivery,2020,35(3):1599-1601. 外部知识的解耦检测方法。首先通过对金具数据 [3] 赵文清，程幸福，赵振兵，等.注意力机制和Faster 集进行挖掘和分析，提取出金具之间的共现知识 RCNN相结合的绝缘子识别).智能系统学报，2020， 和空间知识，使用图神经网络建立知识推理模 15(1):92-98 型，将外部知识与模型进行融合，然后将分类任 ZHAO Wenging.CHENG Xingfu,ZHAO Zhenbing,et al 务和回归任务解耦分离，使用解耦检测模块分别 Insulator recognition based on attention mechanism and 得到金具的类别和回归框的位置。实验结果表 Faster RCNN[J].CAAI transactions on intelligent sys- 明，本文模型能够有效解决目标密集问题，对输 tems,2020,15(1:92-98. 电线路多金具数据集的检测效果优于其他先进模 [4] 赵振兵，翟永杰，张珂.电力视觉技术北京：中国电 型。本文使用多元化的外部知识来改善金具的检 力出版社，2020 测效果，为输电线路设备部件智能巡检技术提供 [5] FANG Ting,JIN Xin,HU Xingliu,et al.A fast insulator- 了新的思路。 contour-detection-algorithm on power transmission lines 下一步工作可以从图像本身的场景知识以及 images[J].Applied mechanics and materials,2012, 201/202:337-343 内部的隐含信息入手，研究更具体的知识表达形 [6] 黄宵宁，张真良.直升机巡检航拍图像中绝缘子图像的 式。另外视觉特征与知识模块特征的特征融合方 提取算法).电网技术，2010,34(1)194-197. 法还存在进一步研究的空间。 HUANG Xiaoning,ZHANG Zhenliang.A method to ex- 参考文献： tract insulator image from aerial image of helicopter patrol[J].Power system technology,2010,34(1):194- [1]POURNARAS E,ESPEJO-URIBE J.Self-repairable smart 197. grids via online coordination of smart transformers[J]. [7] WU Qinggang,AN Jubai.An active contour model based IEEE transactions on industrial informatics,2017,13(4): on texture distribution for extracting inhomogeneous in- 1783-1793 sulators from aerial images[J].IEEE transactions on4.3 与先进模型对比实验 为了验证本文模型的先进性，本文在金具数 据集上实现了多种目标检测模型，分别与 SSD512[29] 、 RetinaNet[30] 、Baseline 模型[28] 、YOLOv4[31] 、集成知 识模块的 HKRM[19] 以及翟永杰等[18] 进行了比较， 测试结果如表 4 所示。 从表 4 中可以看出，基线模型的 AP50 指标为 69.1%，本文模型的 AP50 指标为 75.7%，与基线模 型相比，本文模型的检测效果提高了 6.6%。另外 与其他先进模型进行对比，本文模型在 COCO 评 价指标上与其他模型相比均有较大的提升。其中 在 COCO 评价指标中 APS 和 ARS 代表对图像中的 小尺寸目标的检测效果，表 4 中的测试结果显示， APS 和 ARS 提升效果高于其他指标，这表明由于共 现知识和空间知识的引入，模型同样能够应对小型 金具的目标密集问题，从而提升总体的检测效果。 表 4 与先进检测算法性能对比 Table 4 Performance comparisons with advanced detection algorithms % 方法 AP50-95 AP50 AP75 APS APM APL AR1 AR10 AR100 ARS ARM ARL SSD[29] 24.7 51.0 17.5 16.7 31.2 25.8 22.8 35.8 35.9 21.5 35.8 28.9 RetinaNet[30] 29.3 61.3 21.0 19.9 37.8 31.4 27.4 40.4 40.4 25.5 42.6 33.3 Baseline[28] 32.5 69.1 27.8 20.9 44.0 48.6 25.4 39.2 39.2 26.8 51.0 52.0 YOLOv4[31] 33.0 61.7 33.0 20.4 37.1 30.8 25.5 39.4 39.6 26.0 42.5 34.0 HKRM[19] 37.8 64.1 38.0 23.1 42.5 35.0 29.0 44.7 44.9 29.7 48.1 38.3 翟永杰等[18] 37.9 65.5 37.2 22.9 44.3 34.4 28.9 45.3 45.4 29.5 49.9 39.5 EKD R-CNN 42.2 75.7 43.2 31.7 52.9 48.3 31.0 50.0 50.1 38.5 59.2 54.2 5 结束语 针对输电线路航拍图像中广泛存在的金具目 标密集和相互遮挡的问题，本文提出了融合多种 外部知识的解耦检测方法。首先通过对金具数据 集进行挖掘和分析，提取出金具之间的共现知识 和空间知识，使用图神经网络建立知识推理模 型，将外部知识与模型进行融合，然后将分类任 务和回归任务解耦分离，使用解耦检测模块分别 得到金具的类别和回归框的位置。实验结果表 明，本文模型能够有效解决目标密集问题，对输 电线路多金具数据集的检测效果优于其他先进模 型。本文使用多元化的外部知识来改善金具的检 测效果，为输电线路设备部件智能巡检技术提供 了新的思路。 下一步工作可以从图像本身的场景知识以及 内部的隐含信息入手，研究更具体的知识表达形 式。另外视觉特征与知识模块特征的特征融合方 法还存在进一步研究的空间。 参考文献： POURNARAS E, ESPEJO-URIBE J. Self-repairable smart grids via online coordination of smart transformers[J]. IEEE transactions on industrial informatics, 2017, 13(4): 1783–1793. [1] SADYKOVA D, PERNEBAYEVA D, BAGHERI M, et al. IN-YOLO: real-time detection of outdoor high voltage in￾sulators using UAV imaging[J]. IEEE transactions on power delivery, 2020, 35(3): 1599–1601. [2] 赵文清, 程幸福, 赵振兵, 等. 注意力机制和 Faster RCNN 相结合的绝缘子识别 [J]. 智能系统学报, 2020, 15(1): 92–98. ZHAO Wenqing, CHENG Xingfu, ZHAO Zhenbing, et al. Insulator recognition based on attention mechanism and Faster RCNN[J]. CAAI transactions on intelligent sys￾tems, 2020, 15(1): 92–98. [3] 赵振兵, 翟永杰, 张珂. 电力视觉技术 [M]. 北京: 中国电 力出版社, 2020. [4] FANG Ting, JIN Xin, HU Xingliu, et al. A fast insulator￾contour-detection-algorithm on power transmission lines images[J]. Applied mechanics and materials, 2012, 201/202: 337–343. [5] 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, 34(1): 194–197. HUANG Xiaoning, ZHANG Zhenliang. A method to ex￾tract insulator image from aerial image of helicopter patrol[J]. Power system technology, 2010, 34(1): 194– 197. [6] WU Qinggang, AN Jubai. An active contour model based on texture distribution for extracting inhomogeneous in￾sulators from aerial images[J]. IEEE transactions on [7] ·987· 翟永杰，等：融合外部知识的输电线路多金具解耦检测方法 第 5 期