第17卷 智能系统学报 ·982· 展了谱CNN的快速局部化卷积。Kipf等21通过 景问题的影响较大，仅仅依靠图像的特征对金具 简化谱图卷积的一阶近似模型，正式提出了GCN 进行识别是比较困难的。根据输电线路金具之间 的概念，从而得到了更有效的滤波操作。Velickovic 的组合规则，构建共现关系连接矩阵，形成共现 等2！将注意力机制应用到图神经网络聚合邻居 知识，通过识别一些比较容易检测的大尺寸金具， 的操作中，提出了对节点特征敏感的图注意力机 再借助金具之间的共现知识，从而推理出隐匿在 制(graph attention network,GAT)。图注意力机制 密集目标中的难以识别的金具。因此共现知识能 能够关注节点之间的相似度，从而增加一种有效 够有效地提高金具检测任务中的识别分类问题。 的边权重。 1.3基于解耦原理的目标检测模型 目标检测是一种分类和回归的多任务学习问 题，然而大多数目标检测模型都是共享头部检测 网络同时进行分类和边界框回归的任务，往往存 在两种任务相互影响的问题，Jiang等首先提出 (a)单联悬垂结构 (b)防舞动结构 了这个问题：生成较好分类分数的视觉特征无法 同时生成精度较高的边界框，候选框的分类置信 度与定位置信度存在偏差，因此文中提出了新的 检测网络IoU-Net生成定位置信度来学习预测候 选框，获取位置更精确的回归框，并将定位回归 问题作为优化任务进行处理，从而实现了更精确 (c)V型悬垂结构 (d均压屏蔽结构 的检测效果。Wu等2提出了Double-Head网络 图1金具常见组合结构 将分类和定位分成两个任务，采用了不同的分支 Fig.1 Examples of common hardware combinations 检测网络进行训练，通过实验证明了FC-head对 2.2空间结构特点 于空间具有敏感性，适合处理图像的识别和分类 在金具航拍图像中，由于多类金具的尺寸较 任务，而Conv-head更适合对目标框的定位和回 小，并且连接金具和接续金具需要连接各种电气 归任务。Song等2)针对分类和回归任务不对齐 元件，因此金具数据集中的目标分布密集，存在 的问题，提出了任务感知空间解耦算子(task- 相互遮挡的问题。图1展示了金具结构具有一定 aware spatial disentanglement,.TSD)来处理任务冲 的组合规则，属于同一种结构的金具能够给通过 突问题，并进一步提出了渐进约束方法来弥补 共现知识进行互相的推理和识别，但共现知识推 TSD和经典检测器网络的差距，通过实验证明了 理模型能够促进深度模型识别金具类别，并不能 两个任务分支都均能提高分类和定位的精度。 更好地辅助模型进行定位。金具与金具之间由于 一些固定组合结构的原因会导致相互遮挡，而这 2输电线路金具特点 种在空间位置上的遮挡关系可以作为一种上下文 2.1共现特点 信息来辅助模型进行定位。比如在防舞动结构 在架空输电线路的设计和建造过程中，为了 中，重锤作为增加绝缘子串垂直荷重或防止导线 达到标准的电气要求和安装规范，输电线路金具 振动的防护金具，往往3个及以上的提包式悬垂 往往具有一定的组合规则和结构。如图1所示， 线夹与导线连接，现有金具检测数据集中大部分 由提包式悬垂线夹、山型挂环、联板和均压环组成 的重锤目标的标注框中都包含了部分提包式悬垂 单联悬垂结构；由提包式悬垂线夹、联板和重锤 线夹目标，并且提包式悬垂线夹的目标框往往会 组成防舞动结构；由提包式悬垂线夹、联板和均 均匀分布在重锤目标的四周。因此金具与金具之 压环组成V型悬垂结构；由锲型耐张线夹、联板、 间的空间关系信息能够辅助模型进行目标定位。 调整板和屏蔽环组成均压屏蔽环结构。 3研究方法 由于金具之间存在的固定组合结构，因此根 据金具与金具之间的共现知识辅助模型进行 本文总体网络架构如图2所示，首先将金具 检测。具体来说，由于金具在识别的过程中，受 航拍图像作为输入，通过卷积神经网络提取基础 到复杂背景的影响，一些金具由于尺寸较小经常 特征，通过区域建议网络模块(RPN)从基础特征 会隐匿在自然环境或者其他部件中，受到复杂背 中得到的区域建议框。然后从航拍图像数据集中展了谱 CNN 的快速局部化卷积。Kipf 等 [23] 通过 简化谱图卷积的一阶近似模型，正式提出了 GCN 的概念，从而得到了更有效的滤波操作。Veličković 等 [24] 将注意力机制应用到图神经网络聚合邻居 的操作中，提出了对节点特征敏感的图注意力机 制 (graph attention network, GAT)。图注意力机制 能够关注节点之间的相似度，从而增加一种有效 的边权重。 1.3 基于解耦原理的目标检测模型 目标检测是一种分类和回归的多任务学习问 题，然而大多数目标检测模型都是共享头部检测 网络同时进行分类和边界框回归的任务，往往存 在两种任务相互影响的问题，Jiang 等 [25] 首先提出 了这个问题：生成较好分类分数的视觉特征无法 同时生成精度较高的边界框，候选框的分类置信 度与定位置信度存在偏差，因此文中提出了新的 检测网络 IoU-Net 生成定位置信度来学习预测候 选框，获取位置更精确的回归框，并将定位回归 问题作为优化任务进行处理，从而实现了更精确 的检测效果。Wu 等 [26] 提出了 Double-Head 网络 将分类和定位分成两个任务，采用了不同的分支 检测网络进行训练，通过实验证明了 FC-head 对 于空间具有敏感性，适合处理图像的识别和分类 任务，而 Conv-head 更适合对目标框的定位和回 归任务。Song 等 [27] 针对分类和回归任务不对齐 的问题，提出了任务感知空间解耦算子 (task￾aware spatial disentanglement, TSD) 来处理任务冲 突问题，并进一步提出了渐进约束方法来弥补 TSD 和经典检测器网络的差距，通过实验证明了 两个任务分支都均能提高分类和定位的精度。 2 输电线路金具特点 2.1 共现特点 在架空输电线路的设计和建造过程中，为了 达到标准的电气要求和安装规范，输电线路金具 往往具有一定的组合规则和结构。如图 1 所示， 由提包式悬垂线夹、u 型挂环、联板和均压环组成 单联悬垂结构；由提包式悬垂线夹、联板和重锤 组成防舞动结构；由提包式悬垂线夹、联板和均 压环组成 V 型悬垂结构；由锲型耐张线夹、联板、 调整板和屏蔽环组成均压屏蔽环结构。 由于金具之间存在的固定组合结构，因此根 据金具与金具之间的共现知识辅助模型进行 检测。具体来说，由于金具在识别的过程中，受 到复杂背景的影响，一些金具由于尺寸较小经常 会隐匿在自然环境或者其他部件中，受到复杂背 景问题的影响较大，仅仅依靠图像的特征对金具 进行识别是比较困难的。根据输电线路金具之间 的组合规则，构建共现关系连接矩阵，形成共现 知识，通过识别一些比较容易检测的大尺寸金具， 再借助金具之间的共现知识，从而推理出隐匿在 密集目标中的难以识别的金具。因此共现知识能 够有效地提高金具检测任务中的识别分类问题。 (a) 单联悬垂结构 (c) V 型悬垂结构 (d) 均压屏蔽结构 (b) 防舞动结构 图 1 金具常见组合结构 Fig. 1 Examples of common hardware combinations 2.2 空间结构特点 在金具航拍图像中，由于多类金具的尺寸较 小，并且连接金具和接续金具需要连接各种电气 元件，因此金具数据集中的目标分布密集，存在 相互遮挡的问题。图 1 展示了金具结构具有一定 的组合规则，属于同一种结构的金具能够给通过 共现知识进行互相的推理和识别，但共现知识推 理模型能够促进深度模型识别金具类别，并不能 更好地辅助模型进行定位。金具与金具之间由于 一些固定组合结构的原因会导致相互遮挡，而这 种在空间位置上的遮挡关系可以作为一种上下文 信息来辅助模型进行定位。比如在防舞动结构 中，重锤作为增加绝缘子串垂直荷重或防止导线 振动的防护金具，往往 3 个及以上的提包式悬垂 线夹与导线连接，现有金具检测数据集中大部分 的重锤目标的标注框中都包含了部分提包式悬垂 线夹目标，并且提包式悬垂线夹的目标框往往会 均匀分布在重锤目标的四周。因此金具与金具之 间的空间关系信息能够辅助模型进行目标定位。 3 研究方法 本文总体网络架构如图 2 所示，首先将金具 航拍图像作为输入，通过卷积神经网络提取基础 特征，通过区域建议网络模块 (RPN) 从基础特征 中得到的区域建议框。然后从航拍图像数据集中 第 17 卷 智 能 系 统 学 报 ·982·