·94· 智能系统学报 第15卷 本时，为1，反之为0；d为平衡参数。L表示二 的绝缘子识别模型输入原始图像；然后，按照 值分类损失，L表示位置回归损失，分别由N 1.2节的步骤1)对原始图像进行尺寸放缩，限制 和Ne进行归一化，Ns为mini-batch大小，Ne等 图像长边不超过1000，短边不超过600：最后，将 于anchor数量；t:表示预测的anchorl的4个参数 尺寸放缩后的绝缘子图像输出到特征提取网络。 化坐标向量；t;表示前景anchor对应的真实框 2.2引入SENet结构的特征提取网络 (ground truth,GT)的坐标向量。 使用VGG16特征提取网络，对经过尺寸放缩 4)ROI池化。步骤3)中提取的目标建议框形 后的原始绝缘子图像提取特征。 状差异较大，对应在特征图上的区域同样有较大差 为使特征提取网络能够利用全局信息，而不 异，因此将每一个区域特征图划分为均等的7×7 受限于局部感受野，本文在特征提取网络VGG16 块，对每一块执行最大池化，由此将所有区域特征 的每个卷积模块（共5个卷积模块）之后引入SENt 图大小固定为7×7，便于固定全连接层参数。 结构。在特征通道维度进行特征压缩，生成权重 5)输入步骤4)中固定大小的特征图，通过全 并加权更新通道，得到表达能力更强的特征图。 连接层与Softmax分类器计算每个目标建议框识 实验结果表明，引入该结构后，网络识别性能得 别为目标的概率；同时利用边界框回归对目标建 到提升。SENet包含以下3个步骤： 议框进行精确微调，输出识别结果。 1)输入卷积之后的特征图，对每一个特征图 2改进Faster RCNN的绝缘子识别 使用全局平均池化，得到长度等于通道数M的实 数列Zp。压缩率r设置为16。特征图X=[x, 图2为本文所提出的注意力机制和Faster x2,…,xJ通过全局平均池化Fp计算如式(2)和 RCNN相结合的绝缘子识别模型，主要由特征提 式(3)所示： 取网络，RPN区域建议网络和检测网络3部分组 1 成。首先，在特征提取阶段引入SENet结构；其 Zp=Fp(xc)= HxW x(m,n) (2) m=1n=1 次，对RPN生成基础anchor的长宽比例和尺度进 行调整；最后，在全连接层1上对目标建议框的特 F1∈R华xM,F2∈Rw9 (3) 征向量与周围建议框的特征向量融合更新。 式中：c为特征图索引；F,表示进行降维的全连接 层参数；F2表示进行升维的全连接层参数。 原始图像尺寸放缩特征提取网络 卷积模块 2)分别经过两个全连接层输出特征，对特征 使用Sigmoid函数激活，生成每个通道对应的权 SENet 重信息S=[,52,…,s],如式(4)所示： S=Sigmoid(F(ReLU(F1×Zgp)》 (4) 特征图 3)根据权值对输入的特征图加权更新，得到 更新后的通道特征Y=y1,y2,…y,如式（⑤）所示： 滑动窗口 ROI池化 Ye=Se.xc (5) 最终得到第5层SENet输出的特征图，并将 全连接层1 边界框回归 分类 该特征图输入到RPN区域建议网络中。 建议框融合 2.3改进区域建议网络 NMS 首先，将2.2节得到的特征图输入到RPN中， 全连接层2 在特征图上滑动窗口遍历每个点，每个点上生成 目标建议框 不同长宽比例和尺度的anchor。. 边界框回归 分类 在传统Faster RCNN算法中，为识别公共数 据集中的大多数目标，将生成基础anchor的长宽 输出结果 比例设置为(1：2、1：1、2：1)，但这种比例设置并不 适用于识别绝缘子这类特殊的电力设备，需要对 图2注意力机制和Faster RCNN相结合的绝缘子识别 生成基础anchor的长宽比进行改进。本文从 模型 Fig.2 Insulator recognition model based on attention RPN生成基础anchor的原理出发，对绝缘子图像 mechanism and Faster RCNN 数据中绝缘子长宽比进行的统计，统计结果如图3 2.1尺寸放缩 所示，其中绝缘子的长宽比范围按数量依次排序 首先，向注意力机制和Faster RCNN相结合 为(4：1、5：1、6：1、2：1).在此基础之上，将生成基础λ Lcls Lreg Ncls Nreg Ncls Nreg ti t ∗ i 本时，为 1，反之为 0； 为平衡参数。 表示二 值分类损失， 表示位置回归损失，分别由 和 进行归一化， 为 mini-batch大小， 等 于 anchor 数量； 表示预测的 anchor的 4 个参数 化坐标向量； 表示前景 anchor 对应的真实框 (ground truth，GT) 的坐标向量。 7×7 7×7 4) ROI 池化。步骤 3) 中提取的目标建议框形 状差异较大，对应在特征图上的区域同样有较大差 异，因此将每一个区域特征图划分为均等的 块，对每一块执行最大池化，由此将所有区域特征 图大小固定为 ，便于固定全连接层参数。 5) 输入步骤 4) 中固定大小的特征图，通过全 连接层与 Softmax 分类器计算每个目标建议框识 别为目标的概率；同时利用边界框回归对目标建 议框进行精确微调，输出识别结果。 2 改进 Faster RCNN 的绝缘子识别 图 2 为本文所提出的注意力机制和 Faster RCNN 相结合的绝缘子识别模型，主要由特征提 取网络，RPN 区域建议网络和检测网络 3 部分组 成。首先，在特征提取阶段引入 SENet 结构；其 次，对 RPN 生成基础 anchor 的长宽比例和尺度进 行调整；最后，在全连接层 1 上对目标建议框的特 征向量与周围建议框的特征向量融合更新。 特征图 滑动窗口 NMS ROI池化 建议框融合 卷积模块 SENet 全连接层1 边界框回归 全连接层2 边界框回归 分类 输出结果 原始图像 尺寸放缩 特征提取网络 分类 目标建议框 图 2 注意力机制和 Faster RCNN 相结合的绝缘子识别 模型 Fig. 2 Insulator recognition model based on attention mechanism and Faster RCNN 2.1 尺寸放缩 首先，向注意力机制和 Faster RCNN 相结合 的绝缘子识别模型输入原始图像；然后，按照 1.2 节的步骤 1) 对原始图像进行尺寸放缩，限制 图像长边不超过 1 000，短边不超过 600；最后，将 尺寸放缩后的绝缘子图像输出到特征提取网络。 2.2 引入 SENet 结构的特征提取网络 使用 VGG16 特征提取网络，对经过尺寸放缩 后的原始绝缘子图像提取特征。 为使特征提取网络能够利用全局信息，而不 受限于局部感受野，本文在特征提取网络 VGG16 的每个卷积模块 (共 5 个卷积模块) 之后引入 SENet 结构。在特征通道维度进行特征压缩，生成权重 并加权更新通道，得到表达能力更强的特征图。 实验结果表明，引入该结构后，网络识别性能得 到提升。SENet 包含以下 3 个步骤： Zgap X = [x1, x2,··· , xc] Fgap 1) 输入卷积之后的特征图，对每一个特征图 使用全局平均池化，得到长度等于通道数 M 的实 数列 。压缩率 r 设置为 16。特征图 通过全局平均池化 计算如式 (2) 和 式 (3) 所示： Zgap = Fgap(xc) = 1 H × W ∑H m=1 ∑W n=1 xc(m,n) (2) F1 ∈ R M r ×M ,F2 ∈ R M× M r (3) F1 F2 式中：c 为特征图索引； 表示进行降维的全连接 层参数； 表示进行升维的全连接层参数。 S = [s1,s2,··· ,sc] 2) 分别经过两个全连接层输出特征，对特征 使用 Sigmoid 函数激活，生成每个通道对应的权 重信息 ，如式 (4) 所示： S = Sigmoid(F2(ReLU(F1 ×Zgap))) (4) Y = [y1, y2,··· , yc] 3) 根据权值对输入的特征图加权更新，得到 更新后的通道特征 ，如式 (5) 所示： Yc = sc · xc (5) 最终得到第 5 层 SENet 输出的特征图，并将 该特征图输入到 RPN 区域建议网络中。 2.3 改进区域建议网络 首先，将 2.2 节得到的特征图输入到 RPN 中， 在特征图上滑动窗口遍历每个点，每个点上生成 不同长宽比例和尺度的 anchor。 在传统 Faster RCNN 算法中，为识别公共数 据集中的大多数目标，将生成基础 anchor 的长宽 比例设置为 (1:2、1:1、2:1)，但这种比例设置并不 适用于识别绝缘子这类特殊的电力设备，需要对 生成基础 anchor 的长宽比进行改进。本文从 RPN 生成基础 anchor 的原理出发，对绝缘子图像 数据中绝缘子长宽比进行的统计，统计结果如图 3 所示，其中绝缘子的长宽比范围按数量依次排序 为 (4:1、5:1、6:1、2:1)，在此基础之上，将生成基础 ·94· 智 能 系 统 学 报 第 15 卷