·96· 智能系统学报 第15卷 样本数量比为1：1，当正样本数量不足时补充负样 了过多负相关的信息，增大噪声、影响识别结果， 本。Fast RCNN训练过程中，由于全连接层更新 当T取0.7时识别准确率最高。 特征向量是在一幅图像中学习建议框之间的权重 为验证本文提出的算法的有效性，对原始 关系，因此每个mini-batch包含l张图像。动量参 Faster RCNN和改进的Faster RCNN在5O0张测试 数设为0.9，防止模型过拟合的权重衰减参数设 图像上的识别结果进行统计，如表2所示。统计 为0.0005，先将学习率设置为0.001，训练30000 结果表明，本文提出的算法，遗漏和识别错误的 次，再设置学习率为0.0001，训练10000次。模 绝缘子数量明显下降，能够有效识别出绝缘子。 型训练40000次得到的总体损失变化，如图4所 表2统计结果 示，当迭代40000次时模型达到稳定。 Table 2 Statistical results 3.0 算法类型 绝缘子总数 正确遗漏错误 2.5 原算法 1327 1214113 164 1306 2.0 本文算法 1327 21 79 为了更好地比较在传统Faster RCNN基础上 测 改进前后的识别效果，统一采用改进后的12种基 .0 础anchor进行实验。2.2节、2.4节以及整体改进 0.5 后的识别结果如表3所示。表中，AT表示2.4节 ×10 2 中，基于注意力机制的建议框融合的改进方法。 迭代次数 表3模型改进后的识别结果 图4训练总体损失变化 Table 3 Recognition results after model improvement Fig.4 The change of total training loss 网络类型 anchor AP/% AR/% 3.2实验结果 Faster RCNN 12 90.73 94.61 本文实验采用平均准确率(average precision,. SENet+Faster RCNN 91.66 95.37 AP)和召回率(average recall,AR)作为评价指标， AT+Faster RCNN 12 93.85 97.90 以传统Faster RCNN算法作为基准方法，对模型 SENet+AT+Faster RCNN 12 94.30 98.42 各部分改进前后的效果进行比较和分析。 3.2.1RPN建议框比例对识别结果的影响 由表3测试集的对比结果可以看出，在改进 在传统Faster RCNN算法基础上，对绝缘子 基础anchor长宽比例和尺度后的Faster RCNN模 数据集中绝缘子长宽比分布统计，并采用2.3节 型中引入SENet结构，绝缘子识别准确率达到 调整后的基础anchor长宽比例和尺度，得到如表1 91.66%,运用注意力机制对建议框进行融合后， 所示的对比实验结果，模型的基础anchor改进为 准确率达到93.85%，在同时引入SENt结构和融 12种后，平均准确率提升了2.57%，召回率提升 合建议框后，识别效果得到明显提升，识别准确 了3.16%。因此，针对绝缘子数据特点，合理地调 率达到94.30%，召回率达到98.42%，说明提出的 整基础anchor长宽比例和尺度可以有效提高绝缘 结合SENet提升特征表达能力和融合周围建议框 子识别的准确率。 的特征向量使目标建议框位置信息更加准确的改 表1不同建议框比例的识别结果 进算法是有效的。 Table 1 Recognition results in different proportion of re- 不同方法对比结果见表4，可以看出，相比较 commendation boxes 文献[6-8]针对复合绝缘子的识别，本文方法具有 基础anchor个数 AP/% AR/% 较好的准确率。 9 88.10 91.48 表4不同方法识别结果 12 90.73 94.61 Table 4 Recognition results of different methods 方法 3.2.2基于注意力机制的绝缘子识别结果 AP/% 文献[6] 90.00 实验过程中，对2.4节建议框融合的阈值 T进行调整，当T过大时，可用于融合的周围建议 文献[] 84.29 框数目减少，进行融合的信息不够充分；当T过 文献8] 90.50 小时，可用于融合的周围建议框数目增多，融合 本文方法 94.30样本数量比为 1:1，当正样本数量不足时补充负样 本。Fast RCNN 训练过程中，由于全连接层更新 特征向量是在一幅图像中学习建议框之间的权重 关系，因此每个 mini-batch 包含 1 张图像。动量参 数设为 0.9，防止模型过拟合的权重衰减参数设 为 0.000 5，先将学习率设置为 0.001,训练 30 000 次，再设置学习率为 0.000 1，训练 10 000 次。模 型训练 40 000 次得到的总体损失变化，如图 4 所 示，当迭代 40 000 次时模型达到稳定。 0 2 3 迭代次数 3.0 2.5 2.0 1.5 1.0 0.5 总体损失 4 ×104 1 图 4 训练总体损失变化 Fig. 4 The change of total training loss 3.2 实验结果 本文实验采用平均准确率 (average precision， AP) 和召回率 (average recall，AR) 作为评价指标， 以传统 Faster RCNN 算法作为基准方法，对模型 各部分改进前后的效果进行比较和分析。 3.2.1 RPN 建议框比例对识别结果的影响 在传统 Faster RCNN 算法基础上，对绝缘子 数据集中绝缘子长宽比分布统计，并采用 2.3 节 调整后的基础 anchor 长宽比例和尺度，得到如表 1 所示的对比实验结果，模型的基础 anchor 改进为 12 种后，平均准确率提升了 2.57%，召回率提升 了 3.16%。因此，针对绝缘子数据特点，合理地调 整基础 anchor 长宽比例和尺度可以有效提高绝缘 子识别的准确率。 表 1 不同建议框比例的识别结果 Table 1 Recognition results in different proportion of re￾commendation boxes 基础anchor个数 AP/% AR/% 9 88.10 91.48 12 90.73 94.61 3.2.2 基于注意力机制的绝缘子识别结果 实验过程中，对 2.4 节建议框融合的阈值 T 进行调整，当 T 过大时，可用于融合的周围建议 框数目减少，进行融合的信息不够充分；当 T 过 小时，可用于融合的周围建议框数目增多，融合 了过多负相关的信息，增大噪声、影响识别结果， 当 T 取 0.7 时识别准确率最高。 为验证本文提出的算法的有效性，对原始 Faster RCNN 和改进的 Faster RCNN 在 500 张测试 图像上的识别结果进行统计，如表 2 所示。统计 结果表明，本文提出的算法，遗漏和识别错误的 绝缘子数量明显下降，能够有效识别出绝缘子。 表 2 统计结果 Table 2 Statistical results 算法类型 绝缘子总数 正确 遗漏 错误 原算法 1 327 1 214 113 164 本文算法 1 327 1 306 21 79 为了更好地比较在传统 Faster RCNN 基础上 改进前后的识别效果，统一采用改进后的 12 种基 础 anchor 进行实验。2.2 节、2.4 节以及整体改进 后的识别结果如表 3 所示。表中，AT 表示 2.4 节 中，基于注意力机制的建议框融合的改进方法。 表 3 模型改进后的识别结果 Table 3 Recognition results after model improvement 网络类型 anchor AP/% AR/% Faster RCNN 12 90.73 94.61 SENet+Faster RCNN 12 91.66 95.37 AT+Faster RCNN 12 93.85 97.90 SENet+AT+Faster RCNN 12 94.30 98.42 由表 3 测试集的对比结果可以看出，在改进 基础 anchor 长宽比例和尺度后的 Faster RCNN 模 型中引入 SENet 结构，绝缘子识别准确率达到 91.66%，运用注意力机制对建议框进行融合后， 准确率达到 93.85%，在同时引入 SENet 结构和融 合建议框后，识别效果得到明显提升，识别准确 率达到 94.30%，召回率达到 98.42%，说明提出的 结合 SENet 提升特征表达能力和融合周围建议框 的特征向量使目标建议框位置信息更加准确的改 进算法是有效的。 不同方法对比结果见表 4，可以看出，相比较 文献 [6-8] 针对复合绝缘子的识别，本文方法具有 较好的准确率。 表 4 不同方法识别结果 Table 4 Recognition results of different methods 方法 AP/% 文献[6] 90.00 文献[7] 84.29 文献[8] 90.50 本文方法 94.30 ·96· 智 能 系 统 学 报 第 15 卷