Page 48 - 无损检测2023年第九期

耿座学, 等:

边缘算法优化 FasterR-CNN 算法下的输电线路缺陷识别方法

类层内分别包含4k 和2k 个输出, 分类层输出即为 将快速区域卷积神经网络应用于输电线路缺陷
不同建议框归于目标或不归于目标的概率。 K 个 识别中, 可实现缺陷快速识别。

建议框被对应的 k 个锚点框参数化, 不同锚以当前 1.4 边缘算法优化 FasterR-CNN 算法的输电线路
滑动窗口中心为基准点 [ 13 ] 。 RPN 网络结构示意如 缺陷识别

图2所示。 一般情况下, FasterR-CNN 算法即可完成目标
识别的目的, 但将其应用于输电线路缺陷识别时, 在
目标区域大于图像边界的条件下, 需舍弃目标区域,
从而导致训练过程不收敛, 降低最终识别精度, 因此

需对 FasterR-CNN 算法进行优化。利用边缘计算

优化 FasterR-CNN 算法可有效调整网络结构, 减
少模型参数和计算量, 从而在边缘处理上更加高效。
和 分别表示 FasterR-CNN 算法待

以 e i , j g i , j
识别的输电线路图像和该图像的梯度幅值, , 可
g ij
表示为
2
g i , j = dx +d y 2 ( 6 )
图2 RPN 网络结构示意 式中: dx 表示待识别输电线路图像在 x 方向上的偏
RPN 网络联合训练损失函数为 导数; d y 表示待识别输电线路图像在 y 方向上的偏

1 导数。
*
L p i , t i = ∑ L cls p i p i +
,

N cls i 则有
1
*
*
,
λ ∑ p i L re g t it i ( 3 ) dx ( x , ) ∂ e i , j ( 7 )

y =

N re g i ∂x
式中: L cls p i p i 和 p i L re g t it i 分别表示分类
*
*
*
,
,

∂e i , j ( 8 )
y =
(
损失函数和框回归损失函数, 其中 L cls p i p i 选 d y x , ) ∂ y
*
,

p i L re g t it i 根据所得到的锚
用softmax 函数, * , * 由于输电线路图像边缘的灰度值波动具有间断

点框尺寸与其中心坐标, 将其与锚点框试点坐标轴 性 [ 14 ] , 梯度幅值较为显著, 因此输电线路图像的边
位置实施线性回归处理, 得到 缘点同其周围的非边缘点梯度差异显著 [ 15 ] 。以

x-x a e' i , j 表示输电线路图像边缘第 i 个像素点的梯度,
t x =
w a 梯度差上限为
y-y a ( 9 )
t y = E' i , j = e i , j - e' i , j
h a 由此得到该像素点的梯度差上限

( 4 )
w
,

t w = l g E i , j =max ( E1 i , j E2 i , j ,…, En i , j ) ( 10 )
w a
利用式( 10 ) 确定像素点梯度幅值, 并抑制其非
h

t h = l g 极大值, 将局部极大值外的全部梯度值均抑制为0 ,

h a

由此完善 FasterR-CNN 算法在边缘处理上的缺
*
* x -x a
t x = 陷, 提升终端输电线路图像缺陷识别精度。

w a

至此, 完成基于边缘算法优化 FasterR-CNN
*
y -y a
*
t y =

算法的输电线路缺陷识别方法的设计。
h a

( 5 )
w * 2 测试结果
*

t w = l g
w a

h * 为验证文章所研究的基于边缘算法优化FasterR-

*

t h = l g

h a CNN算法的输电线路缺陷识别方法的有效性, 以某市

式中: x 和 y 分别表示锚点框中心坐标; w 和 h 分 域输电线路为测试对象, 利用文章算法对测试对象内
别表示锚点框宽度和高度。 输电线路缺陷进行识别。利用无人机采集输电线路缺
4
1
2023年 第45卷 第9期
无损检测