Детектирование дефектов неисправных элементов линий электропередач при помощи нейронных сетей семейства YOLO

В настоящее время визуальная диагностика состояния элементов линий электропередач (ЛЭП) является сложной и трудоемкой процедурой. В целях повышения эффективности и снижения трудозатрат этой процедуры наиболее перспективным является применение беспилотных летательных аппаратов, оборудованных системами компьютерного зрения, выполняющих автоматическую детекцию поврежденных элементов ЛЭП. Для повышения качества детекции поврежденных участков ЛЭП системами компьютерного зрения наиболее перспективно применение современных глубоких нейросетевых архитектур. Однако, вопрос применения таких архитектур в обозначенной задаче недостаточно освещен в современных исследованиях. Особо остро стоит вопрос сравнения различных нейронных сетей и выявления значимых различий в их результатах. Данная статья посвящена сравнительному анализу современных нейросетевых детекторов YOLOv3 и YOLOv4, а также их сокращенных версий (YOLOv3-tiny и YOLOv4-tiny) в задаче детекции дефектов ЛЭП. Приводятся результаты обучения этих детекторов на наборе данных CPLID, а также статистическое сравнение результатов YOLOv3 и YOLOv4 посредством процедуры кросс-валидации. Детекторами были показаны высокие результаты точности детекции (mAP@0,50=0,97±0,03; mAP@0,75=0,78±0,04), а также статистически значимые различия в этих результатах. Сравнительный анализ результатов показал, что применение более простой нейронной сети YOLOv3 является более перспективным в задаче детекции дефектов ЛЭП.

1. Savvaris A., Xie Y., Malandrakis K., Lopez M., Tsourdos A. Development of a fuel cell hybrid-powered unmanned aerial vehicle. 2016 24th mediterranean conference on control and automation (MED). 2016:1242–1247.

2. Zhang Tao, et al. Current trends in the development of intelligent unmanned autonomous systems. Frontiers of information technology & electronic engineering. 2017;18(1):68-85.

3. Sadykova D., Pernebayeva D., Bagheri M., James A. IN-YOLO: Real-time detection of outdoor high voltage insulators using UAV imaging. IEEE Transactions on Power Delivery. 2019;35(3):1599–1601.

4. Bian J., Hui X., Zhao X., Tan M. A monocular vision-based perception approach for unmanned aerial vehicle close proximity transmission tower inspection. International Journal of Advanced Robotic Systems. 2019;16(1):1729881418820227.

5. He K., Gkioxari G., Dollar P., Girshick R. Mask R-CNN. Proceedings of the IEEE international conference on computer vision. 2017:2961–2969.

6. Girshick R. Fast R-CNN. Proceedings of the IEEE international conference on computer vision. 2015:1440–1448.

7. Ren S., He K., Girshick R., Sun J. Faster r-cnn: Towards real-time object detection with region proposal networks. IEEE transactions on pattern analysis and machine intelligence. 2016;39(6):1137–1149.

8. Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: Unified, real-time object detection. Proceedings of the IEEE conference on computer vision and pattern recognition. 2016:779–788.

9. Pál D., Póczos B., Szepesvári C. Estimation of Rényi Entropy and Mutual Information Based on Generalized Nearest-Neighbor Graphs. Advances in neural information processing systems. 2010:1849–1857.

10. Liu W., Anguelov D., Erhan D., Szegedy C., Reed S., Fu C.-Y., Berg A.C. SSD: Single shot multibox detector. European conference on computer vision. Springer, Cham. 2016:21–37.

11. Астапова М.А., Лебедев И.В. Обзор подходов к детектированию дефектов элементов ЛЭП на изображениях в инфракрасном, ультрафиолетовом и видимом спектрах. Моделирование, оптимизация и информационные технологии. 2020;8(4):38–39.

12. Prates R.M., Cruz R., Marotta A.P., Ramos R.P., Simas Filho E.F., Cardoso J.S. Insulator visual non-conformity detection in overhead power distribution lines using deep learning. Computers & Electrical Engineering. 2019;78:343–355.

13. Liu C., Wu Y., Liu J., Sun Z. Improved YOLOv3 Network for Insulator Detection in Aerial Images with Diverse Background Interference. Electronics. 2021;10(7):771.

14. Tao X., Zhang D., Wang Z., Liu X., Zhang H., Xu D. Detection of Power Line Insulator Defects Using Aerial Images Analyzed With Convolutional Neural Networks. IEEE Transactions on Systems, Man, and Cybernetics: Systems. 2020;50(4):1486–98.

15. Liao G.P., Yang G.J., Tong W.T., Gao W., Lv F.L., Gao D. Study on power line insulator defect detection via improved faster region-based convolutional neural network. 2019 IEEE 7th International Conference on Computer Science and Network Technology (ICCSNT). 2019:262–266.

16. Insulator Data Set – Chinese Power Line Insulator Dataset (CPLID). Доступно по: https://github.com/InsulatorData/InsulatorDataSet (дата обращения: 16.12.2021).

17. Transmission Tower DataSet in VOC data format. Доступно по: https://drive.google.com/drive/folders/1UyP0fBNUqFeoW5nmPVGzyFG5IQZcqlc5 (дата обращения: 16.12.2021).

18. Ömer Emre Yetgin, Ömer Nezih GEREK. Powerline Image Dataset (Infrared-IR and Visible Light-VL). 2019. Доступно по: https://data.mendeley.com/datasets/n6wrv4ry6v/8 (дата обращения: 16.12.2021).

19. Dataset for insulator fault detection Доступно по: https://figshare.com/articles/dataset/66KVimage_zip/14992944 (дата обращения: 16.12.2021).

20. STN PLAD: A Dataset for Multi-Size Power Line Assets Detection in High-Resolution UAV Images. Доступно по: https://github.com/andreluizbvs/PLAD (дата обращения: 16.12.2021).

21. Lin T.Y., Dollár P., Girshick R., He K., Hariharan B., Belongie S. Feature pyramid networks for object detection. Proceedings of the IEEE conference on computer vision and pattern recognition. 2017:2117–2125.

22. Russakovsky O., et al. Imagenet large scale visual recognition challenge. International journal of computer vision. 2015;115(3):211–252.

23. Redmon J., Farhadi A. Yolov3: An incremental improvement. arXiv preprint arXiv:1804.02767. 2018.

24. Redmon, J., Farhadi, A. Yolo9000: better, faster, stronger arXiv preprint. 2017.

25. Redmon J., et al. You only look once: Unified, real-time object detection. Proceedings of the IEEE conference on computer vision and pattern recognition. 2016:779–788.

26. He K., Zhang X., Ren S., Sun, J. Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition. 2016:770–778.

27. Everingham M., Van Gool L., Williams C. K., Winn J., Zisserman A. The pascal visual object classes (voc) challenge. International journal of computer vision. 2010;88(2):303–338.

28. Lin T.Y., et al. Microsoft coco: Common objects in context. European conference on computer vision. Springer, Cham. 2014:740–755.

29. Adelson E.H., Anderson C.H., Bergen J.R., Burt P.J., Ogden J.M. Pyramid methods in image processing. RCA engineer. 1984;29(6):33–41.

30. Liu S., Qi L., Qin H., Shi J., Jia J. Path aggregation network for instance segmentation. Proceedings of the IEEE conference on computer vision and pattern recognition. 2018:8759–8768.

31. Huang G., Liu Z., Van Der Maaten L., Weinberger K.Q. Densely connected convolutional networks. Proceedings of the IEEE conference on computer vision and pattern recognition. 2017:4700–4708.

32. Bochkovskiy A., Wang C.Y., Liao, H.Y.M. Yolov4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934. 2020.

33. Dietterich T.G. Approximate statistical tests for comparing supervised classification learning algorithms. Neural computation. 1998;10(7):1895–1923.

34. Zhang K., Zhang Z., Li Z., Qiao Y. Joint face detection and alignment using multitask cascaded convolutional networks. IEEE Signal Processing Letters. 2016;23(10):1499–1503.

35. Viola P., Jones M. Rapid object detection using a boosted cascade of simple features. Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. CVPR 2001. 2001;1:I–I.