基于YOLOv5 的绝缘子图像自动标注

徐文静 高云天 陈 晨 叶泽恩（天津工业大学，天津300387）

绝缘子是输电线路中常见绝缘器件，需要对其进行故障检测。利用人工智能技术[1]可以提升绝缘子故障检测的智能化，而且借助人工智能技术自动识别绝缘子故障已成为一种趋势。但是，目前智能的识别方法依赖于有标注的样本库。

目前图像标注方法主要有两种：一种是利用LabelMe、Label Image[2]等标注软件进行人工手动标注，这种方法在标注大量数据集时往往费时耗力。另一种是利用开源数据集“外包平台”和调用API 进行标注，这种方法增加了维护成本。因此，需要研究适合绝缘子检测的图像自动标注方法。本文的目的就是设计一种绝缘子图像自动标注方法。

1 YOLOv5 模型综述

YOLO（You Only Look Once）是目标检测领域常用的神经网络模型，直接输入整张图片，是端到端的网络模型。YOLOv5模型是YOLO 模型的版本之一，在v5 发布前有v1、v2、v3、v4 等版本，其网络结构不断强化，模型训练速度不断提升。YOLO 官方[3]发布的YOLOv3 网络与其它网络性能对比情况如图1 所示。

图1 YOLOv3 与其它网络性能对比[3]

由图1 可知，YOLOv3 模型具有高准确率、低耗时等特点。与v3、v4 等版本相比，v5 版本模型训练速度更快，精确度更高。

使用YOLOv5 模型，只需适当调整模型参数，训练模型后，便可准确检测绝缘子图像。如图2 所示，绝缘子图像自动标注的实现流程可分为模型训练和自动标注两部分，模型训练过程包括人工标注、构建数据、调整参数、训练数据、测试数据等五步。

图2 绝缘子图像自动标注技术流程图

2 绝缘子图像自动标注算法

2.1 网络框架

在整体网络结构方面，YOLO 模型使用与GoogLeNet 结构相似的神经网络[9]，将3×3 的卷积核作为过滤器，使用1×1 的卷积层来减少通道规模。总体上说，YOLO 网络有24 个卷积层，2 个全连接层。输入图像经该网络处理后，在输出端的全连接层输出一个S×S×(5×b+c) 的张量，其中S×S 为方格个数，b 为预测边界框个数。

2.2 特征提取

YOLO 在特征提取方面进行了改进。传统应用中，目标检测网络（如RCNN 和SSD）多为分类问题，YOLO 则将其视为回归问题，直接输入整张图片，不再使用全链接层，形成端到端的网络，使模型的训练效率大大提高[6]。边界框回归（Bounding Box Regression）是其回归思想的体现，使用边界框回归算法即可在大量候选框中找到准确的标注框，过程如下:

2.2.1 分割网格

使用滑窗口切割整张图片为S×S 个网格，若待测物体中心恰好落在网格中，那么该网格就可负责预测该物体，每个网格在目标中心产生多个大小不同的候选框，通过平移和缩放对其回归如图3 所示，回归计算方法[3]为:

图3 边界框回归

在遍历所有网格后，在网络输出端输出置信度，置信度是候选边界框和真实边界框的交并比IoU，计算公式为[5]：

式中：A、B 分别为真实边框和候选边框的面积。

YOLOv5 对IoU 进行改进，GIoU[7]便由此产生，其方法是找到一个最小封闭形状C，让C 将边框A 和B 包围在内，然后计算C 中未覆盖A 和B 的面积占C 总面积的比例，计算公式为:

在算法求解时，将损失函数GIoU Loss 与非极大值抑制算法（Non-Maximum Suppression，NMS）结合，搜索局部极大值即可得到准确的标注结果。

3 训练及结果分析

使用Python 语言并基于Pycharm 对提出的绝缘子自动标注算法进行编程实现。使用1300 张人工标注的绝缘子图像对搭建的YOLOv5 网络模型进行训练，再用2750 张未标注的绝缘子图像对训练的模型进行测试。

3.1 模型训练

由于YOLOv5s 使用的是PASCAL VOC[4]数据格式，故这里先将待训练的绝缘子图像进行格式化处理，处理过程如图5 所示。由图5 可知，在进行网络训练之前，将人工标注的xml 格式文件转化成txt 格式文件，再将txt 文件内容分别写入Test.txt、Train.txt、Val.txt、Trainval.txt 保存。

图5 YOLOv5 数据格式

在训练前可设定YOLOv5 模型参数初值[7]，随后根据训练结果调整。经多次试验，学习率为0.0005，训练次数epochs 数值为300，单次训练图像数batch-size 数值为5，总耗时4h53min，训练速度较快。

3.2 模型评价

使用插值平均精度方法评估目标检测的结果，计算准确率P和召回率R 并绘制P-R 曲线[8]。平均准确率AP 和总平均准确率mAP 可作为评价模型的指标，AP 由精确率和召回率求平均得到，mAP 由所有的AP 值求平均得到。

式中：TP 为准确检测出绝缘子的数量，FP 为将其它物体检测为绝缘子的数量。

式中：FN 为将绝缘子检测为其它物体的数量。

使用2750 张未标注的绝缘子图像进行验证，图6 为评价结果，(a)图中mAP 值为0.951，这说明其精度较高。(b)、(c)图为绝缘子图像的物体检测信息和物体检测准确率，测试结果良好。

图6 模型评价结果

3.3 自动标注

选取最优模型对新数据集进行预测，在绝缘子图像中用边界框标注出待检测物体。预测边界框左上角含有信息和准确率，在同名文件夹中生成标注文本，其格式如表1 所示。

表1 绝缘子标注信息

如表1 所示，标注信息文件中包括x、y 坐标和类别序号(0为绝缘子，1 为其他物体)。表中可知该张图像中含有2 个绝缘子，其序号分别表示为0，横纵坐标的极值显示在文件中。

基于YOLOv5 模型的自动标注效果显著，如图7 所示，(a)中绝缘子分布均匀，由图可知标注出3 个绝缘子且准确率分别为0.86、0.93、0.86。另外几种常见特殊标注情况，准确率均值可达0.80 以上。(b)目标过大/过小、(c)标注框嵌套、(d)边框重叠。

图7 预测标注信息

4 结论

设计了一种基于YOLOv5 的绝缘子图像自动标注方法，该方法具有高效、准确、轻体量的特点，可在短时间内生成大量带有标注信息的绝缘子图像数据，为绝缘子故障的自动识别提供有力保障。