基于深度學(xué)習(xí)的架空線路絕緣子掉串識別研究

廖金，董國芳，劉暢

（云南民族大學(xué) 電氣信息工程學(xué)院，云南 昆明 650504）

摘??要：針對無人機巡檢拍攝的架空線路絕緣子設(shè)備的照片進行處理，旨在建立一個基于Faster R?CNN目標(biāo)檢測算法的架空線路絕緣子設(shè)備識別與掉串診斷的模型。首先通過TensorFlow建立訓(xùn)練框架，將收集到的絕緣子數(shù)據(jù)集訓(xùn)練FasterR?CNN網(wǎng)絡(luò)識別絕緣子，其次利用小波變換去噪增強圖像特征信息，再對經(jīng)過二值化處理的圖像進行霍夫變換直線檢測以及垂直投影確定有無缺陷。該模型絕緣子識別率為 85.6%，掉串檢測正確率為 96%，有較強的魯棒性。通過這樣一個檢測模型可以及時發(fā)現(xiàn)絕緣子設(shè)備存在的絕緣隱患，降低出現(xiàn)絕緣故障的風(fēng)險，并且可以配合無人機巡檢，大大減少人力勞動，更有效地分配人力資源及減少運維的成本。

中圖分類號：TN957.52?34；TP391 ?文獻標(biāo)識碼：A

文章編號：1004?373X（2022）02?0167?05

0 引 言

近年來，電力行業(yè)發(fā)展得極為迅速，電力的需求量增長率也不斷提高，架空線路也不斷的增多，上面的絕緣子設(shè)備也相應(yīng)增加。在架空線路中，絕緣子是一種極其關(guān)鍵的絕緣設(shè)備，對架空線路的安全運行各個方面都擔(dān)負著極其重要的保障作用。架空線路上的絕緣子設(shè)備一直都在各種復(fù)雜的自然環(huán)境中工作，會受到大風(fēng)、雷雨、灰塵等的影響，致使絕緣子逐漸被劣化，甚至直接被擊穿，并且出現(xiàn)掉串。為了使電力領(lǐng)域快速穩(wěn)步的發(fā)展，架空線路的絕緣技術(shù)也需要不斷地尋求突破和創(chuàng)新。同時，對架空線路絕緣設(shè)備的完整性檢測也是一個極其重要的環(huán)節(jié)[1]。在該文中，將人工智能中的圖像識別技術(shù)應(yīng)用到架空線路絕緣子日常巡檢的工作上，為電力系統(tǒng)傳輸工作的智能化發(fā)展提供一定的積極作用[2]。

圖像識別技術(shù)是通過計算機對獲取的圖像進行處理和分析，最終能識別出所要研究的對象的技術(shù)。識別的步驟有圖像預(yù)處理、圖像分割、特征提取和分類器設(shè)計[3]。傳統(tǒng)的圖像識別算法，如ORB(Oriented Fast andRotated BRIEF)[4]、加速穩(wěn)健特征(Speeded Up RobustFeatures，SURF)[5]、尺度不變特征變換(Scale?InvariantFeature Transform，SIFT)[6]等都已經(jīng)取得了一定的成果，但其都需要人工提取圖片的特征信息，導(dǎo)致工作量大以及特征提取不準(zhǔn)確和不完善，并且室外架空線路環(huán)境復(fù)雜多變，設(shè)備數(shù)量眾多，傳統(tǒng)方法難以適用于架空線路絕緣子識別與掉串檢測?；?a href="http://www.wenjunhu.com/tags/神經(jīng)網(wǎng)絡(luò)/" target="_blank">神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法，如R?CNN、Fast R?CNN等，雖然解決了傳統(tǒng)目標(biāo)檢測算法中計算量大、耗時長、泛化能力弱等問題，但也存在模型檢測耗時長、檢測精度不高，對架空線路實時巡檢存在一定的難度。 針對架空線路絕緣子自動識別與掉串檢測，目前已經(jīng)有一定的研究成果?；谛螒B(tài)學(xué)特征檢測是通過面積篩選、圓形度篩選、長寬比篩選來提取缺陷信息，其圖像角度、方向等會影響到圖像分割的質(zhì)量，存在一定的檢測誤差[7]。絕緣子的掉串檢測在缺陷檢測方面是一個重點，采用分塊圖像顏色特征和滑動窗口直方圖統(tǒng)計及直方圖匹配判決識別絕緣子掉串位置，但該方法檢測位置不準(zhǔn)確[8]。 本文提出一種基于Faster R?CNN目標(biāo)檢測算法的輸電線路絕緣子識別與掉串診斷模型。首先，用制作的輸電線路巡檢圖像數(shù)據(jù)集在Faster R?CNN目標(biāo)檢測網(wǎng)絡(luò)中學(xué)習(xí)各種絕緣子特征，并完成對絕緣子的識別；接著通過小波去噪處理，增強將識別的絕緣子圖片特征；再經(jīng)過霍夫變換直線檢測根據(jù)需要旋轉(zhuǎn)為水平或垂直的絕緣子旋轉(zhuǎn)為水平或垂直狀態(tài)；最后再對旋轉(zhuǎn)后的絕緣子進行水平投影或垂直投影，從而找出待測圖片是否有掉串缺陷。本文提出的模型對于傳統(tǒng)檢測方法在復(fù)雜環(huán)境下有更好的識別準(zhǔn)確性及識別速率，且該模型對于絕緣子的掉串檢測有更好的魯棒性。 ?

1 卷積神經(jīng)網(wǎng)絡(luò)模型

卷 積 神 經(jīng) 網(wǎng) 絡(luò)(Convolutional Neural Networks，CNN)的作用是研究對象經(jīng)過一定的訓(xùn)練可以讓機器自動識別分類。CNN主要包括卷積層、池化層、全連接層，將圖像送入CNN，通過逐層的卷積和池化以及激活操作，提取圖片的特征信息。然后對提取的大量特征信息不斷學(xué)習(xí)，進而形成一個可以分類識別的神經(jīng)網(wǎng)絡(luò)模型。

1.1 TensorFlow 框架結(jié)構(gòu)

TensorFlow是一個基于數(shù)據(jù)流編程的機器學(xué)習(xí)框架，深度學(xué)習(xí)和機器學(xué)習(xí)可以在其上面搭建不同應(yīng)用的訓(xùn)練框架，其構(gòu)架靈活性和較強的可移植性使其被廣泛應(yīng)用[9]。

本文以在網(wǎng)絡(luò)上爬取的絕緣子圖片建立的數(shù)據(jù)集為研究對象，在TensorFlow上搭建絕緣子識別模型的訓(xùn)練框架[10]。通過Faster R?CNN目標(biāo)檢測算法構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)模型，使用絕緣子圖片建立的數(shù)據(jù)集對模型進行訓(xùn)練，使模型具有識別架空線路絕緣子的能力。整個訓(xùn)練過程是：首先把制作的VOC數(shù)據(jù)集輸入到該模型，通過卷積層提取圖像的特征信息；然后用激活函數(shù)執(zhí)行激活操作將提取的特征信息形成卷積特征圖；最后對卷積特征圖進行池化操作，降低特征維數(shù)，增強泛化能力，形成池化特征圖。通過數(shù)次卷積池化操作后，將提取出來的特征傳入全連接層進行識別分類，以達到對架空線路絕緣子設(shè)備的識別。整體結(jié)構(gòu)如圖1所示。

1.2 Faster R?CNN 網(wǎng)絡(luò)模型

Faster R?CNN是Girshick等人在2016年提出的目標(biāo)檢測算法[11]。目前基于候選區(qū)域的目標(biāo)檢測算法主要有R?CNN[12]、Fast R?CNN[13]、Faster R?CNN等，其中Faster R?CNN算法采用區(qū)域候選網(wǎng)絡(luò)（Region ProposalNetwork，RPN）替換掉了選擇性搜索算法產(chǎn)生候選區(qū)域，極大地減少了檢測時間，有效地平衡了檢測精度和檢測速度[14]。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。上述網(wǎng)絡(luò)的實現(xiàn)過程大致如下：首先，將一張張待識別的圖片傳入預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型中進行卷積，得到卷積特征圖（Conv Feature Map）。接著，RPN層對得到的卷積特征圖進行處理。RPN的作用是生成區(qū)域建議框，在傳入的卷積特征圖上生成一定數(shù)量大小不等的anchor box，接著在其中的分類環(huán)節(jié)判斷 anchor屬于前景（Foreground）還是后景（Background），即判斷其中有目標(biāo)還是沒目標(biāo),并通過另一分支進行邊界框回歸(Bounding BoxRegression)，修正anchor box，從而形成有一定擬合度的建議框。ROI池化層的作用是利用RPN層生成的建議框和CNN卷積得到的卷積特征圖生成大小一致的建議特征圖（Proposal Feature Map），然后通過全連接層再輸入到后面的分類回歸網(wǎng)絡(luò)中，利用分類層判斷建議框具體的類別，同時利用邊界框回歸層再次對邊界框進行修正，最后得到擬合度相當(dāng)高的檢測框。

2 掉串檢測

2.1 掉串檢測模型構(gòu)建

通過Faster R?CNN網(wǎng)絡(luò)識別后的絕緣子，相對來說沒有除絕緣子外的背景的干擾。因為絕緣子的結(jié)構(gòu)都具有明顯的規(guī)律性，每個絕緣子串大小幾乎相同，且絕緣子的排列間隔距離幾乎相等，因此絕緣子圖片都呈現(xiàn)出很強的條帶狀分布形狀，當(dāng)一串絕緣子中出現(xiàn)掉串或盤片出現(xiàn)大的缺損，絕緣子串的整體均勻規(guī)律就會被破壞?？衫眠@一特征，通過提取這種規(guī)律判斷絕緣子是否出現(xiàn)掉串，就可以完成絕緣子的缺陷識別。所以，只要確定從圖像中提取的規(guī)律性特征信息是否被破壞就可以判別絕緣子所處的狀態(tài)，但要有效地提取出這些規(guī)律性的特征信息，還需要進一步對圖像進行處理。 本文提出的基于Faster R?CNN目標(biāo)檢測的絕緣子掉串檢測模型，首先將巡檢的架空線路圖像輸入到事先訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中對絕緣子進行識別；然后對識別到的絕緣子圖像進行小波去噪、二值化操作，增強圖像的特征信息；接著對圖像作霍夫變換直線檢測，將需要旋轉(zhuǎn)的圖像旋轉(zhuǎn)至水平或垂直角度；最后對圖像作水平投影或垂直投影。步驟如圖3所示。 2.2 小波去噪處理

待檢測的原始圖片都會含有一定的噪聲，對檢測結(jié)果會產(chǎn)生不利的影響。本文通過小波變換對原始圖片中的噪聲進行過濾[15]，利用小波變換的閾值去噪方法對已經(jīng)識別出絕緣子的圖像進行去噪處理。信號經(jīng)過小波分解后，信號和噪聲的小波系數(shù)明顯不同，信號的小波系數(shù)較大，噪聲的小波系數(shù)較小，通過選取一個合理的閾值可以將噪聲過濾掉，實現(xiàn)信號和噪聲的分割。實現(xiàn)步驟如下：

1）利用小波變換將灰度圖原始信號分解到不同的基準(zhǔn)中；

2）剔除噪聲對應(yīng)的小波系數(shù)，保留信號的小波系數(shù)；

3）再對處理后的小波系數(shù)進行小波逆變換；

4）將各個基準(zhǔn)下的信號整合起來，以此達到去除圖像噪聲的目的。

小波變換去噪比傳統(tǒng)的傅里葉變換去噪更具有優(yōu)勢，原因在于小波變換在時頻域?qū)π盘柕木植刻卣鞫己苊舾?，而傅里葉變換在時域上對信號的特征不敏感，因此對圖像邊緣等局部的突變信號難以捕捉，在去除噪聲的同時也會丟失圖像的邊緣信息；而小波變換就能很好地將圖像的邊緣信息保留下來，使圖像的后續(xù)處理更加準(zhǔn)確。

2.3 二值化處理

圖像二值化就是將灰度圖像素點上的連續(xù)灰度值變?yōu)閮蓚€固定的離散值，分別為灰度極大值和灰度極小值，將圖像變成黑白兩極分化的效果[16]。二值化處理方法如固定二值化、大律算法（OTSU）、自適應(yīng)二值化等都是將圖像上的灰度值與對應(yīng)的閾值作比較，將圖像中灰度值大于或等于對應(yīng)閾值的灰度值（設(shè)置為255），設(shè)為目標(biāo)區(qū)域，將其他灰度值（設(shè)置為0），設(shè)為非目標(biāo)區(qū)域。圖像處理依托二值化能大大壓縮圖像數(shù)據(jù)的處理量，提高了圖像處理速度，但依舊可以體現(xiàn)圖像的整體和局部特征信息，從而能讓目標(biāo)的輪廓特征更加清楚直觀，以便于對圖像作進一步的處理。

2.4 霍夫變換直線檢測

由于無人機拍攝的絕緣子角度不同，識別的絕緣子圖像不一定都是垂直水平的，所以需要將識別圖像旋轉(zhuǎn)為水平或者垂直位置以便之后的操作。絕緣子都具有極強的條帶狀分布規(guī)律，且絕緣子盤片分布均勻，對絕緣子進行霍夫變換直線檢測，得到多條直線[17]，將這些直線的平均斜率作為絕緣子質(zhì)心連線的斜率，從而得出絕緣子需要轉(zhuǎn)換的角度。在笛卡爾空間中，y=kx+b表示一條直線，將方程變形為b=-kx+y，這就表示霍夫空間中的一條直線。笛卡爾坐標(biāo)系中的一條直線映射到霍夫空間中就變成了一個點。直線檢測就是找到一定數(shù)量的點而形成的直線，在霍夫空間中表現(xiàn)為最多線的公共交點。為了避免直線垂直 x 軸的特殊情況，故用極坐標(biāo)表示直線：ρ=xcosθ+ysinθ。如圖 4所示，ρ為原點到所在直線的距離，θ是原點到直線的垂線段與橫軸的夾角。遍歷極坐標(biāo)系下的每個點，將其映射到霍夫空間，極坐標(biāo)系中一條直線上的點在霍夫空間中對應(yīng)的曲線會相交于一點，設(shè)定相交于一點曲線數(shù)量的閾值，可以判定是否構(gòu)成直線。極坐標(biāo)系下的點變換到霍夫空間的結(jié)果如圖5所示。

3 仿真結(jié)果 3.1 絕緣子識別

本實驗從網(wǎng)絡(luò)上爬取的圖片采用LabelImg標(biāo)注工具對圖片就行標(biāo)注，進而制作出VOC 數(shù)據(jù)集。用FasterR?CNN深度學(xué)習(xí)網(wǎng)絡(luò)模型對數(shù)據(jù)集進行訓(xùn)練，迭代次數(shù)達到12000 次后趨于穩(wěn)定，網(wǎng)絡(luò)識別準(zhǔn)確率達到85.6%，優(yōu)于Fast R?CNN網(wǎng)絡(luò)算法，具有更高的識別性。絕緣子識別效果圖如圖6所示。

3.2絕緣子掉串檢測

3.2.1圖像小波去噪

小波去噪前后的結(jié)果如圖7所示。

3.2.2 圖像二值化

識別的絕緣子原始圖像二值化結(jié)果如圖8所示。

3.2.3 霍夫變換直線檢測

在霍夫變換直線檢測前需要經(jīng) Canny 算子作邊緣檢測，結(jié)果如圖9所示。再經(jīng)霍夫變換直線檢測后，結(jié)果如圖10所示。然后計算斜率旋轉(zhuǎn)一定角度使絕緣子水平，如圖11所示。再對水平后的絕緣子圖像做垂直投影，投影結(jié)果如圖12所示。由圖中的垂直投影曲線可以看到，從左起第6個波峰和第7 個波峰之間有明顯的曲線波動異常，由此判定此處有絕緣子掉串的情況，對比絕緣子的原圖片發(fā)現(xiàn)確實是在第6個絕緣子后有一個絕緣子掉串。在對50個絕緣子檢測完整性中，有48個檢測正確，有2個檢測錯誤，檢測準(zhǔn)確率為96%。其中2個檢測錯誤的原因是掉串發(fā)生在絕緣子的邊緣，使其檢測為是完好的絕緣子。

? 4 結(jié) 語

隨著人工智能的快速發(fā)展，將人工智能應(yīng)用到電力領(lǐng)域也越來越多。本文提出了一種基于深度學(xué)習(xí)的絕緣子掉串檢測模型。以Faster R?CNN神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)對巡檢的絕緣子進行識別和定位，其添加的 RPN網(wǎng)絡(luò)有效地提高了檢測精度和檢測效率。通過對識別的絕緣子預(yù)處理、小波去噪、霍夫變換及垂直投影，能對有掉串的絕緣子有較高的檢測準(zhǔn)確率，并且能確定掉串位置，對無人機巡檢檢測工作有一定的積極作用。

注：本文通訊作者為董國芳。

參 考 文 獻

[1] 毛鵬飛 . 初探輸電線路無人機巡檢實時通信技術(shù)[J]. 通訊世界，2020，27（1）：214?215.

[2] 麥俊佳，郭圣，徐振磊，等 .輸電線路多旋翼無人機自動駕駛智能巡檢系統(tǒng)[J].計算機系統(tǒng)應(yīng)用，2019，28（4）：105?110.

[3] 張驥，余娟，汪金禮，等 .基于深度學(xué)習(xí)的輸電線路外破圖像識別技術(shù)[J].計算機系統(tǒng)應(yīng)用，2018，27（8）：176?179.

[4] 曾軍英，馮武林，諶瑤，等 . 一種基于 ORB 特征和運動一致性的圖像校正算法[J].現(xiàn)代電子技術(shù)，2019，42（18）：171?176.

[5] 熊凱龍，范方亮，汪保玉，等 .基于一種新的級聯(lián)分類器的目標(biāo)檢測系統(tǒng)[J].現(xiàn)代電子技術(shù)，2020，43（1）：48?52.[6] 吳應(yīng)永 . 基于 SIFT 的火車車底螺栓圖像識別技術(shù)研究[D]. 成都：西南交通大學(xué)，2016.

[7] 單成，吳洪潭，石成龍，等 .圖像處理中的絕緣子缺陷檢測方法[J].中國計量學(xué)院學(xué)報，2010，21（4）：297?300.

[8] 林聚財，韓軍，陳舫明，等 .基于彩色圖像的玻璃絕緣子缺陷診斷[J].電網(wǎng)技術(shù)，2011，35（1）：127?133.

[9] 齊照輝 . 基于 TensorFlow 的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用[D]. 武漢：武漢大學(xué)，2018.

[10] 龔鋼軍，張帥，吳秋新，等 . 基于 TensorFlow 的高壓輸電線路異物識別[J].電力自動化設(shè)備，2019，39（4）：204?209.

[11] REN S Q，HE K M，GIRSHICK R，et al. Faster R ? CNN：towards real ? time object detection with region proposalnetworks [J]. IEEE transactions on pattern analysis andmachine intelligence，2017，39（6）：1137?1149.

[12] GIRSHICK R， DONAHUE J， DARRELL T， et al. Richfeature hierarchies for accurate object detection and semanticsegmentation [C]// Proceedings of IEEE Conference onComputer Vision and Pattern Recognition. Los Alamitos：IEEE，2014：580?587.

[13] GIRSHICK T R. Fast R ? CNN [C]// Proceedings of IEEEInternational Conference on Computer Vision. Los Alamitos：IEEE，2015：1440?1448.

[14] 陳怡佳 .基于 Faster RCNN 的目標(biāo)檢測系統(tǒng)[D].哈爾濱：哈爾濱理工大學(xué)，2019.

[15] 姜 波 . 基 于 MATLAB 的 小 波 降 噪 研 究 [J]. 電 子 制 作 ，2019（13）：87?88.

[16] 李治江，叢林. 基于樸素貝葉斯理論的彩色圖像二值化方法研究[J].數(shù)字印刷，2020（1）：17?21.

[17] 張麗艷，韓熠，趙藝璇，等 . 霍夫變換和 Faster?RCNN 鐵軌上行人檢測方法[J].大連交通大學(xué)學(xué)報，2020，41（2）：100?103.

作者簡介： 廖 金（1995—），男，四川自貢人，碩士研究生，主要研究領(lǐng)域為人工智能應(yīng)用。 董國芳（1979—），女，云南德宏人，博士，副教授，碩士生導(dǎo)師，主要研究領(lǐng)域為人工智能應(yīng)用、智能電網(wǎng)等。 劉暢（1985—），女，白族，云南楚雄人，碩士研究生，云南民族大學(xué)國際合作交流處副處長，助理研究員，主要研究方向為智能電網(wǎng)。

編輯：黃飛

?