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(jī)巡檢拍攝的架空線路絕緣子設(shè)備的照片進(jìn)行處理，旨在建立一個(gè)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(qiáng)圖像特征信息，再對經(jīng)過二值化處理的圖像進(jìn)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(qiáng)的魯棒性。通過這樣一個(gè)檢測模型可以及時(shí)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(xiǎn)，并且可以配合無人機(jī)巡檢，大大減少人力勞動(dòng)，更有效地分配人力資源及減少運(yùn)維的成本。

中圖分類號：TN957.52?34；TP391 ?文獻(xiàn)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(yùn)行各個(gè)方面都擔(dān)負(fù)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(huì)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(shí)，對架空線路絕緣設(shè)備的完整性檢測也是一個(gè)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(jì)算機(jī)對獲取的圖像進(jìn)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(jì)[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.makelele.cn/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(jì)算量大、耗時(shí)長、泛化能力弱等問題，但也存在模型檢測耗時(shí)長、檢測精度不高，對架空線路實(shí)時(shí)巡檢存在一定的難度。 針對架空線路絕緣子自動(dòng)識別與掉串檢測，目前已經(jīng)有一定的研究成果。基于形態(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(huì)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(gè)重點(diǎn)，采用分塊圖像顏色特征和滑動(dòng)窗口直方圖統(tǒng)計(jì)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(qiáng)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(jìn)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(jī)器自動(dòng)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(jìn)而形成一個(gè)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(gè)基于數(shù)據(jù)流編程的機(jī)器學(xué)習(xí)框架，深度學(xué)習(xí)和機(jī)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(qiáng)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(jìn)行訓(xùn)練，使模型具有識別架空線路絕緣子的能力。整個(gè)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(jìn)行池化操作，降低特征維數(shù)，增強(qiáng)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(jìn)行識別分類，以達(dá)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(shí)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(shí)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(jìn)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(jìn)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(jìn)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(shí)利用邊界框回歸層再次對邊界框進(jìn)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?yàn)榻^緣子的結(jié)構(gòu)都具有明顯的規(guī)律性，每個(gè)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(qiáng)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(huì)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(jìn)一步對圖像進(jìn)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(jìn)行識別；然后對識別到的絕緣子圖像進(jìn)行小波去噪、二值化操作，增強(qiáng)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(huì)含有一定的噪聲，對檢測結(jié)果會(huì)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(jìn)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(jìn)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(gè)合理的閾值可以將噪聲過濾掉，實(shí)現(xiàn)信號和噪聲的分割。實(shí)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(jìn)行小波逆變換；

4）將各個(gè)基準(zhǔn)下的信號整合起來，以此達(dá)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(shí)頻域?qū)π盘柕木植刻卣鞫己苊舾校道锶~變換在時(shí)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(shí)也會(huì)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(diǎn)上的連續(xù)灰度值變?yōu)閮蓚€(gè)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(jìn)一步的處理。

2.4 霍夫變換直線檢測

由于無人機(jī)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(qiáng)的條帶狀分布規(guī)律，且絕緣子盤片分布均勻，對絕緣子進(jìn)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(gè)點(diǎn)。直線檢測就是找到一定數(shù)量的點(diǎn)而形成的直線，在霍夫空間中表現(xiàn)為最多線的公共交點(diǎn)。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(diǎn)到所在直線的距離，θ是原點(diǎn)到直線的垂線段與橫軸的夾角。遍歷極坐標(biāo)系下的每個(gè)點(diǎn)，將其映射到霍夫空間，極坐標(biāo)系中一條直線上的點(diǎn)在霍夫空間中對應(yīng)的曲線會(huì)相交于一點(diǎn)，設(shè)定相交于一點(diǎn)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(diǎn)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(shí)驗(yàn)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(jìn)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(jìn)行訓(xùn)練，迭代次數(shù)達(dá)到12000 次后趨于穩(wěn)定，網(wǎng)絡(luò)識別準(zhǔn)確率達(dá)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(jì)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(gè)波峰和第7 個(gè)波峰之間有明顯的曲線波動(dòng)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(shí)是在第6個(gè)絕緣子后有一個(gè)絕緣子掉串。在對50個(gè)絕緣子檢測完整性中，有48個(gè)檢測正確，有2個(gè)檢測錯(cuò)誤，檢測準(zhǔn)確率為96%。其中2個(gè)檢測錯(cuò)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(jìn)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(jī)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(xiàn)

[1] 毛鵬飛 . 初探輸電線路無人機(jī)巡檢實(shí)時(shí)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(jī)自動(dòng)駕駛智能巡檢系統(tǒng)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019，28（4）：105?110.

[3] 張?bào)K，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(jì)算機(jī)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(yùn)動(dòng)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(jì)量學(xué)院學(xué)報(bào)，2010，21（4）：297?300.

[8] 林聚財(cái)，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(dòng)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(bào)，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?yàn)槿斯ぶ悄軕?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?yàn)槿斯ぶ悄軕?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?yàn)橹悄茈娋W(wǎng)。

編輯：黃飛

?