(西安工程大學(xué) 電子信息學(xué)院，西安 710048)

0 引言

輸電線路中出現(xiàn)絕緣子串表面污穢、自爆、破損和裂紋等故障嚴(yán)重威脅著輸電線路的安全可靠運(yùn)行?；谝曨l分析的輸電線路監(jiān)測(cè)平臺(tái)是智能電網(wǎng)核心組成部分。隨著極端天氣比如沙塵暴、霧霾、以及暴風(fēng)雪等對(duì)現(xiàn)場(chǎng)輸電線路監(jiān)測(cè)的影響，因而采用優(yōu)秀的圖像顯著特征檢測(cè)算法來(lái)更清晰提取絕緣子串或?qū)Ь€的實(shí)時(shí)狀態(tài)顯得越來(lái)越重要。

目前對(duì)于遠(yuǎn)程采集的絕緣子串或?qū)Ь€工作狀態(tài)圖像的處理方法包括：基于顏色特征的絕緣子串和導(dǎo)線的狀態(tài)監(jiān)測(cè)[1]，該類方法依據(jù)單一特征變化量監(jiān)測(cè)識(shí)別，如果采集的圖像背景較復(fù)雜時(shí)，絕緣子串和導(dǎo)線的特征檢測(cè)效果較差，影響輸電線路的工作狀態(tài)實(shí)時(shí)檢測(cè)。

近年來(lái)，顯著物體檢測(cè)受到了廣泛的關(guān)注，作為一種在圖像處理領(lǐng)域高效使用的預(yù)處理方法，顯著特征檢測(cè)在各種圖像處理領(lǐng)域應(yīng)用變得至關(guān)重要，例如，物體檢測(cè)和分割，圖像重新定位，對(duì)比度增強(qiáng)，圖像融合，圖像分類等。

顯著性檢測(cè)模型可以分為兩類：從元素的角度來(lái)看類。第一類是基于像素的方法，這些方法受到非均勻突出顯著區(qū)域的影響會(huì)產(chǎn)生不連續(xù)的邊界；為了克服這些缺點(diǎn)，已經(jīng)提出了第二類基于超像素的方法，首先，與基于像素的方法相比，基于超像素的方法包括一些基于區(qū)域特征，如顏色直方圖，這比單個(gè)像素的顏色更有效。

基于區(qū)域的方法很好地保留了顯著對(duì)象的形狀，而基于像素的方法忽略了物體形狀的多樣性。全局特征檢測(cè)方法是以整個(gè)圖像為對(duì)象來(lái)計(jì)算顯著特征，通過(guò)整體稀有度和唯一性預(yù)測(cè)圖像的顯著區(qū)域，并將噪聲敏感到邊緣等高頻圖像內(nèi)容。當(dāng)區(qū)域與背景類似時(shí)，全局方法無(wú)法突出顯示紋理的效果。

對(duì)于不同尺度的顯著性檢測(cè)，一些超像素可能包含完全突出的對(duì)象，忽略異構(gòu)的局部細(xì)節(jié)特征，不能得到準(zhǔn)確完整的顯著特征，影響顯著區(qū)域的檢測(cè)效果。

深度學(xué)習(xí)在各領(lǐng)域的應(yīng)用越來(lái)越廣泛，該模型是參考人腦分層工作原理，從底層輸入信號(hào)到高層輸出語(yǔ)義之間建立映射關(guān)系。將卷積神經(jīng)網(wǎng)絡(luò)(CNN)應(yīng)用于顯著性檢測(cè)模型中可以提取圖像的高級(jí)特征，提高檢測(cè)的效率。

近年來(lái)特征檢測(cè)領(lǐng)域出現(xiàn)很多代表性模型：LC模型[2]：該模型將一幅圖像劃分為不同的區(qū)域, 計(jì)算各區(qū)域之間顏色元素的差異度，相比于全局對(duì)比度模型能更好的提取顯著目標(biāo)的細(xì)節(jié)；Goferman等人[3]先通過(guò)局部對(duì)比方法產(chǎn)生較模糊顯著圖，利用區(qū)域協(xié)方差對(duì)對(duì)結(jié)構(gòu)信息進(jìn)行編碼，并在不同的特征圖上進(jìn)行非線性積分得到顯著區(qū)域；文獻(xiàn)[4]提出了UCF模型，是在特定卷積層之后構(gòu)建一個(gè)不確定的內(nèi)部特征集合，用于提高顯著性檢測(cè)的魯棒性和準(zhǔn)確性。文獻(xiàn)[5]的顯著性檢測(cè)方案是對(duì)前景依照顏色和紋理線索，依次在每個(gè)特征集群中集成它們，再通過(guò)兩幅顯著圖的線性組合生成最終顯著圖，該方法魯棒性較好，但算法耗時(shí)較多。

本課題以提高絕緣子串特征檢測(cè)效果為目標(biāo)，引入視覺(jué)顯著機(jī)制與深度學(xué)習(xí)算法，改善在遮擋或背景較復(fù)雜時(shí)對(duì)于絕緣子串的檢測(cè)效果，達(dá)到無(wú)顏色沾粘，更清晰完整，減少算法運(yùn)行時(shí)間，提高電網(wǎng)系統(tǒng)可靠性。

1 算法分析

本課題首先采用多尺度方法將圖像分解為不同的層，然后采用SLIC[6]將每層圖像分解為不同的超像素，采用超像素特征來(lái)描述多尺度圖像的某個(gè)區(qū)域的特征信息，計(jì)算各超像素的紋理特征和信息熵特征得到圖像的粗略顯著區(qū)域，并作為樣本集輸入Region Net網(wǎng)絡(luò)，最后通過(guò)多次網(wǎng)絡(luò)迭代訓(xùn)練得到顯著物體特征。采用上述方法對(duì)輸電線路中的絕緣子進(jìn)行提取，并對(duì)狀態(tài)進(jìn)行監(jiān)測(cè)，提高特征檢測(cè)的準(zhǔn)確性和完整性。

1.1 顯著前景區(qū)域緊湊性計(jì)算

對(duì)于較復(fù)雜的圖像，對(duì)象特征檢測(cè)容易錯(cuò)過(guò)一些顯著信息，比如顯著對(duì)象周?chē)嬖陔s亂背景，或者物體和背景之間的對(duì)比度較低等[7]。由于顯著對(duì)象可能出現(xiàn)在圖像不同的尺度上，與背景形成不同的對(duì)比度，因而本課題引入超像素和統(tǒng)計(jì)方法來(lái)降低復(fù)雜場(chǎng)景的難度。采用多尺度方式將圖像分解為不同的層，然后通過(guò)SLIC將每層分解為不同大小的超像素，超像素優(yōu)勢(shì)表現(xiàn)在保證特征信息不變的情況下大大減少運(yùn)算量，多尺度結(jié)構(gòu)可以保持不同尺度下獲得的顯著區(qū)域之間的一致性，同時(shí)有效地組合區(qū)域和邊界特征獲得更完整的顯著特征。

圖1 不同k劃分結(jié)果圖

(1)

(2)

式中，w(l)和w(l,m)是兩個(gè)維度矩陣nl×nl和nl×nm。w可以通過(guò)矩陣表示為：

(3)

上式中應(yīng)中的每個(gè)子矩陣的對(duì)角元素都設(shè)置為0。

為了對(duì)上述算法進(jìn)行對(duì)比說(shuō)明，圖2展示了使用單尺度和多尺度處理的效果進(jìn)行對(duì)比?？梢缘贸觯菏褂没诙喑叨葎澐值姆椒梢员葐纬叨确椒ǜ鼫?zhǔn)確的定位顯著信息，同時(shí)剔除周?chē)糠衷肼暋?/p>

圖2 單尺度與多尺度對(duì)比

2 基于Fast-CNN模型[8-9]的改進(jìn)設(shè)計(jì)

由于復(fù)雜背景下絕緣子串圖像易受光照、霧霾等影響，會(huì)產(chǎn)生色差、變形以及部分遮擋，本課題提出將改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)和顯著性檢測(cè)的方法相結(jié)合，用于絕緣子串特征提取，提高絕緣子串特征的檢測(cè)的準(zhǔn)確性。圖3為卷積神經(jīng)網(wǎng)絡(luò)工作的流程圖。

圖3 卷積神經(jīng)網(wǎng)絡(luò)流程圖

將CNN應(yīng)用于顯著性檢測(cè)網(wǎng)絡(luò)可以自動(dòng)學(xué)習(xí)圖像的結(jié)構(gòu)化特征功能，通過(guò)端到端的傳播方法提取圖像的特征，代替復(fù)雜的手工提取特征，大大提高特征提取的效率。

針對(duì)實(shí)時(shí)采集的輸電線路工作圖片，通過(guò)本課題算法對(duì)圖片中有效區(qū)域進(jìn)行監(jiān)控，本課題提出了Region Net網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、效率高，Region Net利用CNN具有完全連接的層，各層負(fù)責(zé)不同特征的提取，并利用區(qū)域細(xì)化方法用于實(shí)現(xiàn)顯著區(qū)域的精確計(jì)算，進(jìn)一步提高了檢測(cè)精度?；贑NN的顯著區(qū)域細(xì)化處理的特點(diǎn)是基于物體特征的稀有性和獨(dú)特性，考慮整個(gè)圖像信息以檢測(cè)出突出區(qū)域，從而檢測(cè)出盡可能多的顯著對(duì)象。由于該方法檢測(cè)出的顯著特征不同于對(duì)高頻圖像中的敏感的邊緣和噪聲特征，該方法減少背景特征和噪聲特征的影響。

本課題提出的顯著性檢測(cè)框架如圖4所示：首先對(duì)圖像進(jìn)行預(yù)處理，然后將1.1節(jié)中提取粗略顯著區(qū)域(如圖4中b圖)和原圖(如圖4中a圖)分別送入到Region Net，通過(guò)Region Net能夠預(yù)測(cè)端到端的準(zhǔn)確的顯著區(qū)域，分別為圖4中的FS和FC，最后形成整個(gè)圖像的顯著特征圖FH，明顯提高顯著對(duì)象檢測(cè)性能。

圖4 區(qū)域網(wǎng)路框圖

本課題提出的顯著特征檢測(cè)網(wǎng)絡(luò)中，采用VGG16 CNN[10]進(jìn)行訓(xùn)練。VGG16的訓(xùn)練是先從各層中提取特征后進(jìn)行線性組合，增強(qiáng)對(duì)輸入圖像的顯著特征提取，然后使用子模型從前到后依次經(jīng)過(guò)3個(gè)卷積層(見(jiàn)圖3)依次為：Conv3、Conv4、Conv5以及一個(gè)完全連接的層(FC)。同時(shí)每一個(gè)卷積子模型增加三層卷積，接著是三次ReLU操作，最后送入池化層。顯著特征圖計(jì)算如公式(4)所示：

S=STD×eSBU

(4)

(5)

(6)

在式(4)中，S表示輸入圖像經(jīng)過(guò)計(jì)算得到的顯著特征圖，SBU表示自下而上的顯著特征圖，STD表示建議的自上而下的顯著圖。在等式2中，n代表子模型數(shù){conv3，conv4，conv5，fc}，SLayer_n表示從VGG16中的子模型獲得的特征映射；Wn表示對(duì)應(yīng)的權(quán)重每個(gè)特征圖，中心偏置加權(quán)M=1-d，縮放到d∈{0.25-1}，大小為224×224。

實(shí)驗(yàn)首先將SLayer_n的行和列調(diào)整到224×224，然后對(duì)每個(gè)SLayer_n進(jìn)行高斯模糊操作，提高顯著性檢測(cè)的整體性能，最后采用歸一化操作來(lái)計(jì)算最終顯著圖，如公式(7)所示：

(7)

Region Net的池化操作是對(duì)每個(gè)Region Net中的特征按一定的比率進(jìn)行聚合(本課題實(shí)驗(yàn)中為7×7)。

誤差反向傳播需要計(jì)算誤差，誤差通過(guò)Om與理想輸出Ym的差值得出；然后采用極小化誤差算法調(diào)整權(quán)值。訓(xùn)練第m個(gè)樣本的誤差函數(shù)計(jì)算方法如式(8)所示：

(8)

將顯著對(duì)象檢測(cè)作為二元分類問(wèn)題，形成端到端的顯著圖像，采用該方法能夠更完整準(zhǔn)確的提取圖像中的高級(jí)特征，高級(jí)特征能更好的反映圖像的顯著物體的特征，能夠顯著對(duì)象特征提取更準(zhǔn)確，同時(shí)降低計(jì)算成本。

3 實(shí)驗(yàn)運(yùn)行結(jié)果分析

為驗(yàn)證本課題提出的算法的高效性，首先選取不同光照環(huán)境、陰影環(huán)境、以及惡劣環(huán)境下各類絕緣子串的不同工作圖像，然后進(jìn)行絕緣子的顯著特征提取結(jié)果對(duì)比實(shí)驗(yàn)[3]。采用不同的顯著檢測(cè)模型分別檢測(cè)絕緣子串特征。包括CSD模型[3]、FT模型[2]、GU模型[11]、GC模型[3]、SR模型[1]以及本課題提出的模型。其中實(shí)驗(yàn)環(huán)境選擇Intel 酷睿i7處理器，主頻3 GHz，內(nèi)存8 GHz的配置，編輯環(huán)境為Matlab 2017a和VS2010。

3.1 不同光照條件下識(shí)別分析

實(shí)驗(yàn)選取在不同光照對(duì)比明顯的三幅圖像進(jìn)行絕緣子串特征提取，實(shí)驗(yàn)結(jié)果如圖5所示，可以得出：在光照較弱的時(shí)，CSD模型、GU模型、FT模型和SR模型、GC模型以及本課題提出的模型都能很好的提取絕緣子的特征，但在光照強(qiáng)度增大后，采集的絕緣子圖像特征對(duì)比度越來(lái)越低的時(shí)候，GU模型、FT模型和SR模型、GC模型提取的絕緣子特征圖中含有的噪聲較大。

圖5 不同光照下絕緣子串特征檢測(cè)

3.2 不同陰影條件下識(shí)別分析

實(shí)驗(yàn)還選取不同陰影環(huán)境下工作的兩幅絕緣子圖像，采用不同的方法提取絕緣子串特征，實(shí)驗(yàn)結(jié)果如圖6所示，可以得出：在陰影部分較多時(shí)，CSD模型、GU模型、FT模型和SR模型、GC模型提取絕緣子的特征信息丟失嚴(yán)重。

圖6 不同陰影下絕緣子串特征檢測(cè)

3.3 絕緣子破損檢測(cè)

通過(guò)實(shí)時(shí)讀取攝像機(jī)的數(shù)據(jù)，由于絕緣子特征與背景對(duì)比度較大，因而采用本課題算法和其它的顯著性檢測(cè)算法對(duì)圖片進(jìn)行處理，得到絕緣子串特征，結(jié)果如圖5所示。表明本課題算法能更好的檢測(cè)到絕緣子破損區(qū)域。

圖7 惡劣天氣下識(shí)別結(jié)果圖

根據(jù)圖像在不同光照、陰影以及惡劣天氣條件下的實(shí)驗(yàn)結(jié)果得出：本課題模型比CSD模型[11]、GU模型[12]能更好的突出顯著物體的邊緣連續(xù)性和準(zhǔn)確性,能更好的去除背景信息；比FT模型[3]和SR模型[1]能更完整、清晰的提取顯著物體局部信息，適用于場(chǎng)景變化不大的場(chǎng)合；比GC模型[3]提取的絕緣子串圖像對(duì)比度更好。

3.4 評(píng)價(jià)標(biāo)準(zhǔn)

評(píng)價(jià)標(biāo)準(zhǔn)中的客觀性能評(píng)價(jià)包括準(zhǔn)確率-召回率(precision recall, PR)曲線、F-measure 和平均絕對(duì)誤差(mean absolute error, MAE)的值[10]。MAE值的計(jì)算通過(guò)式(13)得到：

(9)

式(13)中H表示圖像中像素點(diǎn)的總數(shù),h表示任意像素點(diǎn),該評(píng)價(jià)標(biāo)準(zhǔn)可以表明顯著圖與真值圖之間的相似度。本課題采用F-Measure進(jìn)行評(píng)估， F-Measure的計(jì)算公式為：

(10)

本課題采用PR曲線對(duì)所有算法進(jìn)行評(píng)價(jià), 首先設(shè)定閾值為 0～255，獲得PR 值可描繪成曲線作為對(duì) PR 曲線的補(bǔ)充,其中,θPRE和θRE分別表示顯著結(jié)果圖與原圖對(duì)比的準(zhǔn)確率和召回率。為了給予準(zhǔn)確率更高的權(quán)重, 本課題設(shè)置η2=0.3。

圖8 不同算法ROC曲線特征

3.5 算法復(fù)雜度對(duì)比實(shí)驗(yàn)

復(fù)雜度對(duì)比實(shí)驗(yàn)是從室外拍攝的不同環(huán)境中絕緣子串工作的圖像庫(kù)中選取500幅圖像平均分成5組進(jìn)行處理，分別計(jì)算每組處理方法所用的平均時(shí)間。表1測(cè)量6種不同算法的運(yùn)行時(shí)間對(duì)比。測(cè)試結(jié)果表明本課題提出的算法運(yùn)行速度僅次于SR 算法, 但本課題提出的算法效果明顯優(yōu)于SR 算法。

表1 不同方法每張圖像平均計(jì)算時(shí)間

4 結(jié)論

本課題將人類視覺(jué)注意模型中感知前景的顯著區(qū)域和改進(jìn)后卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，提取不同環(huán)境中的絕緣子串特征圖。實(shí)驗(yàn)效果通過(guò)PR曲線、F-measure、MAE值和算法運(yùn)行時(shí)間綜合對(duì)比各模型性能。結(jié)果表明本課題算法能更清楚提取絕緣子串內(nèi)部信息，同時(shí)也較完整的保留絕緣子串的邊緣信息。本課題算法將輸電線路中的絕緣子串工作狀態(tài)檢測(cè)效果得到提升，避免人工巡視的缺陷，提高巡視的自動(dòng)化程度和效率。

下一步研究工作：可將本課題算法模型應(yīng)用于更多類型的典型輸電線路故障識(shí)別，比如絕緣子自爆識(shí)別、絕緣子串污穢和導(dǎo)線斷股等方面[13-15]。