張同偉　徐彬　李紅武

摘要：本文首先對輸電線路缺陷圖像識別技術進行了詳細的介紹，主要的技術包括了兩種：深度學習的圖像識別技術和全卷積神經(jīng)網(wǎng)絡區(qū)域檢測技術，然后進行了測試與驗證，為輸電線路桿塔設備的穩(wěn)定運行提供一定的依據(jù)。

關鍵詞：圖像識別技術;輸電線路;智能識別

1 輸電線路桿塔設備缺陷圖像檢測技術

1.1深度學習的圖像識別技術

圖像智能分析技術可以在圖像和圖像描述之間，建立映射的關系，充分利用計算機技術，通過圖像處理分析，對畫面中的內(nèi)容進行理解，其中的原理就是對圖像中的重要信息進行智能分析和抽取。在圖像智能分析中，主要包括了場景識別、目標檢測、目標跟蹤及圖像處理等。在利用深度學習圖像技術的過程中，需要運用視頻傳感設備和計算機，對人類的視覺系統(tǒng)進行模擬，采集并處理外界的視覺信息。

在利用深度學習圖像識別技術進行缺陷檢測的過程中，表達的方式呈現(xiàn)為層次化特征，在顯示識別圖像的過程中，主要的設備包括了自動編譯器、卷積神經(jīng)網(wǎng)絡、深度信念網(wǎng)絡等。

在運用深度學習的圖像識別技術的過程中，對設備缺陷進行智能識別的步驟如下。

（1）Faster-Rcnn 樣本制作。在輸電線路巡視圖像具備一定規(guī)模的情況下，其樣本需要在1 000張以上，這就需要由人工進行標注，對圖像中的輸電設備的名稱進行標注，并且標記輸電設備的位置。從這1 000張以上的圖片當中選取9/10的圖片，作為訓練數(shù)據(jù)集，然后在剩下的圖片中選取1/10的圖片，作為測試數(shù)據(jù)集，并記錄標簽。

（2）Faster-Rcnn 模型訓練。在Faster-Rcnn模型當中，需要輸入帶有標簽的數(shù)據(jù)，然后建立模型進行訓練。在模型訓練的過程中，通過運用隨機梯度下降的方式，對模型的參數(shù)進行更新，通過迭代20萬步的方式，有效保證模型訓練的順利完成。

（3）Faster-Rcnn 模型測試與修正。在完成模型訓練之后，不僅需要對訓練完成的Faster-Rcnn 模型進行測試，同時還需要對采集的數(shù)據(jù)進行測量，這樣可以有效保證模型訓練的有效性、采集數(shù)據(jù)的準確性。然后根據(jù)準確率的情況，判斷是否需要添加數(shù)據(jù)，合理調(diào)整訓練參數(shù)，然后繼續(xù)模型訓練。

（4）輸電設備缺陷分類器樣本制作。在輸電設備不同的情況下，需要收集正常和存在缺陷的輸電設備樣本，然后在存在缺陷的輸電設備圖片中標記缺陷種類的標簽。然后在總數(shù)中選擇9/10的圖片作為模型訓練數(shù)據(jù)，然后在總數(shù)中選擇1/10作為測試數(shù)據(jù)。

（5）訓練輸電設備缺陷分類器。需要根據(jù)每種輸電設備的類型運用不同訓練分類器，然后需要使用Faster-Rcnn模型中的訓練樣本數(shù)據(jù)訓練分類器。

（6）輸電設備缺陷分類器測試與修正。根據(jù)輸電設備的情況，結合不同的缺陷分類器，以步驟（3）數(shù)據(jù)為測試數(shù)據(jù)，判斷數(shù)據(jù)的準確性。通過結合準確率的實際情況，對是否增加樣本進行判斷，合理的調(diào)整模型訓練的參數(shù)，然后繼續(xù)模型訓練。

（7）模型參數(shù)更新。在設備識別結構當中需要抽取具有代表性的圖片，然后對新的樣本進行重新制作。在原有的模型下，不僅需要Faster-Rcnn的模型參數(shù)進行更新，同時還需要對缺陷分類器的模型參數(shù)進行更新，從而可以讓模型不斷的改進和完善，從而提高模型的準確性。

1.2全卷積神經(jīng)網(wǎng)絡的區(qū)域檢測技術

在利用全卷積神經(jīng)網(wǎng)絡技術對圖像進行識別的過程中，是屬于多層神經(jīng)網(wǎng)絡，在各層神經(jīng)網(wǎng)絡當中，是由多個二維平面組成，而在各個平面當中，具備著多個神經(jīng)元。通常來說，全卷積神經(jīng)網(wǎng)絡技術主要包括了卷積操作和池化操作這兩種形式。在輸入全卷積神經(jīng)網(wǎng)絡圖像的過程中，是屬于數(shù)字圖像，然后在池化層和卷積層中，進行交替工作。在運用全卷積神經(jīng)網(wǎng)絡技術的過程中，在對參數(shù)數(shù)目進行降低時，是運用參數(shù)共享和局部視野感知這兩種方式進行降低。在相關的卷積層的特征類型圖中，即在卷積核運算，以及輸入圖像的基礎上加一個偏置，最后再激活相關的函數(shù)就可以得出結果。

對于池化層來說，會具有局部平均的作用，并且還包含了卷積層的特點，但是在池化層的尺寸中，其大小為n*n，對于卷積層來說，在第n*n個相鄰單元中，需要取平均值和最大值，分別采用了兩種采樣方法：max-pooling和mean-pooling，這樣可以降低特征圖的分辨率，減少對位移形變的敏感度。圖1 展示了池化操作原理。

在深層卷積神經(jīng)網(wǎng)絡中，主要的組合構成部分包括了softmax層、卷積層、池化層和全鏈接層，如圖2 所示為LENET-5的網(wǎng)絡結構圖，主要包括了池化層和卷積層這兩個結構。在進行兩次全鏈接層之后，可以映射圖像向量的特征，從而劃分輸出向量的類型。

2 測試與驗證

在本文提到的關于智能識別的應用平臺類型中，其不但有良好的操作性能，還有對巡視高壓輸電線進行輔助的能力，這樣不僅能解決因為人工巡視帶來的弊端，在一定程度上促進了缺陷圖像識別效率的提高。在應用數(shù)字圖像技術對輸電桿塔設備缺陷進行測試的過程中，是運用智能圖像e進行識別，主要括的物體圖像有20種，在每個物體中，會具有25張無缺陷和有缺陷的圖像。在測試的過程中，主要分為兩個部分：可以識別出缺陷診斷的設備和判斷設備缺陷的準確位置。

在對第二個部分進行完成的過程中，需要運用深度神經(jīng)網(wǎng)絡技術。在輸電線路桿塔設備缺陷中，其中比較常見的缺陷為絕緣子破裂、銷釘缺失，而運用深度神經(jīng)網(wǎng)絡技術時，可以達到75%的精確度。因此，在對特征不明顯缺陷進行識別的過程中，會具備較高的識別準確度。在對所有缺陷進行識別的過程中，其中對于設備裂紋和燒傷痕跡的問題，是最難發(fā)現(xiàn)的。在運用上述技術，對兩種缺陷的準確度分別為37%和45%。

在應用深度卷積神經(jīng)網(wǎng)絡技術的過程中，可以對多個物體的缺陷進行識別，這樣可以分擔人工識別缺陷圖像的工作量，不僅可以提高測試缺陷的效率，并且還需要保證測試缺陷的質量。

3 結論

在對輸電線路桿塔設備缺陷進行智能識別的過程中，應用深度卷積神經(jīng)網(wǎng)絡技術的情況下，可以保證識別輸電桿塔缺陷的高清圖像，然后完成輸電線路桿塔設備缺陷的智能識別之后，需要對缺陷種類進行分類，降低人工識別設備缺陷圖像的工作量，不僅可以提高識別效率，還可以保證識別缺陷的準確性。

參考文獻

[1]華正陽.基于視覺技術的熱成像圖像識別系統(tǒng)研究[J].通訊世界，2019，26（12）：12-13.

[2]張然，范治中.電力系統(tǒng)中圖像識別技術的應用[J].數(shù)碼世界，2019，（12）：1.

作者簡介

張同偉（1983-），男，云南迪慶人，本科，助理工程師，主要研究方向為電力系統(tǒng)信息化。