萬 濤 ，吳立剛 ，陸 燁 ，王 浩 ，張 瀟 ，范葉平 ，楊德勝

（1.國網(wǎng)信息通信產(chǎn)業(yè)集團安徽繼遠軟件有限公司，安徽 合肥 230088；2.國網(wǎng)江蘇省電力公司徐州供電分公司，江蘇 徐州 221005）

0 引言

絕緣子作為輸電電路中的重要器件，被安裝在非等電位或?qū)w與接地器件之間，其自爆與否會嚴重影響輸電線路的安全[1-3]?，F(xiàn)代輸電線路運維檢修機制通?；谥鄙龣C或無人機按照預(yù)定軌跡拍攝的視頻，由人對每幀圖像進行自爆絕緣子位置辨識。然而，人的主觀因素，以及運維成本和復(fù)雜環(huán)境的客觀因素，使得現(xiàn)代輸電線路運維檢修模式費時耗力。因此，亟待研究絕緣子自曝狀態(tài)的智能認知方法。

目前學術(shù)界對絕緣子自爆狀態(tài)的識別進行了大量研究[4-5]。然而，識別方法多基于理想條件，面對復(fù)雜野外圖像時難以獲取絕緣子狀態(tài)的自曝特征，識別性能難以滿足實際需求[6-8]。

人工巡檢從人工智能[9-10]角度可歸結(jié)為：人根據(jù)豐富的歷史經(jīng)驗評判當前絕緣子狀態(tài)。然而，這種主觀估量模式易受不同人員經(jīng)驗、不確定干擾等因素影響，魯棒性差。傳統(tǒng)認知系統(tǒng)具有開環(huán)屬性，針對輸入的不確定對象，其恒定的特征提取和分類準則輸出不確定的決策，無法模仿人類思維模式。隨著神經(jīng)網(wǎng)絡(luò)算法的改進，深度學習受到了廣泛關(guān)注[11-12]。ResNet 作為一個流行的網(wǎng)絡(luò)結(jié)構(gòu)，將原始輸入信息直接傳輸?shù)胶罄m(xù)層，在生成泛化特征的同時，加快超深層網(wǎng)絡(luò)的訓練，然而，ResNet依然屬于開環(huán)認知系統(tǒng)。

不同規(guī)模的網(wǎng)絡(luò)提取不同尺度的特征融合后將改善整個網(wǎng)絡(luò)性能[13]。然而，當前的深度學習缺乏有效的方法提取多尺度特征提高圖像的語義理解。因此，為了應(yīng)對如上挑戰(zhàn)，本文給出了一種基于多尺度卷積網(wǎng)絡(luò)的絕緣子狀態(tài)反饋認知方法。首先，面向定位歸一化預(yù)處理后的絕緣子圖像，基于ResNet-18 增加不同結(jié)構(gòu)的網(wǎng)絡(luò)分支提高網(wǎng)絡(luò)適應(yīng)不同分辨率的能力，同時在網(wǎng)絡(luò)末端，融合多尺度信息。其次，在面對絕緣子狀態(tài)的多個尺度特征時，為了避免softmax 逼近能力不足，隨機配置網(wǎng)絡(luò)（Stochastic Configuration Networks，SCN）[14]可構(gòu)建泛化的自曝狀態(tài)分類認知準則。最后，為了評測自曝狀態(tài)分類認知結(jié)果的可信度，基于定義的誤差指標自調(diào)節(jié)多尺度網(wǎng)絡(luò)架構(gòu)，重構(gòu)不確定認知結(jié)果約束下的特征向量和分類認知準則，以進行自曝狀態(tài)再認知。實驗結(jié)果顯示，本文提出的智能認知方法與其他方法相比，增強了模型的泛化能力和認知精度。

1 基于多尺度神經(jīng)網(wǎng)絡(luò)的絕緣子自曝狀態(tài)智能認知模型

本文提出的基于多尺度網(wǎng)絡(luò)的絕緣子自曝狀態(tài)智能認知方法的結(jié)構(gòu)圖如圖1 所示。

圖1 基于多尺度網(wǎng)絡(luò)的絕緣子自曝狀態(tài)智能認知模型

訓練層基于ResNet-18的網(wǎng)絡(luò)結(jié)構(gòu)，通過添加不同分辨率的分支和網(wǎng)絡(luò)末端的多尺度特征提取，構(gòu)建多尺度結(jié)構(gòu)卷積模型。并基于反饋層評測指標下達的網(wǎng)絡(luò)深度，增加卷積層建立更深層次特征空間的數(shù)據(jù)結(jié)構(gòu)。測試絕緣子圖像亦可獲取特定深度條件下的自曝狀態(tài)認知結(jié)果。

反饋層仿人思維交互模式，通過定義誤差指標實時評測認知結(jié)果的可信度，若不滿足閾值指標，則自尋優(yōu)調(diào)節(jié)網(wǎng)絡(luò)深度，構(gòu)建可信度不足測試樣本的優(yōu)化特征和分類認知準則，再認知自曝狀態(tài)。

2 圖像預(yù)處理

2.1 圖像旋轉(zhuǎn)

航拍中會時常遭遇氣流，或由于軌跡變化位于不同方位。為了增強模型的魯棒性，首先對訓練集的圖像進行±5°、±10°和鏡像旋轉(zhuǎn)，擴充樣本集合，如圖2 所示。

圖2 圖像預(yù)處理

2.2 絕緣子串定位

在航拍的線路巡檢圖像中絕緣子具有多種位姿，因此需要首先對其進行定位。圖3 給出了采用YOLO 目標檢測的定位效果。

圖3 基于YOLO 算法的航拍絕緣子定位

2.3 絕緣子圖像歸一化

選取定位分割后的絕緣子串圖像的較短邊，將其定為299，較長邊隨較短邊等比例歸一化，歸一化的絕緣子圖像大小設(shè)定為299×299。

3 多分辨率多尺度架構(gòu)ResNet 網(wǎng)絡(luò)

本文構(gòu)建了如圖4 所示的多分辨率多尺度結(jié)構(gòu)的ResNet 網(wǎng)絡(luò)（Multi-Resolution And Multi-Scale ResNet，MRMSRN）。

圖4 多分辨率多尺度架構(gòu)ResNet 網(wǎng)絡(luò)流程圖

3.1 多分支網(wǎng)絡(luò)架構(gòu)

每個輸出通道對應(yīng)一個濾波器，共享參數(shù)的相同濾波器僅能提取一種類型特征送至輸出通道。卷積層增加輸出通道數(shù)量的代價是計算量劇增和過度擬合。在本研究中，借鑒NIN[15]的思想，將非對稱稀疏連接架構(gòu)添加至ResNet的結(jié)構(gòu)中，獲取不同分辨率下的深度特征信息。

3.2 多尺度特征融合

原始ResNet 網(wǎng)絡(luò)基于單尺度決策層描述獲取識別結(jié)果。然而，單一尺度無法確保認知所需的充分信息量。因此，針對上述多分支網(wǎng)絡(luò)中提取的大小為7×7的特征圖輸出，首先將其合并為8M×7×7的特征圖集合，然后采用7×7 和4×4的平均池化轉(zhuǎn)換為兩個不同尺度的特征向量，最終連接構(gòu)建為40M的全連接特征向量，輸入后續(xù)模式分類器在多尺度條件下尋求絕緣子圖像狀態(tài)的最佳決策。

3.3 隨機配置網(wǎng)絡(luò)

近年來隨著隨機算法的涌現(xiàn)，多層感知機的構(gòu)建過程首先是預(yù)設(shè)一個參數(shù)區(qū)間，在此區(qū)間內(nèi)以平均概率的方式生成感知機中輸入層和隱含層所需的隨機權(quán)參數(shù)，采用最小二乘法計算偽逆的方式求取隱含層和輸出層之間的權(quán)值。

設(shè)Fc={Fc1，F(xiàn)c2，…，F(xiàn)cZ}是具有多分辨率多尺度的全連接特征向量，Z 是樣本個數(shù)。SCN 可等效為如下網(wǎng)絡(luò)：

其 中，β=[β1，β2，…，βL]是輸出 層的權(quán) 值；φj和bj是在預(yù)設(shè)區(qū)間內(nèi)隨機賦值的輸入權(quán)值和隱含偏移；φj，bj∈[-λ，λ]，k（·）是sigmoid 函數(shù)；L 是隱含層節(jié)點個數(shù)。

3.4 深層神經(jīng)網(wǎng)絡(luò)參數(shù)調(diào)節(jié)

深層神經(jīng)網(wǎng)絡(luò)需要迭代參數(shù)，優(yōu)化策略如下：

（1）前向傳播中，基于MRMSRN 模型，面向輸入絕緣子圖像集，提取多分辨率多尺度特征?；谑剑?）逐漸增加SCN的隱含層節(jié)點數(shù)，直至滿足最大個數(shù)或誤差域值約束，獲取絕緣子自曝狀態(tài)的認知結(jié)果；

（2）若誤差域值未滿足，且隱含層節(jié)點數(shù)已滿足約束，則基于SCN的輸出誤差反向更新MRMSRN的參數(shù)；

（3）交替重復(fù)步驟（1）和（2），直至誤差不再改變，輸出最終認知結(jié)果。

4 絕緣子自曝狀態(tài)智能認知機制

在獲取測試絕緣子圖像的自曝狀態(tài)認知結(jié)果后，需要構(gòu)建性能指標實時評測絕緣子狀態(tài)不確定認知結(jié)果的可信度，為多分辨率多尺度特征空間的自尋優(yōu)調(diào)節(jié)和分類認知準則重構(gòu)提供依據(jù)，仿人進行自曝狀態(tài)再認知。

4.1 認知結(jié)果的誤差指標

在第ω 次認知中，面對測試絕緣子圖像集U，Ui∈U，i∈[1，Z]，網(wǎng)絡(luò)深度N 所生成的全連接特征向量Fci，N，ω的不確定自曝狀態(tài)認知結(jié)果為Ti，N，ω∈[1，nc]，其中nc為自曝狀 態(tài)類別標簽。潛在語 義分析 可以抽 象Fci，N，ω至壓縮語義向量fci，N，ω=[fci，N，ω，1，…，fci，N，ω，s]，s=40M。設(shè) 與fci，N，ω具有相同類別訓練集的語義向量矩陣為fcTi，N，ω，則同類別 誤差矩 陣Di，N，ω定義為：

其中，Zi，N，ω表示與Ui具有一致狀態(tài)的訓練樣本個數(shù)。同理可定義不同類別誤差矩陣，則Ui的認知結(jié)果誤差定義如下：

其中，熵值越大表示認知結(jié)果可信度越低，需要增加網(wǎng)絡(luò)深度以再認知狀態(tài)，反之亦然。

4.2 基于不確定認知結(jié)果誤差熵的狀態(tài)反饋調(diào)節(jié)機制

為了模仿人類反復(fù)推敲比對信息交互認知模式，借鑒馬爾科夫決策過程[16]可定義性能指標J：

其 中，Ri，N，ω/dω表示測試圖像在第ω 次反饋認知過程中基于深度N的得分，d（d<1）是代價因子。特別地，表示初始卷積深度的得分。

5 實驗結(jié)果

5.1 實驗數(shù)據(jù)

從無人機的巡檢航拍中選取包含絕緣子的7 000 幅圖像，訓練集與測試集的比例為8:2，每幅圖像的尺寸為4 288×2 848。MRMSRN 中卷積深度的最大值Nmax=6，M=32，訓練數(shù)據(jù)重復(fù)的輪數(shù)為100。SCN 中φj和bj的取值范圍λ 為{0.5，1，5，10，30，50，100}，，L的最大值設(shè)為1 000。由于SCN的參數(shù)設(shè)定具有隨機性，采用運行10 次取最優(yōu)結(jié)果的方式獲取最佳參數(shù)組合。

5.2 實驗結(jié)果分析

當網(wǎng)絡(luò)深度N=1 時，圖5 給出了SCN 中采用不同隱含層節(jié)點個數(shù)L 條件下，訓練絕緣子圖像的自曝狀態(tài)識別精度曲線。隨著L 個數(shù)的遞增，自曝狀態(tài)的識別精度奕隨之增加；當L 超過20 后，識別精度呈現(xiàn)穩(wěn)定收斂，這一情形表明由于在SCN 中不同參數(shù)的隨機基函數(shù)引入，使得輸入多分辨率多尺度特征與輸出自曝狀態(tài)之間建立了有明確映射關(guān)系的非線性關(guān)系。

圖5 不同L的SCN 檢測精度比較

如圖6 所示，不同的網(wǎng)絡(luò)深度條件下，隨著L 個數(shù)的增加，檢測精度均呈現(xiàn)單調(diào)遞增快速收斂趨勢。此外，網(wǎng)絡(luò)深度的增大使得絕緣子狀態(tài)的檢測精度先遞增后稍微降低。當網(wǎng)絡(luò)達到一定深度時，可能會引入冗余信息致使性能飽和下降。初始網(wǎng)絡(luò)深度為ResNet-18 時，即無反饋認知系統(tǒng)，此時約有90%的正確輸出，剩余10%的測試樣本，通過反饋調(diào)節(jié)機制重構(gòu)SCN 后，約2%的樣本正確輸出。

圖6 不同網(wǎng)絡(luò)深度條件下的自曝狀態(tài)識別精度曲線

本文算法與其他算法的檢測結(jié)果進行了比較，包括帶反饋環(huán)節(jié)的ResNet-42、ResNet-18 和標準ResNet-18，以及Inception-v3 和VGG 16。表1 給出了500 次實驗的平均檢測精度和每幅圖像的平均測試時間，所給出的實驗數(shù)據(jù)形式均采用均值±標準差。從表1 可以明顯看出，本文方法的平均檢測精度為92.86%，較基于反饋架構(gòu)的其他模型提高了2%～3%，較基于無反饋架構(gòu)的其他模型提高了5%～13%。

表1 不同深度學習模型的識別精度和訓練時間比較

此外，為了表征SCN 對輸入輸出之間非線性關(guān)系的萬局逼近能力，本文以相同的絕緣子圖像作為輸入，特征提取方法一致，分別采用softmax、RVFL、SVM 和KNN 模式分類器對自曝狀態(tài)進行識別。從表2 可以看出，SCN較其他分類器具有更好的性能。主要原因是SCN在確保學習模型萬局逼近能力的約束條件下，生成新的隨機基函數(shù)，使得隨機參數(shù)設(shè)置方法與建模數(shù)據(jù)關(guān)聯(lián)。

表2 不同模式分類器的識別精度和測試時間比較

6 結(jié)論

本文探討了一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的絕緣子狀態(tài)反饋認知方法的可行性和有效性。首先，基于改進的ResNet 提取絕緣子圖像多分辨率多尺度特征。然后，基于結(jié)構(gòu)自生成的SCN 模式分類器，在輸入特征與輸出自曝狀態(tài)之間建立強泛化的非線性映射關(guān)系。最后，仿人思維模式構(gòu)造誤差指標，評測自曝狀態(tài)認知結(jié)果的可信度，構(gòu)建調(diào)節(jié)機制更新特征空間并重構(gòu)分類準則，反饋再認知絕緣子狀態(tài)。實驗結(jié)果表明了本文方法的可行性和有效性。

航拍的圖像中可能存在大量未知噪聲，為了增強絕緣子自曝狀態(tài)的檢測精度，圖像去噪將是下一步的研究重點。