黃冬梅，王玥琦，胡安鐸，孫錦中，時(shí)帥，孫園，房嶺鋒

(1.上海電力大學(xué) 電子與信息工程學(xué)院，上海 201306；2.上海電力大學(xué) 電氣工程學(xué)院，上海 200090；3.上海電力大學(xué) 數(shù)理學(xué)院，上海 201306；4.國(guó)家電網(wǎng)有限公司，北京 100031)

0 引言

輸電線路絕緣子串常年暴露在復(fù)雜多變的環(huán)境中，較易發(fā)生故障。因此，需要及時(shí)準(zhǔn)確地對(duì)絕緣子進(jìn)行狀態(tài)識(shí)別。人工巡檢和無人機(jī)巡檢是目前識(shí)別絕緣子狀態(tài)的主要方式。傳統(tǒng)的人工巡檢方法準(zhǔn)確率較高，但存在效率低、浪費(fèi)人力等問題；無人機(jī)巡檢減少大量的人力，但是采集到的絕緣子照片數(shù)量隨巡檢范圍的擴(kuò)大呈指數(shù)級(jí)增加，實(shí)時(shí)處理大量的圖片對(duì)于處理器和通信網(wǎng)絡(luò)是一個(gè)巨大的挑戰(zhàn)[1-4]。

除了硬件方面的要求，基于無人機(jī)巡檢的絕緣子狀態(tài)識(shí)別[5]還需要有高精度的識(shí)別算法支撐，提升識(shí)別準(zhǔn)確率的關(guān)鍵在于準(zhǔn)確提取圖片信息特征[6]。文獻(xiàn)[7]通過提取S分量以突顯目標(biāo)區(qū)域，考慮絕緣子形狀特征的影響設(shè)計(jì)特征向量，區(qū)分正常和缺陷的絕緣子圖像。文獻(xiàn)[8]利用絕緣子“粗”分割技術(shù)進(jìn)行圖像分割，通過計(jì)算有效像素點(diǎn)占比，識(shí)別“掉串”故障現(xiàn)象。傳統(tǒng)的圖像處理技術(shù)提取的特征具有易提取、可區(qū)分性和不變性的特點(diǎn)，但主要依賴人工設(shè)計(jì)的特征提取器，存在魯棒性差、調(diào)參復(fù)雜等問題。文獻(xiàn)[9]基于去除卷積核間的相關(guān)性思想，提取獨(dú)立的特征信息，進(jìn)而提高絕緣子狀態(tài)識(shí)別的準(zhǔn)確率。文獻(xiàn)[10]結(jié)合弱監(jiān)督細(xì)粒度分類的思想，采用過特征圖合并和雙線性池化操作將多網(wǎng)絡(luò)提取到的特征進(jìn)行融合，實(shí)現(xiàn)絕緣子正常與故障狀態(tài)的識(shí)別。文獻(xiàn)[11]使用一個(gè)集成3種單層感知結(jié)構(gòu)的多層感知器，提取高質(zhì)量的特征檢測(cè)絕緣子故障?；谏窠?jīng)網(wǎng)絡(luò)的圖像分類算法具有訓(xùn)練快、泛化能力強(qiáng)等優(yōu)點(diǎn)，同時(shí)存在計(jì)算量大、需要大量的數(shù)據(jù)來訓(xùn)練模型的缺點(diǎn)。

邊緣計(jì)算是近年來在海量數(shù)據(jù)的處理方面興起的新范式[12]，具有快速處理和分析數(shù)據(jù)、占用網(wǎng)絡(luò)流量較少的優(yōu)點(diǎn)。因此，本文提出了一種融合多維度特征的絕緣子狀態(tài)邊緣識(shí)別方法。首先利用云邊協(xié)同和邊邊聯(lián)邦協(xié)同的技術(shù)手段[13]，將圖像分類計(jì)算、模型更新下沉到邊緣設(shè)備，在邊緣節(jié)點(diǎn)處實(shí)時(shí)處理圖片信息。同時(shí)，為進(jìn)一步提高識(shí)別的準(zhǔn)確率，從網(wǎng)絡(luò)寬度、特征空間維度和通道維度三方面考慮，在ResNet101[14]基礎(chǔ)上使用Inception模塊構(gòu)建數(shù)據(jù)池化層，并將壓縮激勵(lì)模塊（squeeze-and-excitation module，SE）[15]、卷積注意力模塊（convolutional block attention module，CBAM）[16]分別嵌入帶跳躍連接線的殘差塊結(jié)構(gòu)和ResNet101的大層中，使模型更關(guān)注信息豐富的區(qū)域，更好地實(shí)現(xiàn)網(wǎng)絡(luò)的特征提取。最后，通過全連接層得到絕緣子的狀態(tài)。該方法考慮從多個(gè)不同的維度提取特征，使得改進(jìn)后的ResNet101殘差神經(jīng)網(wǎng)絡(luò)有高效的特征提取能力，具有更準(zhǔn)確的故障識(shí)別效果。

1 絕緣子狀態(tài)的邊緣識(shí)別框架

邊緣計(jì)算是一種分布式計(jì)算，在靠近數(shù)據(jù)源頭的網(wǎng)絡(luò)側(cè)，部署了具有計(jì)算、存儲(chǔ)能力的邊緣設(shè)備，就近處理采集到的數(shù)據(jù)，而不需要將大量的數(shù)據(jù)上傳到云中心再進(jìn)行處理。邊緣計(jì)算減輕了云端網(wǎng)絡(luò)帶寬、核心節(jié)點(diǎn)的壓力，也使得邊緣物聯(lián)網(wǎng)設(shè)備的計(jì)算和存儲(chǔ)能力得到最大利用。

目前，大部分的研究都將神經(jīng)網(wǎng)絡(luò)模型放在云端進(jìn)行訓(xùn)練[17]，同時(shí)云端還負(fù)責(zé)數(shù)據(jù)分析、模型更新等任務(wù)，邊緣節(jié)點(diǎn)只負(fù)責(zé)存儲(chǔ)和預(yù)處理本地?cái)?shù)據(jù)。本文研究的絕緣子狀態(tài)識(shí)別對(duì)實(shí)時(shí)性要求較高，且采集到的數(shù)據(jù)為短周期數(shù)據(jù)，不適合將數(shù)據(jù)上傳到云端再進(jìn)行狀態(tài)識(shí)別。

因此，本文采用了一種新的云邊協(xié)同計(jì)算的方法，將識(shí)別算法、模型更新轉(zhuǎn)移到邊緣節(jié)點(diǎn)完成，云端只負(fù)責(zé)模型設(shè)計(jì)和最初的訓(xùn)練工作[18]。本文提出的絕緣子狀態(tài)識(shí)別系統(tǒng)框架如圖1所示。

圖1 云邊協(xié)同和邊邊聯(lián)邦協(xié)同聯(lián)合的絕緣子狀態(tài)識(shí)別訓(xùn)練框架Fig.1 Training framework for insulator state recognition based on cloud edge collaboration and edge-edge federation collaboration

2 多維度特征融合的識(shí)別網(wǎng)絡(luò)

2.1 多維度特征提取的框架

ResNet網(wǎng)絡(luò)通過堆疊多個(gè)殘差塊結(jié)構(gòu)，從深度方面提升了卷積神經(jīng)網(wǎng)絡(luò)的分類能力。因此本文使用ResNet101作為主干特征提取網(wǎng)絡(luò)，提出了一種融合多維度特征的絕緣子狀態(tài)識(shí)別方法。改進(jìn)后的ResNet101整體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 多維度特征融合的整體網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Overall network structure based on multidimension feature fusion

改進(jìn)后的ResNet101網(wǎng)絡(luò)能夠關(guān)注于圖像中最具有辨別力的區(qū)域，提高模型的特征提取能力，從而提高分類準(zhǔn)確率，網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)配置如表1所示。

表1 多維度特征融合的ResNet101網(wǎng)絡(luò)參數(shù)配置Table 1 Parameter configuration of ResNet101 network based on multi-dimension feature fusion

2.2 特征提取

為提高無人機(jī)電力巡檢中絕緣子故障識(shí)別的準(zhǔn)確率，本文提出一種改進(jìn)的計(jì)及多維度特征提取的殘差網(wǎng)絡(luò)。通過使用Inception模塊構(gòu)建數(shù)據(jù)池化層，并將輕量級(jí)的SE模塊、CBAM模塊分別嵌入帶跳躍連接線的殘差塊的內(nèi)部結(jié)構(gòu)、ResNet101的第一層的大層之前和最后一層的大層之后[19]，從網(wǎng)絡(luò)寬度、特征空間維度和通道維度對(duì)圖像進(jìn)行高效的特征提取。

（1）基于Inception模塊改進(jìn)的數(shù)據(jù)池化層。GoogLeNet神經(jīng)網(wǎng)絡(luò)框架[20]首次引入了Inception結(jié)構(gòu)，以增加網(wǎng)絡(luò)寬度的方式提升模型的性能。在傳統(tǒng)的殘差網(wǎng)絡(luò)中，數(shù)據(jù)輸入端的數(shù)據(jù)池化層由 7×7的卷積層和池化層組成，使用 7×7卷積操作實(shí)際上是用來直接對(duì)呈百萬級(jí)數(shù)量的輸入圖片降采樣[21]?？紤]到本文研究的絕緣子樣本有限，因此本文設(shè)計(jì)了一種基于Inception模塊改進(jìn)的數(shù)據(jù)池化層，能夠有效提取絕緣子圖像特征，結(jié)構(gòu)如圖3所示。圖3中改進(jìn)的數(shù)據(jù)池化層以結(jié)構(gòu)并行方式，通過串聯(lián)和堆疊多個(gè)不同尺寸的卷積核來代替 7×7的卷積核。首先，將輸入的圖片同時(shí)傳入4個(gè)分支，使用 1×1的卷積核進(jìn)行降維以及映射處理，第3個(gè)分支使用2個(gè)級(jí)聯(lián)的 3×3濾波器進(jìn)一步執(zhí)行卷積操作，在每一個(gè)卷積層后加入批量標(biāo)準(zhǔn)化（BN）和ReLU激活函數(shù)，增加網(wǎng)絡(luò)的非線性；然后，將得到的4個(gè)不同尺度特征矩陣按深度進(jìn)行拼接，得到輸出特征矩陣；最后，考慮到隨著層數(shù)加深可能出現(xiàn)過擬合的現(xiàn)象，將改進(jìn)后的數(shù)據(jù)池化層嵌入帶跳躍連接線的結(jié)構(gòu)中，通過最大池化層得到輸出特征矩陣。

圖3 改進(jìn)的數(shù)據(jù)池化層結(jié)構(gòu)Fig.3 Improved data pooling layer structure

（2）壓縮-激勵(lì)模型。不同于Inception模塊通過使用多尺度的卷積核提取特征圖上的全局關(guān)聯(lián)信息，SE模塊考慮特征通道間的相互關(guān)系，通過權(quán)值重標(biāo)定操作來提取各通道間的全局關(guān)聯(lián)信息。因此，本文將SE模塊嵌入帶跳躍連接線的殘差塊內(nèi)部結(jié)構(gòu)中，抑制效果較小的特征圖權(quán)重，并使有效的特征圖的權(quán)重放大，同時(shí)減少過擬合的風(fēng)險(xiǎn)。本文將改進(jìn)后的殘差塊稱為SEResidual block，結(jié)構(gòu)如圖4所示。給定一個(gè)輸入x，通過Residual殘差塊，得到一個(gè)c2×h×w的特征圖，接著分三步操作來實(shí)現(xiàn)特征重標(biāo)定。首先是壓縮操作，通過執(zhí)行全局平均池化操作將輸入的特征圖沿著空間維度壓縮成c2×1×1的特征向量，用于上下文建模。同時(shí)加入ReLU激活函數(shù)，增加網(wǎng)絡(luò)的非線性。然后是激勵(lì)操作，由兩個(gè)全連接層組成。通過降維比r先進(jìn)行降維處理得到(c2/r)×1×1的特征向量，再升維得到c2×1×1的特征向量。其中r是一個(gè)縮放參數(shù)，其目的是減少通道個(gè)數(shù)從而降低計(jì)算量。接著將經(jīng)過Sigmoid歸一化后的權(quán)重與輸入特征矩陣相乘，實(shí)現(xiàn)對(duì)原始特征的重標(biāo)定。最后將重標(biāo)定的特征矩陣與輸入x相加，得到最終輸出。

圖4 殘差塊改進(jìn)結(jié)構(gòu)Fig.4 Improved structure of residual block

（3）卷積注意力模塊。相比SE模塊只關(guān)注于特征通道間的關(guān)系，CBAM模塊可以同時(shí)考慮特征空間維度和通道維度，依次從空間和通道兩個(gè)不同的維度推算注意力圖。在神經(jīng)網(wǎng)絡(luò)中使用卷積注意力模塊，可以提升網(wǎng)絡(luò)的特征提取能力，使模型更加關(guān)注圖像中最具有辨別力的區(qū)域。卷積注意力模塊結(jié)構(gòu)如圖5所示。

圖5 CBAM結(jié)構(gòu)Fig.5 CBAM structure

對(duì)于一個(gè)給定的輸入特征圖F∈Rc×h×w，首先經(jīng)過通道注意力模塊得到最終的通道注意力圖Mc∈Rc×1×1。

通道注意力特征圖計(jì)算公式為

式中：σ表示Sigmoid激活函數(shù)；MLP為多層感知機(jī)；分別表示被平均池化、最大池化的特征。

得到通道維度優(yōu)化后的特征圖F′為

式中：?表示按位相乘。將經(jīng)過通道優(yōu)化后的特征圖F′作為輸入，再經(jīng)過空間注意力模塊得到最終的空間注意力圖Ms∈R1×h×w。

空間注意力特征圖計(jì)算公式為

式中：σ表示Sigmoid激活函數(shù)；f7×7表示大小為7×7的卷積操作；分別表示沿著通道被平均池化、最大池化的特征。

得到空間維度優(yōu)化后的特征圖F′′為

3 絕緣子狀態(tài)識(shí)別實(shí)驗(yàn)

為了評(píng)估本文構(gòu)建的框架應(yīng)用于絕緣子狀態(tài)識(shí)別的有效性，采用3個(gè)邊緣節(jié)點(diǎn)開展絕緣子狀態(tài)識(shí)別實(shí)驗(yàn)。實(shí)驗(yàn)使用由國(guó)家電網(wǎng)公司提供的開源絕緣子數(shù)據(jù)集[22]，數(shù)據(jù)集包括無人機(jī)捕獲的正常絕緣子圖像和合成的有缺陷絕緣子圖像兩類，其中正常絕緣子600張，缺陷絕緣子248張。通過 0°、90°、180°和 270°旋轉(zhuǎn)圖像的方法進(jìn)行數(shù)據(jù)擴(kuò)增，將數(shù)據(jù)集擴(kuò)充到原來的4倍，共3 392張絕緣子圖像。按7∶ 3的比例將擴(kuò)充后的數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集。在模型的基本參數(shù)設(shè)置方面，選擇優(yōu)化器Adam，學(xué)習(xí)率設(shè)置為0.005，batch size為 32，Dropout設(shè)為 0.5，迭代輪數(shù)設(shè)為30輪。測(cè)試過程中用的深度學(xué)習(xí)框架為Pytorch，編程語言為Python。

3.1 延時(shí)比較

本文搭建如下實(shí)驗(yàn)環(huán)境以模擬實(shí)際場(chǎng)景：選用計(jì)算能力較強(qiáng)的GPU服務(wù)器作為云中心，筆記本電腦模擬邊緣網(wǎng)絡(luò)的邊緣節(jié)點(diǎn)，硬件設(shè)備參數(shù)如表2所示。將本實(shí)驗(yàn)采用的基于3個(gè)邊緣計(jì)算節(jié)點(diǎn)的云邊協(xié)同狀態(tài)識(shí)別系統(tǒng)與基于云計(jì)算模式的識(shí)別系統(tǒng)、基于云邊協(xié)同計(jì)算模式的識(shí)別系統(tǒng)進(jìn)行對(duì)比，設(shè)置2組實(shí)驗(yàn)。第一組實(shí)驗(yàn)的3個(gè)邊緣計(jì)算節(jié)點(diǎn)分別處理1 130、1 130 和 1 132 張圖片；第二組實(shí)驗(yàn)的3個(gè)邊緣計(jì)算節(jié)點(diǎn)分別處理1 500、1 000和892張圖片。假設(shè)智能終端設(shè)備、邊緣服務(wù)器、云服務(wù)器的CPU頻率分別為0.5 GHz、0.9 GHz 和 1.4 GHz。對(duì)比結(jié)果如表3 所示。

表2 邊緣端與云端設(shè)備對(duì)比Table 2 Comparison of edge and cloud devices

表3 模型訓(xùn)練延時(shí)比較Table 3 Comparison of model training delays

由表3可知，基于云計(jì)算模式的識(shí)別系統(tǒng)模型識(shí)別準(zhǔn)確率達(dá)到99%，對(duì)比本實(shí)驗(yàn)將計(jì)算下沉到3個(gè)邊緣節(jié)點(diǎn)后的準(zhǔn)確率分別為99%、98.5%、99.2%。實(shí)驗(yàn)表明，基于3個(gè)邊緣計(jì)算節(jié)點(diǎn)的云邊協(xié)同狀態(tài)識(shí)別系統(tǒng)減少大量模型訓(xùn)練延時(shí)的同時(shí)，較好地保持了識(shí)別準(zhǔn)確率。

2組實(shí)驗(yàn)的任務(wù)完成時(shí)間如圖6所示。在2組實(shí)驗(yàn)中，基于云計(jì)算模式的任務(wù)完成時(shí)間最長(zhǎng)，達(dá)到2 868 s，這是由于云計(jì)算將大數(shù)據(jù)集中化處理，需要大量的數(shù)據(jù)上傳和下載時(shí)間。第一組實(shí)驗(yàn)中，3個(gè)邊緣計(jì)算節(jié)點(diǎn)處理的任務(wù)數(shù)較為均衡，云邊協(xié)同計(jì)算和邊邊聯(lián)邦協(xié)同計(jì)算分散化處理了本該傳輸?shù)皆朴?jì)算中心的數(shù)據(jù)，使得任務(wù)完成時(shí)間減少約66%，并且2種計(jì)算模式耗時(shí)相差不大；第二組實(shí)驗(yàn)中，3個(gè)邊緣計(jì)算節(jié)點(diǎn)處理的任務(wù)數(shù)不均衡，邊邊聯(lián)邦協(xié)同計(jì)算協(xié)同各邊緣計(jì)算節(jié)點(diǎn)之間的計(jì)算資源，相比云邊協(xié)同計(jì)算節(jié)省340 s，任務(wù)完成時(shí)間較短。

圖6 3種計(jì)算模式的任務(wù)完成時(shí)間Fig.6 Task completion time of three computing modes

3.2 不同卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別結(jié)果對(duì)比

為了評(píng)估本文提出的模型對(duì)絕緣子圖像故障識(shí)別的有效性，使用準(zhǔn)確率、精確率、召回率和特異度4個(gè)評(píng)價(jià)指標(biāo)來判定有效性。

為驗(yàn)證本文設(shè)計(jì)的絕緣子狀態(tài)識(shí)別模型的有效性，選取不同的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)，所有模型均使用相同的基本參數(shù)訓(xùn)練。對(duì)比結(jié)果如表4所示。由表4的數(shù)據(jù)表明，利用改進(jìn)后的ResNet101網(wǎng)絡(luò)可以很好地對(duì)絕緣子狀態(tài)進(jìn)行分類，從而正確識(shí)別絕緣子狀態(tài)，實(shí)現(xiàn)絕緣子故障檢測(cè)。

表4 不同卷積神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果對(duì)比Table 4 Comparison of recognition results of different convolution neural networks

3.3 模塊有效性對(duì)比

為研究模塊嵌入對(duì)模型識(shí)別準(zhǔn)確率的影響，在使用同一訓(xùn)練集樣本的情況下，分別對(duì)ResNet101原網(wǎng)絡(luò)嵌入不同模塊來進(jìn)行消融實(shí)驗(yàn)，得到嵌入不同模塊的神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果。ResNet101網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率最低，為96.4%。將Inception、SE和CBAM模塊嵌入ResNet101網(wǎng)絡(luò)，模型準(zhǔn)確率分別提升了0.8個(gè)百分點(diǎn)、1.9個(gè)百分點(diǎn)和1.2個(gè)百分點(diǎn)。文獻(xiàn)[19]的方法是將CBAM模塊插入到ResNet101網(wǎng)絡(luò)的4個(gè)大層之后，識(shí)別準(zhǔn)確率達(dá)到了96.7%；改變CBAM模塊嵌入位置，僅在ResNet101網(wǎng)絡(luò)第一層大層之前和最后一層大層之后插入，準(zhǔn)確率為97.2%，表明CBAM模塊嵌入網(wǎng)絡(luò)的位置對(duì)識(shí)別準(zhǔn)確率有一定程度的影響；本文同時(shí)嵌入Inception、SE和CBAM模塊的網(wǎng)絡(luò)，模型性能最好，準(zhǔn)確率達(dá)到99.0%。從對(duì)比實(shí)驗(yàn)結(jié)果可以看出，不同的模塊分別嵌入ResNet101網(wǎng)絡(luò)，相比ResNet101模型準(zhǔn)確率都會(huì)有所提升。

3.4 改進(jìn)的ResNet101網(wǎng)絡(luò)的特征圖可視化

為了進(jìn)一步分析基于多模塊融合的ResNet101分類模型提取到的絕緣子圖像的特征，通過查看卷積神經(jīng)網(wǎng)絡(luò)在正向傳播過程中的中間層傳出的特征圖，更直觀闡明網(wǎng)絡(luò)模型具體學(xué)習(xí)到的特征[24]。本文隨機(jī)抽選絕緣子測(cè)試集中的1張圖片進(jìn)行可視化分析，如圖7所示。分別將這張圖片輸入ResNet101和本文改進(jìn)后的ResNet101的模型中，然后把網(wǎng)絡(luò)中間某些層輸出的特征圖按通道作為圖片進(jìn)行層可視化展示，前12個(gè)通道的特征圖結(jié)果如圖8、圖9所示。一共有4組圖片，分別代表數(shù)據(jù)池化層、max pool、layer 1、layer 4 的輸出，每組的個(gè)數(shù)為12。

圖7 絕緣子圖片F(xiàn)ig.7 Insulator picture

圖8 ResNet101網(wǎng)絡(luò)輸出的特征圖Fig.8 Characteristic diagram of ResNet101 network output

圖9 基于多模塊融合的ResNet101網(wǎng)絡(luò)輸出的特征圖Fig.9 Characteristic diagram of ResNet101 network output based on multi-module fusion

在經(jīng)過數(shù)據(jù)池化操作之后，濾波器過濾掉大量無關(guān)信息，靠近輸入層的特征圖保留了圖像具體細(xì)節(jié)的紋理特征，所以部分特征圖可以看到絕緣子形狀信息。圖像中高亮部分對(duì)應(yīng)絕緣子目標(biāo)。對(duì)比圖8a）與圖9a）可以看出：圖9a）的細(xì)節(jié)比圖8a）更加豐富、細(xì)膩，紋理特征也更加明顯，表明本文方法得到的數(shù)據(jù)池化層輸出的特征比ResNet101網(wǎng)絡(luò)更加豐富，能更有效地提取特征，也證明了Inception模塊能更好地融合特征信息；對(duì)比圖8b）與圖9b）可以看出：在經(jīng)過最大池化操作后，相比本文提出的方法，ResNet101網(wǎng)絡(luò)得到的特征圖信息更加豐富，說明嵌入的CBAM模塊能協(xié)同空間和通道兩個(gè)維度，更好地提取圖像特征；從圖8c）與圖9c）可以看出：再經(jīng)過layer1、layer4等更深層的操作后，特征圖更關(guān)注某些輪廓邊緣區(qū)域的細(xì)節(jié)部分，得到的信息也更加豐富；對(duì)比圖8d）與圖9d）可以看出：圖8d）中部分卷積核只提取了少量的特征信息，圖9d）中大量卷積核存在信息缺失（對(duì)應(yīng)圖上深藍(lán)色的方格），表明SE模塊有效抑制了效果較小的特征圖的權(quán)重，也能說明多模塊融合能夠有效地提取特征。

4 結(jié)語

針對(duì)目前絕緣子狀態(tài)識(shí)別存在實(shí)時(shí)性差、識(shí)別準(zhǔn)確率低的問題，本文提出一種融合多維度特征的絕緣子狀態(tài)邊緣識(shí)別方法，經(jīng)實(shí)驗(yàn)驗(yàn)證后得到如下結(jié)論。

（1）通過搭建云邊協(xié)同和邊邊聯(lián)邦協(xié)同聯(lián)合的絕緣子狀態(tài)識(shí)別訓(xùn)練框架，將數(shù)據(jù)預(yù)處理、識(shí)別算法、模型更新過程在邊緣節(jié)點(diǎn)完成，保證了狀態(tài)識(shí)別的實(shí)時(shí)性。

（2）采用基于多模塊融合的ResNet101網(wǎng)絡(luò)模型對(duì)絕緣子圖像進(jìn)行狀態(tài)識(shí)別，識(shí)別準(zhǔn)確率為99.0%、精確率為99.7%、召回率為98.9%、特異度為0.993。

實(shí)驗(yàn)表明，本文提出的融合多維度特征的絕緣子狀態(tài)邊緣識(shí)別方法在性能上優(yōu)于其他識(shí)別模型，能夠從不同維度高效提取特征，具有較高的精確率與實(shí)時(shí)性，能夠有效識(shí)別出電力巡檢圖像中故障的絕緣子。針對(duì)電網(wǎng)氣象災(zāi)害，考慮復(fù)雜氣象條件下絕緣子狀態(tài)的多樣性以及設(shè)計(jì)出更輕量的模型是未來研究的重點(diǎn)。