摘 要：為進(jìn)一步提高輸電線(xiàn)路絕緣子檢測(cè)精度，本文將深度學(xué)習(xí)算法與圖像處理技術(shù)相結(jié)合來(lái)提高輸電線(xiàn)路絕緣子檢測(cè)。試驗(yàn)結(jié)果表明，螞蟻算法的檢測(cè)精度為94.31%，隨機(jī)森林算法的檢測(cè)精度為85.27%，較深度學(xué)習(xí)算法模型增加2.19%、11.83%，深度學(xué)習(xí)算法模型的絕緣子缺陷檢測(cè)精度高于隨機(jī)森林算法和螞蟻算法。當(dāng)絕緣子被障礙物遮擋時(shí)，深度學(xué)習(xí)算法模型仍能有效識(shí)別絕緣子，準(zhǔn)確識(shí)別圖像左端絕緣子的故障區(qū)域。因此利用深度學(xué)習(xí)算法模型可以有效識(shí)別絕緣子及其缺陷。

關(guān)鍵詞：深度學(xué)習(xí)；輸電線(xiàn)路；絕緣子

中圖分類(lèi)號(hào)：TP 391 文獻(xiàn)標(biāo)志碼：A

絕緣子懸掛在電力線(xiàn)上，可以進(jìn)一步增加傳輸距離，減少電流損耗，并抵消電路的電容效應(yīng)[1]。當(dāng)絕緣子長(zhǎng)時(shí)間暴露在外部環(huán)境中時(shí)，易受氣候和其他因素的影響出現(xiàn)生銹和破損。為保證電力線(xiàn)穩(wěn)定運(yùn)行，必須定期檢查電力線(xiàn)中的絕緣子，以消除故障因素。無(wú)人機(jī)檢測(cè)技術(shù)可以顯著提高電力線(xiàn)路檢測(cè)的效率。但是無(wú)人機(jī)采集的圖像數(shù)據(jù)量巨大，人工檢測(cè)方法的效率有限，難以滿(mǎn)足檢測(cè)任務(wù)的要求[2]。因此，利用圖像處理技術(shù)和機(jī)器視覺(jué)技術(shù)對(duì)無(wú)人機(jī)數(shù)據(jù)進(jìn)行自動(dòng)檢測(cè)可以顯著提高檢測(cè)效率。

深度學(xué)習(xí)是人工智能領(lǐng)域最具有代表性的研究方向之一，在機(jī)器視覺(jué)領(lǐng)域具有廣泛應(yīng)用，并取得顯著發(fā)展。目前，深度學(xué)習(xí)方法已經(jīng)成功應(yīng)用于目標(biāo)檢測(cè)、圖像分割、目標(biāo)跟蹤和圖像分類(lèi)等多個(gè)任務(wù)中[3]。由于絕緣子在輸電線(xiàn)路中廣泛分布且形狀多樣、尺寸不一，因此研究絕緣子的檢測(cè)算法具有重要意義。

基于此，本文利用圖像處理技術(shù)和深度學(xué)習(xí)算法進(jìn)一步提高絕緣子檢測(cè)，深入研究絕緣子故障檢測(cè)區(qū)域，并利用圖像預(yù)處理、圖像增強(qiáng)和圖像過(guò)濾等技術(shù)對(duì)無(wú)人機(jī)圖像進(jìn)行處理。

1 基于深度學(xué)習(xí)的絕緣子檢測(cè)模型

為實(shí)現(xiàn)絕緣子的準(zhǔn)確檢測(cè)，本文基于深度學(xué)習(xí)算法構(gòu)建絕緣子檢測(cè)模型，該模型分為數(shù)據(jù)集和訓(xùn)練2個(gè)部分。在數(shù)據(jù)集中，將收集的所有絕緣子圖像按照不同大小、不同分辨率分別整理為訓(xùn)練集和測(cè)試集。訓(xùn)練模型時(shí)，采用深度學(xué)習(xí)算法在不改變?cè)芯W(wǎng)絡(luò)架構(gòu)的情況下對(duì)多尺度目標(biāo)進(jìn)行準(zhǔn)確分類(lèi)。同時(shí)根據(jù)不同大小、不同分辨率的絕緣子圖像對(duì)訓(xùn)練集中所有絕緣子的比例進(jìn)行隨機(jī)初始化，并采用深度學(xué)習(xí)算法對(duì)絕緣子進(jìn)行檢測(cè)[4]。為進(jìn)一步提高絕緣子檢測(cè)的準(zhǔn)確性，對(duì)測(cè)試集中的每一張絕緣子圖像的大小、分辨率進(jìn)行檢測(cè)，以提高絕緣子檢測(cè)的準(zhǔn)確性。

深度學(xué)習(xí)模型在YOLOv5基礎(chǔ)上繼續(xù)優(yōu)化，是一款十分優(yōu)秀的檢測(cè)器。深度學(xué)習(xí)模型在網(wǎng)絡(luò)結(jié)構(gòu)中引入ELAN模塊，有效強(qiáng)化了網(wǎng)絡(luò)學(xué)習(xí)能力，與YOLOv5相比，深度學(xué)習(xí)模型在檢測(cè)準(zhǔn)確度和速度方面具有明顯優(yōu)勢(shì)。在深度學(xué)習(xí)模型模型中的卷積層和池化層相互疊加的過(guò)程中，通常會(huì)在深度學(xué)習(xí)模型網(wǎng)絡(luò)模型的末尾處添加適量的全連接層。卷積層和池化層的主要作用是將原始的圖像數(shù)據(jù)映射到隱層特征空間，并逐步提取、組合出更具區(qū)分性的節(jié)點(diǎn)特征。而全連接層則是將深度學(xué)習(xí)模型中所有的特性由節(jié)點(diǎn)映射轉(zhuǎn)化為一個(gè)樣本標(biāo)注的空間。其中，全連接層的實(shí)質(zhì)是一個(gè)屬性空間與另外一個(gè)屬性空間間的轉(zhuǎn)換，并對(duì)預(yù)處理后的屬性進(jìn)行權(quán)重計(jì)算，其計(jì)算方法如公式（1）所示。

Y=F（WX+b） （1）

式中：X和Y分別為深度學(xué)習(xí)模型模型全連接層的輸入和輸出特征信息；W為全連接層的權(quán)重參數(shù)；b為偏置向量；F（）為激活函數(shù)。

激活函數(shù)可以增加模型的非線(xiàn)性表達(dá)能力，從而使深度學(xué)習(xí)模型模型更靈活，并具有適應(yīng)性。

為進(jìn)一步提高輸電線(xiàn)路絕緣子檢測(cè)，本文將原網(wǎng)絡(luò)中的深度學(xué)習(xí)算法增加了多尺度特征提取模塊，并通過(guò)金字塔池化策略提升網(wǎng)絡(luò)對(duì)小尺寸目標(biāo)的識(shí)別能力，從而使深度學(xué)習(xí)算法具有更高的檢測(cè)精度。同時(shí)，該算法還提出了一種新型通道注意力機(jī)制，能夠充分挖掘不同尺度目標(biāo)的信息，有效緩解大尺寸目標(biāo)檢測(cè)時(shí)的漏檢問(wèn)題。此外，YOLOv3在原網(wǎng)絡(luò)中增加了檢測(cè)框回歸模塊，使目標(biāo)檢測(cè)精度得到進(jìn)一步提升。

2 圖像數(shù)據(jù)集的處理

2.1 圖像預(yù)處理

本文使用的所有圖像數(shù)據(jù)均來(lái)自國(guó)家電網(wǎng)和輸電線(xiàn)路研究機(jī)構(gòu)在Github上的公開(kāi)數(shù)據(jù)。由上述途徑獲得的數(shù)據(jù)存在清晰度差、容量小等問(wèn)題，使圖像檢測(cè)算法的研究受到一定限制。在無(wú)人機(jī)巡檢輸電線(xiàn)路的過(guò)程中，多種因素會(huì)影響圖像捕捉過(guò)程[5]。例如，無(wú)人機(jī)拍攝圖像背景與絕緣子的顏色接近，導(dǎo)致圖像中的分離特征不明顯，進(jìn)一步影響檢測(cè)算法效果。因此需要利用圖像增強(qiáng)技術(shù)手段，調(diào)整圖像像素的對(duì)比度，提高其亮度。

2.2 圖像增強(qiáng)

本文利用直方圖均衡進(jìn)一步提高增強(qiáng)圖像分辨率。在繪制直方圖過(guò)程中，可根據(jù)各灰度等級(jí)的統(tǒng)計(jì)概率，采用延伸運(yùn)算，使2個(gè)區(qū)域中的像素平均分布。同時(shí)通過(guò)對(duì)原始圖像進(jìn)行預(yù)處理和增加錨框等操作來(lái)擴(kuò)大候選區(qū)域，對(duì)候選區(qū)域進(jìn)行分類(lèi)識(shí)別，利用邊界框和像素坐標(biāo)實(shí)現(xiàn)絕緣子檢測(cè)。用變量r表示待處理圖像的灰度值，用s表示輸出的灰度值，則圖像增強(qiáng)可以利用公式（2）進(jìn)行計(jì)算[6-8]。

s=T（r） （2）

式中：T（r）為映射函數(shù)。

其中的T值域必須滿(mǎn)足2個(gè)條件（L=256，T（r）位于0～L-1，并且r在0上單調(diào)遞增到L-1），并利用累積分布函數(shù)表示隨機(jī)變量的概率分布，其函數(shù)如公式（3）所示[9]。

由于圖像像素分布近似于離散函數(shù)，因此公式（3）又可簡(jiǎn)化為公式（4）。

式中：r為變量；pr（i）為圖像中第i個(gè)灰度級(jí)出現(xiàn)的概率。

2.3 圖像過(guò)濾

在無(wú)人機(jī)檢測(cè)系統(tǒng)獲取圖像過(guò)程中，圖像數(shù)據(jù)的生成、傳輸和存儲(chǔ)過(guò)程易受噪聲的影響（噪聲主要包括脈沖噪聲和高斯噪聲），針對(duì)無(wú)人機(jī)檢測(cè)圖像數(shù)據(jù)集的特點(diǎn)，本文采用高斯濾波和中值濾波方法消除圖像中的噪聲。

2.3.1 中值濾波

中值濾波是一種常用的去噪方法。利用無(wú)人機(jī)探測(cè)影像灰度，將相鄰像素按照順序排列，得到中心點(diǎn)的灰度值。中值濾波是一種基于噪聲大小調(diào)節(jié)窗的方法，其計(jì)算過(guò)程如公式（5）所示。

gx，y=median[fx，y] （5）

式中：gx，y和fx，y分別為原始圖像和處理后的圖像；median[]為中值。

2.3.2 高斯濾波

高斯濾波器是一種常用的去除高斯白噪音的線(xiàn)性濾波器。高斯噪聲的一個(gè)特性是服從高斯分布模態(tài)。高斯濾波器的結(jié)果是對(duì)鄰近像素點(diǎn)進(jìn)行加權(quán)平均。因?yàn)楦咚购瘮?shù)為單數(shù)值，所以離影像中央較近的像素權(quán)較大。高斯函數(shù)雙向旋轉(zhuǎn)對(duì)稱(chēng)且沿各個(gè)方向光滑，其計(jì)算過(guò)程如公式（6）所示。

式中：（x，y）為橫軸、縱軸的點(diǎn)坐標(biāo)；σ為標(biāo)準(zhǔn)差。

濾波器的平滑效果和寬度均由參數(shù)σ決定。σ值越大，圖像越平滑。過(guò)濾結(jié)果如圖1所示。結(jié)果表明，過(guò)濾后的絕緣體子特征顯著且其分辨率也較高，能夠更好地提升今后試驗(yàn)?zāi)Ｐ偷奶綔y(cè)性能。

3 結(jié)果與討論

3.1 試驗(yàn)數(shù)據(jù)和實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)平臺(tái)使用的操作系統(tǒng)為Windows10，CPU為英特爾酷睿i7-10700KF，主頻為3.80GHz，內(nèi)存為64GB，GPU為英偉達(dá)?（NVIDIA?）GeForceRTX3080，顯存為8GB。本試驗(yàn)中的深度學(xué)習(xí)模型訓(xùn)練采用CUDA加速，每周期對(duì)4000幅圖像進(jìn)行一次迭代訓(xùn)練，周期在4個(gè)GPU上進(jìn)行迭代訓(xùn)練。在訓(xùn)練過(guò)程中，學(xué)習(xí)率設(shè)置為2×10-2，權(quán)重衰減值設(shè)置為0.0005。在獲取訓(xùn)練樣本的過(guò)程中，每幅圖像采樣256次，正、負(fù)樣本的比例設(shè)置為1∶1。利用深度學(xué)習(xí)模型，將區(qū)域生成網(wǎng)絡(luò)提取的正樣本IOU（評(píng)估模型預(yù)測(cè)的邊界框）的最小值設(shè)為0.7，負(fù)樣本IOU的最大值設(shè)為0.3。完成試驗(yàn)篩選后，如果正樣本不足，就由負(fù)樣本填補(bǔ)，并使用組歸一化對(duì)深度學(xué)習(xí)模型參數(shù)進(jìn)行全局歸一化。

3.2 絕緣子檢測(cè)性能比較

為進(jìn)一步探究絕緣子檢測(cè)性能，本文將深度學(xué)習(xí)算法模型、隨機(jī)森林算法與螞蟻算法的檢測(cè)精度、時(shí)間、準(zhǔn)確率進(jìn)行比較。深度學(xué)習(xí)算法模型與隨機(jī)森林、螞蟻算法等不同算法檢測(cè)模型的檢測(cè)性能比較見(jiàn)表1。由表1可知，螞蟻算法的檢測(cè)精度為94.31%，隨機(jī)森林算法的檢測(cè)精度為85.27%，比深度學(xué)習(xí)算法模型增加2.19%、11.83%，深度學(xué)習(xí)算法模型的絕緣子缺陷檢測(cè)精度高于隨機(jī)森林算法和螞蟻算法。深度學(xué)習(xí)算法模型的絕緣子識(shí)別準(zhǔn)確率略高于螞蟻算法，而隨機(jī)森林算法的識(shí)別準(zhǔn)確率較低，僅為88.52%，進(jìn)一步表明深度學(xué)習(xí)算法和隨機(jī)森林算法對(duì)圖像特征識(shí)別效率較高，可準(zhǔn)確識(shí)別絕緣子。螞蟻算法對(duì)絕緣子缺陷的檢測(cè)精度較高，但是螞蟻算法模型結(jié)構(gòu)較復(fù)雜，會(huì)延長(zhǎng)檢測(cè)時(shí)間，導(dǎo)致螞蟻算法檢測(cè)時(shí)間高達(dá)65.21 ms。深度學(xué)習(xí)算法模型的檢測(cè)時(shí)間仍?xún)?yōu)于隨機(jī)森林算法和螞蟻算法，最小檢測(cè)時(shí)間為55.32 ms，可見(jiàn)深度學(xué)習(xí)算法模型具有較好的性能，可滿(mǎn)足絕緣子實(shí)時(shí)檢測(cè)要求。

3.3 圖像對(duì)比試驗(yàn)結(jié)果分析

深度學(xué)習(xí)算法模型與隨機(jī)森林算法對(duì)同一圖像的檢測(cè)效果對(duì)比如圖2所示，圖2（a）為隨機(jī)森林算法的檢測(cè)結(jié)果，圖2（b）為深度學(xué)習(xí)算法檢測(cè)結(jié)果。

比較最上面一行圖像的結(jié)果可以看出，隨機(jī)森林算法雖然能有效識(shí)別絕緣子，但是沒(méi)有效檢測(cè)到絕緣子左端的缺陷故障，從而影響維修工作效率。而深度學(xué)習(xí)算法模型可以準(zhǔn)確檢測(cè)出絕緣體故障區(qū)域，顯著提高故障檢測(cè)效率。比較第二排圖片的結(jié)果可以看出，深度學(xué)習(xí)算法模型與隨機(jī)森林算法均可有效識(shí)別絕緣子，主要原因是第二排圖片分辨率較高，絕緣子特征識(shí)別效果較好。比較第三行圖像的結(jié)果可以看出，隨機(jī)森林算法無(wú)法識(shí)別圖中右側(cè)的絕緣子，其主要原因是絕緣子易被障礙物所遮擋，導(dǎo)致圖像識(shí)別效果不佳，嚴(yán)重影響了電力系統(tǒng)的運(yùn)行安全。但當(dāng)絕緣子被遮擋時(shí)，深度學(xué)習(xí)模型仍然能夠?qū)^緣子進(jìn)行有效識(shí)別，還可以準(zhǔn)確識(shí)別圖像左端絕緣子的故障區(qū)域。綜上所述，利用深度學(xué)習(xí)算法模型可以有效識(shí)別絕緣子故障。

3.4 檢測(cè)時(shí)間和計(jì)算內(nèi)存比較分析

為進(jìn)一步驗(yàn)證深度學(xué)習(xí)算法模型在輸電線(xiàn)路絕緣子檢測(cè)中的效果，本文將深度學(xué)習(xí)模型算法模型與其他檢測(cè)模型（YOLOv3、YOLOv4和YOLOv5）的檢測(cè)時(shí)間和計(jì)算內(nèi)存進(jìn)行比較，試驗(yàn)結(jié)果見(jiàn)表2。由表2可知，YOLOv3和YOLOv4節(jié)點(diǎn)數(shù)量為608和638個(gè)，模型節(jié)點(diǎn)數(shù)量越多，檢測(cè)時(shí)間就越長(zhǎng)。受實(shí)際輸電線(xiàn)路絕緣子檢測(cè)環(huán)境影響，較多的節(jié)點(diǎn)會(huì)進(jìn)一步降低檢測(cè)準(zhǔn)確率。而深度學(xué)習(xí)模型算法的節(jié)點(diǎn)數(shù)量?jī)H為121個(gè)，比YOLOv3和YOLOv4分別減少80.9%、81.03%。而YOLOv3和YOLOv4計(jì)算內(nèi)存分別為227.88MB和238.62MB，深度學(xué)習(xí)模型算法的計(jì)算內(nèi)存比YOLOv3和YOLOv4分別減少80%和81%。同時(shí)可觀(guān)察到深度學(xué)習(xí)模型算法在檢測(cè)時(shí)間方面具有較好的性能，檢測(cè)時(shí)間僅為10s，與YOLOv3和YOLOv4算法的檢測(cè)時(shí)間相比，深度學(xué)習(xí)模型的檢測(cè)時(shí)間分別減少50%和30%。而YOLOv5的檢測(cè)時(shí)間最長(zhǎng)，比深度學(xué)習(xí)模型增加120%，進(jìn)一步表明深度學(xué)習(xí)模型算法模型具有較高的檢測(cè)效率。

4 結(jié)論

螞蟻算法的檢測(cè)精度為94.31%，隨機(jī)森林算法的檢測(cè)精度為85.27%，比深度學(xué)習(xí)算法模型增加2.19%、11.83%，深度學(xué)習(xí)算法模型的絕緣子缺陷檢測(cè)精度高于隨機(jī)森林算法和螞蟻算法。

隨機(jī)森林算法雖然可有效識(shí)別絕緣子，但是沒(méi)有效檢測(cè)到絕緣子左端的缺陷故障，會(huì)進(jìn)一步影響維修工作效率。而深度學(xué)習(xí)算法模型可以準(zhǔn)確檢測(cè)出絕緣體故障區(qū)域，顯著提高故障檢測(cè)效率。

參考文獻(xiàn)

[1]霍一凡，衣麗葵，李佳玉，等.基于改進(jìn)深度學(xué)習(xí)模型的輸電線(xiàn)路絕緣子外部缺陷檢測(cè)方法研究[J].沈陽(yáng)工程學(xué)院學(xué)報(bào)（自然科學(xué)版），2024，20（2）：54-59，67.

[2]王伯濤，周福強(qiáng)，吳國(guó)新，等.基于改進(jìn)深度學(xué)習(xí)模型的輸電線(xiàn)路絕緣子識(shí)別檢測(cè)研究[J].電子測(cè)量技術(shù)，2023，46（23）：127-134.

[3]胡夢(mèng)雪，王勇.基于改進(jìn)型YOLOv4的輸電線(xiàn)路絕緣子識(shí)別與故障檢測(cè)[J].微型電腦應(yīng)用，2023，39（9）：19-22.

[4]茍軍年，杜愫愫，劉力.基于改進(jìn)掩膜區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的輸電線(xiàn)路絕緣子自爆檢測(cè)[J].電工技術(shù)學(xué)報(bào)，2023，38（1）：47-59.

[5]劉開(kāi)培，李博強(qiáng)，秦亮，等.深度學(xué)習(xí)目標(biāo)檢測(cè)算法在架空輸電線(xiàn)路絕緣子缺陷檢測(cè)中的應(yīng)用研究綜述[J].高電壓技術(shù)，2023，49（9）：3584-3595.

[6]張弢，郭志勇.基于改進(jìn)FasterRCNN的輸電線(xiàn)路絕緣子檢測(cè)研究[J].電子產(chǎn)品世界，2021，28（10）：63-67，77.

[7]劉超，李英娜，楊莉.基于改進(jìn)YOLOv5s的絕緣子缺陷檢測(cè)算法研究[J].陜西理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，40（3）：26-34.

[8]程仲漢，俞劭凱，賴(lài)怡欣.一種基于YOLOv5s的絕緣子自爆輕量化檢測(cè)方法[J].湖北師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，44（2）：45-51.

[9]劉寧波，張靜鑫，舒瑩.基于有限狀態(tài)機(jī)的絕緣子檢測(cè)機(jī)器人越障控制[J].機(jī)械與電子，2024，42（4）：66-70.