羅浩天 羅錦 嚴(yán)智敏 宋曉雪

摘 要 為保證電力系統(tǒng)的穩(wěn)定運(yùn)行，輸電線路的巡檢是必不可少的。隨著相關(guān)技術(shù)的發(fā)展，傳統(tǒng)的人工巡檢被無(wú)人機(jī)遠(yuǎn)程拍攝而取代，利用無(wú)人機(jī)攜帶的高清攝像機(jī)可以安全快捷的進(jìn)行輸電線路的日常巡檢，將采集到的圖像信息傳輸?shù)浇K端并加以處理就可以了解各個(gè)輸電塔的狀況。為了便于對(duì)無(wú)人機(jī)采集的數(shù)據(jù)進(jìn)行處理分析，本文利用深度學(xué)習(xí)技術(shù)對(duì)圖片進(jìn)行處理：首先為生成數(shù)據(jù)集，對(duì)圖像進(jìn)行預(yù)處理，并統(tǒng)一大小方便進(jìn)行訓(xùn)練；再利用FCN算法，利用制作好的數(shù)據(jù)集，訓(xùn)練網(wǎng)絡(luò)，調(diào)整參數(shù)；而后進(jìn)行連通域的標(biāo)定和絕緣子自爆位置的檢測(cè)。通過(guò)深度學(xué)習(xí)算法，可以極大的減少人工成本，減少因疲勞而導(dǎo)致的錯(cuò)誤

關(guān)鍵詞 圖像預(yù)處理 語(yǔ)義分割 FCN 連通域算法 目標(biāo)檢測(cè) YOLO算法

中圖分類號(hào)：TM73 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0745（2020）02-0001-07

1 基于深度學(xué)習(xí)的智能絕緣子識(shí)別技術(shù)

1.1 研究背景及意義

在輸電系統(tǒng)中，輸電塔和高壓線是其中主要的部分。在輸電塔上，絕緣子是維修的關(guān)鍵部位。絕緣體通常由陶瓷或玻璃制成，以支撐導(dǎo)體并防止電流返回地面。然而，由于野外環(huán)境的多變，絕緣子極易損壞，常見(jiàn)的原因有污穢，高溫，濕潤(rùn)，塵土等。若發(fā)生故障則不能保證電力系統(tǒng)的正常運(yùn)轉(zhuǎn)。

通過(guò)深度學(xué)習(xí)技術(shù)的應(yīng)用，可以實(shí)現(xiàn)在復(fù)雜背景下針對(duì)絕緣子串的識(shí)別分割及絕緣子自爆故障的檢測(cè)，有利于保證電力系統(tǒng)的安全穩(wěn)定的運(yùn)轉(zhuǎn)。

1.2 研究?jī)?nèi)容和技術(shù)路線

1.2.1 研究?jī)?nèi)容

電力系統(tǒng)中的傳輸鏈路主要由架空輸電線路實(shí)現(xiàn)。輸電塔由若干部件組成：桿塔、電線、絕緣子、避雷針、開(kāi)關(guān)、電纜、及其連接裝置。內(nèi)容繁多，過(guò)程復(fù)雜。為了有效完成對(duì)電力系統(tǒng)的檢查，采用無(wú)人機(jī)設(shè)備對(duì)其進(jìn)行全方位的拍攝。以完成絕緣子自爆的檢測(cè)。利用深度學(xué)習(xí)技術(shù)對(duì)無(wú)人機(jī)采集到的圖像進(jìn)行分析處理，完成相應(yīng)的任務(wù)要求。

1.2.2 技術(shù)路線

本文通過(guò)無(wú)人機(jī)拍攝到的絕緣子圖片，依據(jù)現(xiàn)有國(guó)內(nèi)外對(duì)絕緣子的檢測(cè)和自爆缺陷的識(shí)別發(fā)展現(xiàn)狀，基于深度學(xué)習(xí)技術(shù)對(duì)獲得的圖片進(jìn)行預(yù)處理、分割和識(shí)別，并檢測(cè)出自爆絕緣子的位置。其中分為：

a） 數(shù)據(jù)集的生成。本文使用官方的測(cè)試數(shù)據(jù)和Github公開(kāi)的數(shù)據(jù)集作為絕緣子圖像數(shù)據(jù)集。

b） 絕緣子圖像預(yù)處理。為增加數(shù)據(jù)集的圖片量，采用旋轉(zhuǎn)的方式將現(xiàn)有圖片進(jìn)行變形。為保證圖片的大小一致，通過(guò)縮放方式將圖片統(tǒng)一大小，為之后的深度學(xué)習(xí)提供數(shù)據(jù)集。

c） 絕緣子的分割。利用FCN算法，利用制作好的數(shù)據(jù)集，訓(xùn)練網(wǎng)絡(luò)。用測(cè)試數(shù)據(jù)生成的測(cè)試集進(jìn)行測(cè)試，最后通過(guò)調(diào)參提高分割的成功率。

d） 絕緣子連通域檢測(cè)。

e） 絕緣子自爆的識(shí)別。通過(guò)Yolov3對(duì)絕緣子的自爆故障進(jìn)行定位，流程圖如下：（如圖1）

2 絕緣子圖像數(shù)據(jù)的采集和預(yù)處理

2.1 采集數(shù)據(jù)

因?yàn)殡娐分械慕^緣子通常建立在環(huán)境惡劣的地方，沒(méi)有工具很難到達(dá)。大部分由無(wú)人機(jī)捕獲和存儲(chǔ)。無(wú)人機(jī)的任務(wù)包括自主設(shè)定計(jì)劃、執(zhí)行任務(wù)、對(duì)地面的監(jiān)控，并且要對(duì)無(wú)人機(jī)的圖像進(jìn)行處理。無(wú)人機(jī)自動(dòng)總要目標(biāo)的檢查、飛行控制、圖像捕獲和存儲(chǔ)等一系列操作，最終獲得較好的絕緣子狀況。

2.2 圖像預(yù)處理

對(duì)圖像進(jìn)行一定的提取準(zhǔn)備，可以減少噪聲，使圖像特征更明顯，使得圖像蘊(yùn)含的信息得到較好的保存，從而提高后續(xù)處理的準(zhǔn)確度。[1]

2.2.1 圖像切分

現(xiàn)有原始圖片分辨率大致為7360×4912-3632×2624，每張圖片大小大約都在7MB上。這些數(shù)據(jù)保存會(huì)耗費(fèi)一定的儲(chǔ)存空間，并且現(xiàn)有分辨率對(duì)進(jìn)行圖像處理和深度學(xué)習(xí)都過(guò)大，會(huì)大大增加計(jì)算的時(shí)間。因此本文采取先將采集到的750張圖片切分為640×480大小，并打亂順序，隨機(jī)分布，減少原圖過(guò)大帶來(lái)的存儲(chǔ)空間和后期計(jì)算耗時(shí)問(wèn)題。

2.2.2 基于Keras的圖像變換

Keras封裝了很多高層的神經(jīng)網(wǎng)絡(luò)模塊，例如全連接層（Dense），卷積層（Conv2D），長(zhǎng)短時(shí)記憶模型（LSTM）等等。利用Keras框架進(jìn)行數(shù)據(jù)增強(qiáng)，進(jìn)行上下，鏡像翻轉(zhuǎn)，以及隨機(jī)修剪、色彩抖動(dòng)、平移變換、尺寸變換，新增樣本圖片，將這些圖片作為后續(xù)語(yǔ)義分割的訓(xùn)練集。

3 基于語(yǔ)義分割的圖像處理

3.1 神經(jīng)網(wǎng)絡(luò)算法介紹

3.1.1 R-CNN算法

CNN是Region-CNN的縮寫(xiě)。AlexNet 是卷積神經(jīng)網(wǎng)絡(luò)的一種，主要包含8層，其中前五層為卷積層，后三層為全連接層。雖然R-CNN有著較高的準(zhǔn)確度，但是它的識(shí)別效率較低，主要原因是它要提取說(shuō)以的特征，計(jì)算的冗余量很大。所以將采用Fast-RCNN模型。Fast-RCNN在原來(lái)的基礎(chǔ)上新增了回歸性，將融合的地方化成一個(gè)模型。

下方為Faster RCNN結(jié)構(gòu)流程圖：（如圖2）

3.1.2 FCN算法

3.1.4 模型建立

RCNN基本步驟為：

（1）通過(guò)對(duì)顯著性進(jìn)行校驗(yàn)獲得2000個(gè)較為重要的位置ROI；

（2）將圖片變化為合適的大小讓它上面小，下面大，再使用卷積層獲得特征；

（3）對(duì)于金字塔每個(gè)尺度的每個(gè)ROI，求圖像在特征圖中的映射，并且統(tǒng)一到相同的尺度；

（4）將結(jié)果輸入到并行的兩個(gè)全連接層，第一個(gè)層針對(duì)每個(gè)ROI區(qū)域的分類進(jìn)行概率預(yù)測(cè)，第二個(gè)層針對(duì)每個(gè)ROI區(qū)域進(jìn)行位置的偏移優(yōu)化。經(jīng)過(guò)Fast-RCNN對(duì)RCNN的優(yōu)化，將分類和窗口放在了統(tǒng)一的框架里面，極大的較少了模型訓(xùn)練和圖片測(cè)試的時(shí)間。

FCN的建立：

（1）在上文預(yù)處理中分好訓(xùn)練集和驗(yàn)證集后，對(duì)形成學(xué)習(xí)機(jī)進(jìn)行如下步驟；

（2）構(gòu)建FCN-8s模型：根據(jù)全卷積神經(jīng)網(wǎng)絡(luò)原理，在VGG-19（Visual Geometry Group，VGG）網(wǎng)絡(luò)模型的基礎(chǔ)上構(gòu)建FCN-8s模型；

（3）訓(xùn)練FCN-8s模型：同時(shí)將訓(xùn)練集和驗(yàn)證集放入構(gòu)建好的模型進(jìn)行訓(xùn)練及驗(yàn)證， 通過(guò)參數(shù)對(duì)比調(diào)優(yōu)，完成模型的訓(xùn)練；

（4）FCN-8s模型預(yù)識(shí)別：將測(cè)試集輸入訓(xùn)練好的模型，經(jīng)計(jì)算后輸出FCN-8s梯田影像預(yù)識(shí)別結(jié)果；

（5）DenseCRF模型：輸入梯田預(yù)識(shí)別結(jié)果，構(gòu)造Dense CRF模型二階勢(shì)函數(shù)，計(jì)算后輸出本文方法的最終識(shí)別結(jié)果；

（6）精度評(píng)價(jià)：對(duì)比各測(cè)試區(qū)的真值圖，對(duì)本文方法的實(shí)驗(yàn)結(jié)果計(jì)算總體精度、F1分?jǐn)?shù)和Kappa系數(shù)進(jìn)行精度評(píng)價(jià)。

流程圖如下圖所示：（如圖3）

BoxSup的訓(xùn)練流程：

（1）對(duì)圖片的bounding box ground-truth使用，Multiscale Combinatorial Grouping （MCG）生成分割mask的候選，并優(yōu)化label選一個(gè)與bounding box平均交集最大的mask作為監(jiān)督信息。

（2）利用上述標(biāo)簽信息更新分割網(wǎng)絡(luò)（FCN）的參數(shù)。

（3）基于訓(xùn)練出的語(yǔ)義分割網(wǎng)絡(luò)對(duì)物體框中的前景區(qū)域進(jìn)行預(yù)測(cè)，提升前景mask 的準(zhǔn)確度，再循環(huán)訓(xùn)練FCN。

3.2 結(jié)論分析

FCN是由模型RCN改進(jìn)而得到，用卷積替換了全連接，相比于R-CNN提高了10%左右；BoxSup的核心就在不斷迭代，迭代次數(shù)越多越準(zhǔn)確，但是耗時(shí)過(guò)長(zhǎng)。所以最后選定使用FCN算法。下面為由FCN算法得到部分掩模圖結(jié)果如下：

4 基于連通域的絕緣子位置檢測(cè)

4.1 算法介紹

4.1.1 基于Tow-Pass算法位置識(shí)別

Two-pass就是兩邊掃描，通過(guò)將圖片進(jìn)行兩次掃描，就可以查找得到連通域并且標(biāo)記它。在第一次掃描的時(shí)候，賦予每一個(gè)像素位置一個(gè)標(biāo)簽，掃描途中同一個(gè)連通區(qū)域的像素可能被賦予一個(gè)或者多個(gè)標(biāo)簽，因此需要將這些屬于同一個(gè)連通區(qū)域但具有不同的標(biāo)簽的像素進(jìn)行合并，記錄其中相等的關(guān)系。在第二遍掃描中，將相等關(guān)系的標(biāo)記像素歸為一個(gè)連通區(qū)域并賦予相同的標(biāo)簽。

4.1.2 基于Seed-Filling算法位置識(shí)別

種子填充法來(lái)源于計(jì)算機(jī)圖形學(xué)，對(duì)于某個(gè)圖形進(jìn)行填充。選取一個(gè)前景像素作為種子，根據(jù)連通區(qū)域的兩個(gè)基本條件將和種子相鄰的前景像素合并到同一個(gè)像素集合中，最后得到該像素集合就是一個(gè)連通區(qū)域。

4.2 模型建立

本文利用的是二值圖像的連通域標(biāo)記法。二值圖像是指只有黑和白兩個(gè)狀態(tài)的圖像，由于其簡(jiǎn)單的模式，像素可以在空間上有很強(qiáng)的表現(xiàn)力。所以利用二值圖像來(lái)分析連通域標(biāo)記是非常方便的。根據(jù)現(xiàn)有的算法思路，對(duì)圖片進(jìn)行逐行的掃描，把每一行中連續(xù)的白色像素組成一個(gè)序列并進(jìn)行標(biāo)記，記下其中的起始點(diǎn)和終止點(diǎn)以及所在的行號(hào)。對(duì)于除了第一行中連續(xù)的標(biāo)記以外，如果其他行的標(biāo)記都沒(méi)有于其之前的標(biāo)記重合就標(biāo)定為一個(gè)新的標(biāo)號(hào)，如果僅與上一行中的一個(gè)標(biāo)記有重合，則將上一行的標(biāo)記賦予給它，如果與上一行的2個(gè)以上的標(biāo)記區(qū)域有重疊的部分，則給當(dāng)前的標(biāo)記標(biāo)上最小的標(biāo)號(hào)，并將上一行這幾個(gè)標(biāo)記寫(xiě)入等價(jià)的對(duì)，說(shuō)明是屬于一個(gè)類型。將等價(jià)對(duì)轉(zhuǎn)換為等價(jià)序列，每一個(gè)序列需要給一個(gè)相同的標(biāo)號(hào)。將每個(gè)標(biāo)號(hào)填入標(biāo)記的圖像中。

4.3 結(jié)論分析

通過(guò)對(duì)連通域進(jìn)行標(biāo)定，就可以得到不同的區(qū)域，并將其標(biāo)定出來(lái)。通過(guò)程序?qū)⒉煌念伾畛涞讲煌倪B通區(qū)域?？梢詫D像進(jìn)行快速的標(biāo)定。

5 絕緣子自爆位置識(shí)別

5.1 絕緣子自爆特征簡(jiǎn)介

玻璃絕緣子自爆的原因可分為產(chǎn)品自身質(zhì)量原因與外部運(yùn)行環(huán)境原因兩類。其發(fā)生自爆的特征為：放射狀，魚(yú)鱗狀，混合狀。

5.2 算法

5.2.1 基于YOLO算法

Yolo V3作為最優(yōu)秀的目標(biāo)檢測(cè)框架之一，與之前的RCNN、SPP-Net、Fast-RCNN、Faster-RCNN相比有了很大的進(jìn)步。[3]Yolo的核心思想是使用整個(gè)畫(huà)面作為輸出，直接返回輸出層中邊界框的位置和類別。首先將一幅圖像劃分為7×7個(gè)網(wǎng)格單元，然后檢測(cè)目標(biāo)。如果目標(biāo)中心落在網(wǎng)格中，網(wǎng)格負(fù)責(zé)預(yù)測(cè)目標(biāo)。預(yù)測(cè)的候選框還需要預(yù)測(cè)一個(gè)置信度值，以確定目標(biāo)是否存在。

得到每個(gè)分類置信分?jǐn)?shù)之后，設(shè)置閾值將得分低的boxes篩除掉，就得到最終的檢測(cè)結(jié)果。

5.2.2 基于YOLO算法的改進(jìn)

目前，大多數(shù)神經(jīng)網(wǎng)絡(luò)的改進(jìn)趨勢(shì)是向更大、更深層次的網(wǎng)絡(luò)發(fā)展。一般來(lái)說(shuō)，層次性更強(qiáng)的神經(jīng)網(wǎng)絡(luò)傾向于在現(xiàn)實(shí)世界中學(xué)習(xí)更多的細(xì)節(jié)以獲得更好的結(jié)果。YOLO v2沒(méi)有專注于加深神經(jīng)網(wǎng)絡(luò)的層次，而是采用了批量歸一化、高分辨率分類器、多尺度訓(xùn)練等方法，在保持原有速度的同時(shí)提高了精度。整個(gè)網(wǎng)絡(luò)采用Darknet-19網(wǎng)絡(luò)結(jié)構(gòu)，包括19個(gè)卷積層和5個(gè)最大池層，與YOLO相比，卷積運(yùn)算量大大減少。YOLO v3采用 Darknet-53的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，確保了速度并再次大大提高了精確度。

5.2.3 改進(jìn)SSD算法

經(jīng)典 SSD 算法的模型參數(shù)運(yùn)算繁多，運(yùn)行時(shí)占用內(nèi)存大，為了在有限的計(jì)算資源平臺(tái)上完成圖像識(shí)別任務(wù)并做出及時(shí)的反應(yīng)，對(duì) SSD 算法進(jìn)行“減重”勢(shì)在必行。提出改進(jìn)的深度可分離卷積網(wǎng)絡(luò)作為 SSD 前端特征提取的基礎(chǔ)網(wǎng)絡(luò)，避免卷積運(yùn)算過(guò)程所帶來(lái)的過(guò)大消耗，降低算法運(yùn)算復(fù)雜度，適應(yīng)未來(lái)實(shí)時(shí)識(shí)別車型的應(yīng)用需求。[4]

（2）反殘差模塊。寬度參數(shù)通過(guò)壓縮通道數(shù)進(jìn)一步減少模型參數(shù)量，但是也造成了特征壓縮的問(wèn)題。而修正線性單元（ReLU）對(duì)于負(fù)輸入，全部輸出為零，會(huì)導(dǎo)致更多的特征信息丟失，深度卷積DW無(wú)法改變輸入通道，這種情況下，特征提取效果不理想會(huì)導(dǎo)致目標(biāo)檢測(cè)準(zhǔn)確率降低。

研究在 DW 之前引入反殘差（inverted residuals，IR）模塊，輸入為h×w的k維特征圖，將 ReLU 改為 ReLU6 以限制輸出范圍，輸出h/s×w/s的k維特征圖。s 是步長(zhǎng)，t 為擴(kuò)張系數(shù)。首先用一個(gè)大小為1×1的擴(kuò)展核把輸入的低維特征圖擴(kuò)展到高維，在高維空間進(jìn)行深度卷積，最后使用點(diǎn)卷積將特征提取結(jié)果降維映射到低維空間并用線性激活函數(shù)（linear）進(jìn)行輸出。對(duì)通道數(shù)擴(kuò)增之后再收縮，提高了模型特征提取的能力，有效防止由于通道數(shù)較小時(shí)因非線性激活導(dǎo)致特征信息丟失的情況，可以提高目標(biāo)檢測(cè)準(zhǔn)確率。結(jié)合反殘差模塊的深度可分離卷積SSD結(jié)構(gòu).

（2）GMM模型的改進(jìn)：

i.GMM模型的自適應(yīng)改進(jìn)

在對(duì)運(yùn)動(dòng)的物體進(jìn)行檢測(cè)時(shí)，以往的GMM里K值是不發(fā)生變化的，這樣就約束了算法在不同環(huán)境中的魯棒性。如果環(huán)境中沒(méi)有移動(dòng)的物品時(shí)，那么不需要以往那么多的資源，只要觀察一個(gè)最為重要的分布就可以觀測(cè)到全局的分布。當(dāng)環(huán)境中出現(xiàn)目標(biāo)物體后，考慮的值會(huì)明顯增多，這便需要利用較多的高斯分布來(lái)計(jì)算。在此基礎(chǔ)上，改進(jìn)出了不斷適應(yīng)環(huán)境的高斯算法。過(guò)程如下：

（1） 先加入穩(wěn)定數(shù)ρ來(lái)修改權(quán)和協(xié)方差的分布，并且0<ρ<1。當(dāng)新得到的權(quán)很大、方差很小時(shí)，分布會(huì)變的更加重要，變得容易成為用于背景構(gòu)造的元素之一，造成整個(gè)模型的質(zhì)量下降，可能會(huì)影響對(duì)結(jié)果的準(zhǔn)確率。為了讓分布更加符合實(shí)際情況，所以添加了一個(gè)穩(wěn)定系數(shù)ρ，如果檢測(cè)圖像的像素點(diǎn)與多個(gè)分布都不同時(shí)，則按以下規(guī)則重新產(chǎn)生下一個(gè)分布：

5.3 結(jié)果比對(duì)

對(duì)于SSD模型來(lái)說(shuō)，它的速度一般，準(zhǔn)確度較高，但需人為預(yù)設(shè)默認(rèn)邊框的最小值，最大值和縱橫比例值。模型中最初的默認(rèn)邊框基礎(chǔ)的大小和形狀都不能直接通過(guò)模型學(xué)習(xí)得到也無(wú)特定的初始值，必須要人為手工設(shè)置。且卷積神經(jīng)網(wǎng)絡(luò)每個(gè)卷積層的特征圖使用的默認(rèn)邊框各類參數(shù)不一，以至于調(diào)試參數(shù)過(guò)程需要長(zhǎng)期積累經(jīng)驗(yàn)。

即使pyramdial feature hierarchy這樣的思路，對(duì)較小的特征RECALL效果還是不好，并沒(méi)有達(dá)可以完全替代Faster RCNN。這是由于SSD使用conv4_3低級(jí)特征去檢測(cè)小目標(biāo)，而它的卷積層數(shù)少，特征提取也不完整。所以它的使用復(fù)雜，不適合在講求效率的工程領(lǐng)域使用。

GMM和K-means還是有很大的相同點(diǎn)的。GMM中數(shù)據(jù)對(duì)高斯分量的響應(yīng)度就相當(dāng)于K-means中的距離計(jì)算，GMM中的根據(jù)響應(yīng)度計(jì)算高斯分量參數(shù)就相當(dāng)于K-means中計(jì)算分類點(diǎn)的位置。然后它們都通過(guò)不斷迭代達(dá)到最優(yōu)。不同的是：GMM模型給出的是每一個(gè)觀測(cè)點(diǎn)由哪個(gè)高斯分量生成的概率，而K-means直接給出一個(gè)觀測(cè)點(diǎn)屬于哪一類。所以GMM的模型的迭代次數(shù)多效率低。同樣不適合使用工程領(lǐng)域，同時(shí)它的準(zhǔn)確度也不具有穩(wěn)定性，在幾次實(shí)驗(yàn)中忽高忽低，使它的數(shù)據(jù)充滿可疑性。

對(duì)比以上三個(gè)模型，經(jīng)過(guò)各項(xiàng)技術(shù)參數(shù)的比對(duì)，在對(duì)YOLOv3 進(jìn)行 channel pruning 之后，模型的參數(shù)量、模型大小減少 80% ，F(xiàn)LOPs 降低 70%，前向推斷的速度可以達(dá)到原來(lái)的 200%，同時(shí)可以保持 mAP 基本不變（這個(gè)效果只是針對(duì)該數(shù)據(jù)集的，不一定能保證在其他數(shù)據(jù)集上也有同樣的效果）。到此為止，YOLO算法的準(zhǔn)確度已經(jīng)達(dá)到70%遠(yuǎn)高于其他兩個(gè)模型。YOLO3借鑒了殘差網(wǎng)絡(luò)結(jié)構(gòu)，形成更深的網(wǎng)絡(luò)層次，以及多尺度檢測(cè)，提升了mAP及小物體檢測(cè)效果。如果采用COCO mAP50做評(píng)估指標(biāo)（不是太介意預(yù)測(cè)框的準(zhǔn)確性的話），YOLO3的表現(xiàn)相當(dāng)驚人，如下圖所示，在精確度相當(dāng)?shù)那闆r下，YOLOv3的速度是其它模型的3、4倍。

6 總結(jié)與展望

6.1 總結(jié)

本文主要基于絕緣子圖像數(shù)據(jù)研究不同的方法實(shí)現(xiàn)絕緣子“自爆”缺陷的檢測(cè)。本文基于國(guó)家電網(wǎng)查找給出的圖像，主要以無(wú)人機(jī)航拍的絕緣子圖像數(shù)據(jù)為研究基本對(duì)象，將檢測(cè)絕緣子“自爆”作為目標(biāo)，對(duì)其中圖像處理深度學(xué)習(xí)進(jìn)行建立模型，結(jié)果比對(duì)，得出實(shí)驗(yàn)結(jié)果。對(duì)本文的研究?jī)?nèi)容和取得成果總結(jié)如下：

本文通過(guò)使用官方給出的數(shù)據(jù)以及在GitHub公開(kāi)的數(shù)據(jù)集作為了圖像的基礎(chǔ)數(shù)據(jù)集，最早通過(guò)圖像的預(yù)處理，將圖片旋轉(zhuǎn)幾個(gè)角度以此來(lái)提高識(shí)別的準(zhǔn)確度，在已有的基礎(chǔ)上擴(kuò)展數(shù)據(jù)集。

本文使用深度學(xué)習(xí)，利用FCN算法分割絕緣子，并用已有的數(shù)據(jù)集進(jìn)行訓(xùn)練。然后在對(duì)連通區(qū)域進(jìn)行檢查得到較為客觀的掩模圖。最后通過(guò)基于Python平臺(tái)的YoloV3算法對(duì)得到的自爆故障進(jìn)行定位。在得到的結(jié)果中可以發(fā)現(xiàn)模型已經(jīng)具有較好的效果，可以準(zhǔn)確的識(shí)別出已經(jīng)自爆的絕緣子。

本文值得注意的是，本文每一個(gè)步驟都選用了多個(gè)方法進(jìn)行比較，保證了結(jié)果的準(zhǔn)確性，并且同時(shí)也帶來(lái)的更多的解決方案，以此來(lái)適應(yīng)不同的環(huán)境。

6.2 展望

本文從圖像處理和深度學(xué)習(xí)兩個(gè)角度出發(fā)研究了航拍中絕緣子串的識(shí)別和絕緣子“自爆”點(diǎn)的位置識(shí)別。由于深度學(xué)習(xí)繼續(xù)迅速，研究不斷深入，新的模型和算法的提出，在今后的時(shí)間針對(duì)本文不足進(jìn)行完善，可完善的地方主要有以下方面：

（1）數(shù)據(jù)的不充足性。由于電力圖像獲取難度大，本文所使用航拍圖像有限。基本供于原圖應(yīng)是2000張左右，但是由于獲取數(shù)據(jù)有限，在處理后才剛剛達(dá)到深度自主學(xué)習(xí)所需訓(xùn)練集，后期可以通過(guò)無(wú)人機(jī)拍攝更多圖像進(jìn)行加強(qiáng)。

（2） 基于深度學(xué)習(xí)的檢測(cè)算法在未來(lái)探索更合適的網(wǎng)絡(luò)模型，降低網(wǎng)絡(luò)復(fù)雜度。以期實(shí)現(xiàn)絕緣子檢測(cè)的智能化和自動(dòng)化。

另外在從當(dāng)下時(shí)期來(lái)看我國(guó)電網(wǎng)面臨著嚴(yán)峻挑戰(zhàn)，主要包括：西電東送距離遙遠(yuǎn)和線路走廊的限制，要實(shí)現(xiàn)大規(guī)模的輸電面臨著諸多技術(shù)難題：大區(qū)電網(wǎng)強(qiáng)互聯(lián)的格局尚未形成，因而全局的電力資源優(yōu)化配置，優(yōu)化調(diào)度還難以實(shí)施，南北互供的電量還很少，電網(wǎng)建設(shè)滯后，電網(wǎng)中輸電瓶頸增多，其中，電網(wǎng)絕緣子安全可靠性成為電網(wǎng)安全的重要因素。因?yàn)?，電力網(wǎng)輸配電線路大多建設(shè)在野外，長(zhǎng)期在惡劣氣候條件下工作，強(qiáng)化輸配電絕緣子安全可靠性，對(duì)于線路安全起到重要的作用，輸電網(wǎng)安全運(yùn)行強(qiáng)調(diào)輸電網(wǎng)絕緣子的重要性。更應(yīng)該加快速度，將商業(yè)化的無(wú)人機(jī)識(shí)別技術(shù)投入到電網(wǎng)中。

可以預(yù)見(jiàn)在將來(lái)本文的技術(shù)可以被應(yīng)用在各個(gè)多個(gè)領(lǐng)域，并且也具有較大的提升空間，和較好的可塑性。以本文的YoloV3模型為例，本次由于訓(xùn)練數(shù)據(jù)較少的原因，使識(shí)別的精度差強(qiáng)人意，如果可以收集更多的數(shù)據(jù)，多模型進(jìn)行更多的訓(xùn)練，那么準(zhǔn)確度會(huì)有一個(gè)質(zhì)的飛躍。

參考文獻(xiàn)：

[1] 王夢(mèng).基于絕緣子圖像的缺陷檢測(cè)方法研究[D].華中科技大學(xué)，2019-05-26.

[2] 段杰，崔志明，沈藝.一種改進(jìn) FCN 的肝臟腫瘤 CT 圖像分割方法[J].圖學(xué)學(xué)報(bào)，2020（02）.

[3] Zhengxia Zou， Zhenwei Shi. Object Detection in 20 Years： A Survey [J].University of Michigan，2109-07-10.

[4] Wei Liu1 ， Dragomir Anguelov2 ， Dumitru Erhan2 . SSD： Single Shot MultiBox Detector University of Michigan， Ann-Arbor，2015-12-14.