張慶　霍婷婷　苗海東　劉運(yùn)節(jié)

摘? 要：輸電線路是電力系統(tǒng)中電能傳輸?shù)年P(guān)鍵，近年來無人機(jī)技術(shù)和機(jī)器視覺的快速發(fā)展為電力線路絕緣子識(shí)別提供了便捷。基于無人機(jī)拍攝的輸電線路破損絕緣子自動(dòng)識(shí)別能有效降低人工巡檢的成本和安全隱患。無人機(jī)拍攝的絕緣子圖像存在目標(biāo)相對(duì)背景較小、目標(biāo)特征不明顯、絕緣子破損區(qū)域較小識(shí)別難度大等困難。為降低上述影響，基于圖像灰度均衡化和SRCNN超分辨率圖像增強(qiáng)技術(shù)，設(shè)計(jì)了一種基于CNN的輸電線路破損絕緣子識(shí)別算法，并在權(quán)威數(shù)據(jù)集上驗(yàn)證了所提算法的有效性。

關(guān)鍵詞：破損絕緣子識(shí)別；灰度均衡化；SRCNN；CNN

中圖分類號(hào)：TP391.4；TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2023）19-0151-05

Identification of the Defective Insulators of Power Transmission Lines Based on Image Enhancement and CNN

ZHANG Qing， HUO Tingting， MIAO Haidong， LIU Yunjie

（Ningxia Normal University， Guyuan? 756099， China）

Abstract： Power transmission lines are the key to the transmission of electrical energy in power systems. With the rapid advancement of drone technology and machine vision， it has provided convenience for the identification of insulation on power transmission lines. The automatic identification of defective insulators on power transmission lines captured by UAVs， can effectively reduce the cost and safety hazards of manual inspection. The insulator images captured by UAVs exist some difficulties such as relatively small target backgrounds， unclear target features， and difficulty of identifying small defective insulator areas. To reduce the aforementioned impacts， an identification algorithm of defective insulators of power transmission lines based on CNN is designed， which is based on image grayscale equalization and SRCNN super-resolution enhancement. And the effectiveness of the proposed algorithm is verified on the authoritative dataset.

Keywords： identification of defective insulator; grayscale equalization; SRCNN; CNN

0? 引? 言

輸電線路承載著電能的傳輸，對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行起到了十分關(guān)鍵的作用。對(duì)于輸電線路來講，電力絕緣子是必不可少的，其發(fā)揮了對(duì)輸電線路的支撐和保護(hù)作用[1]。長(zhǎng)時(shí)間暴露在自然環(huán)境下，絕緣子不可避免會(huì)出現(xiàn)許多損傷[2]，定期對(duì)絕緣子進(jìn)行巡檢并及時(shí)發(fā)現(xiàn)絕緣子的破損是保障安全、穩(wěn)定的重要舉措。特別是遠(yuǎn)距離輸電情況下，輸電線路存在地勢(shì)、氣候變化帶來的困難，這就給人工檢測(cè)絕緣子帶來了較大的困難。傳統(tǒng)的人工巡檢需要人員逐一檢查每個(gè)絕緣子，耗費(fèi)大量的時(shí)間和人力資源。人工巡檢容易受到環(huán)境、人員主觀因素的影響，存在漏檢、誤檢等問題。而自動(dòng)識(shí)別技術(shù)可以基于大數(shù)據(jù)和深度學(xué)習(xí)等算法，準(zhǔn)確分析絕緣子的狀態(tài)和缺陷，避免由于人為因素導(dǎo)致的誤判，提高了巡檢的準(zhǔn)確性。面對(duì)復(fù)雜的地勢(shì)、氣候時(shí)，人工巡檢不僅消耗大量人力物力，同時(shí)也會(huì)產(chǎn)生諸多安全隱患。隨著現(xiàn)代化技術(shù)的發(fā)展，利用自動(dòng)識(shí)別絕緣子的方法可以提高對(duì)絕緣子監(jiān)測(cè)的效率和準(zhǔn)確性，具有重要的研究背景和意義。自動(dòng)識(shí)別絕緣子還有助于及時(shí)檢測(cè)絕緣子的損壞和缺陷。絕緣子在使用過程中可能會(huì)受到灰塵、腐蝕、干擾等因素的影響，進(jìn)而導(dǎo)致絕緣子的降解、斷裂等問題。利用自動(dòng)識(shí)別技術(shù)可以實(shí)時(shí)監(jiān)測(cè)絕緣子的狀態(tài)，及時(shí)發(fā)現(xiàn)潛在的問題，以便進(jìn)行維修和更換，提高輸電線路的可靠性和安全性。因此，本文基于深度學(xué)習(xí)算法設(shè)計(jì)了一種自動(dòng)識(shí)別破損絕緣子的算法，并在數(shù)據(jù)集上驗(yàn)證了所設(shè)計(jì)算法的有效性。

隨著深度學(xué)習(xí)的迅速發(fā)展與應(yīng)用，自動(dòng)實(shí)現(xiàn)無人機(jī)拍攝圖像的破損絕緣子識(shí)別變得高效、便捷。針對(duì)破損絕緣子的自動(dòng)識(shí)別一般包括兩部分內(nèi)容：絕緣子目標(biāo)檢測(cè)和破損識(shí)別。目標(biāo)檢測(cè)算法能夠?qū)崿F(xiàn)對(duì)圖像中絕緣子對(duì)象進(jìn)行定位，典型的算法網(wǎng)絡(luò)包括SSD[3]和YOLO系列[4，5]。破損絕緣子識(shí)別采用算法實(shí)現(xiàn)圖像特征提取，運(yùn)用分類器實(shí)現(xiàn)破損絕緣子與正常絕緣子分類，進(jìn)而識(shí)別出破損絕緣子，為電網(wǎng)的穩(wěn)定運(yùn)行與維修提供了便捷。

顏宏文等基于YOLOv3模型，改進(jìn)了損失函數(shù)，設(shè)計(jì)了一種絕緣子串診斷方法，集合遷移學(xué)習(xí)實(shí)現(xiàn)了有效應(yīng)對(duì)數(shù)據(jù)集小帶來的過擬合問題，提高了診斷精確度[6]。孫晗等結(jié)合CenterNet網(wǎng)絡(luò)加深了特征的提取能力，并結(jié)合遷移學(xué)習(xí)實(shí)現(xiàn)了學(xué)習(xí)效率的提升[7]。針對(duì)絕緣子漏檢的情況，文獻(xiàn)[7]中采取金字塔池化模塊，在降低漏檢率上取得了較好的效果。陳奎等針對(duì)YOLOv5參數(shù)多、計(jì)算量大的問題，設(shè)計(jì)ShuffleNetV2-Stem-SPP（3S）為主干網(wǎng)絡(luò)，并采取圖像增強(qiáng)和CIoU損失函數(shù)來降低輕量化網(wǎng)絡(luò)造成的精確度損失，有效提高了檢測(cè)精確度，降低了參數(shù)量，提高了檢測(cè)速度[8]。

針對(duì)破損絕緣子檢測(cè)，本文進(jìn)一步深入研究，發(fā)現(xiàn)無人機(jī)拍攝的絕緣子照片中背景干擾對(duì)絕緣子檢測(cè)較大?；跓o人機(jī)拍攝的絕緣子破損檢測(cè)無須擔(dān)憂地形或交通限制，無人機(jī)能夠快速覆蓋整個(gè)輸電線路，完成絕緣子巡檢任務(wù)。與傳統(tǒng)的人工巡檢相比，無人機(jī)識(shí)別絕緣子破損更加高效便捷，節(jié)省了大量時(shí)間和人工成本。通過無人機(jī)上的攝像設(shè)備，可以從高空俯瞰輸電線路和絕緣子，獲取全面、細(xì)致的圖像信息。這種俯瞰視角有助于發(fā)現(xiàn)地面上隱蔽的絕緣子破損，如細(xì)小的裂紋、腐蝕和污垢等，可幫助人員在早期發(fā)現(xiàn)問題，避免事故的發(fā)生。通過實(shí)時(shí)傳輸圖像和視頻數(shù)據(jù)，無人機(jī)能夠?qū)崟r(shí)監(jiān)測(cè)絕緣子的狀態(tài)變化。一旦發(fā)現(xiàn)絕緣子出現(xiàn)破損或異常情況，可以立即報(bào)警或采取相應(yīng)措施，及時(shí)修復(fù)或更換絕緣子，提高輸電線路的可靠性和安全性。無人機(jī)收集的圖像數(shù)據(jù)可以結(jié)合大數(shù)據(jù)處理技術(shù)進(jìn)行分析和挖掘，建立絕緣子破損的數(shù)據(jù)庫。通過大數(shù)據(jù)分析，可以提取出絕緣子的破損特征、趨勢(shì)和規(guī)律，為預(yù)測(cè)和預(yù)防絕緣子破損提供科學(xué)依據(jù)。同時(shí)結(jié)合計(jì)算機(jī)視覺和圖像處理算法，無人機(jī)能夠自動(dòng)識(shí)別絕緣子的破損情況。這種自動(dòng)化識(shí)別減輕了人工巡檢的負(fù)擔(dān)，并減少人為主觀因素對(duì)識(shí)別結(jié)果的影響，提高了識(shí)別的準(zhǔn)確性和可靠性。綜上所述，無人機(jī)識(shí)別輸電線路絕緣子破損具有高效便捷、高空視角、實(shí)時(shí)監(jiān)測(cè)、大數(shù)據(jù)處理和自動(dòng)化識(shí)別等優(yōu)勢(shì)。這種技術(shù)將為輸電線路絕緣子的巡檢和維護(hù)提供可靠、高效的解決方案。為了提高破損絕緣子的檢測(cè)精度，針對(duì)數(shù)據(jù)集中的圖像，先進(jìn)行圖像增強(qiáng)處理，增加圖像對(duì)比度，使其更清晰，然后結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）實(shí)現(xiàn)破損絕緣子識(shí)別。

1? 算法框架

在破損絕緣子識(shí)別過程中，原始圖像存在背景干擾較大等問題，如圖1所示。首先采用灰度均衡化突出細(xì)節(jié)特征，然后采用超分辨率卷積神經(jīng)網(wǎng)絡(luò)（Super-Resolution Convolutional Neural Network， SRCNN）對(duì)圖像進(jìn)行超分辨率重建，從而實(shí)現(xiàn)圖像增強(qiáng)來優(yōu)化數(shù)據(jù)集。最后，訓(xùn)練CNN實(shí)現(xiàn)分類，達(dá)到破損絕緣子識(shí)別的功能。

1.1? 灰度均衡化

灰度均衡化是通過擴(kuò)展圖像的灰度分布范圍，從而實(shí)現(xiàn)增加對(duì)比度的一種圖像增強(qiáng)方法[9]。圖像灰度均衡化如式（1）所示。經(jīng)式（1）可以均衡化圖像，然后四舍五入取整處理：

8位二進(jìn)制圖像像素灰度值屬于[0，255]，當(dāng)原始圖像中灰度值分布范圍沒有完全分布滿[0，255]或分部較集中時(shí)，經(jīng)灰度均衡化處理則可以實(shí)現(xiàn)像素灰度值在[0，255]范圍內(nèi)更加均衡分布。彩色圖像為三通道圖像，按照R、G、B通道分別進(jìn)行灰度均衡化，再合成為一幅圖像。彩色圖像灰度均衡化如圖1所示。從圖1中可以看出，灰度均衡化之后的圖像對(duì)比度增強(qiáng)，對(duì)應(yīng)的灰度均衡化圖像直方像素分布范圍更寬、更均勻。

1.2? SRCNN圖像增強(qiáng)

圖像超分辨率重建是一種將輸入的低分辨率圖像重建為高分辨率圖像的增強(qiáng)算法，通過超分辨率重建后的圖像細(xì)節(jié)更加真實(shí)，邊緣更加清晰。SRCNN是一種基于深度學(xué)習(xí)網(wǎng)絡(luò)模型的超分辨率重建模型。SRCNN超分辨率重建算法是2014年被提出的，在提高圖像分辨率、圖像細(xì)節(jié)特征質(zhì)量上取得了非常顯著的效果[10]。SRCNN網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，分為特征提取層、非線性映射層和圖像重建層三部分。特征提取層采用卷積核實(shí)現(xiàn)圖像卷積運(yùn)算，得到圖像特征圖。非線性映射層對(duì)輸入的特征圖進(jìn)行卷積核過濾，增加了網(wǎng)絡(luò)的非線性程度。圖像重建層上采樣恢復(fù)高分辨率圖像。

1.3? 卷積神經(jīng)網(wǎng)絡(luò)

CNN屬于深度學(xué)習(xí)模型的一種，在圖像處理上具有優(yōu)秀的特征提取性能，目前已被廣泛應(yīng)用。作為一種重要的圖像處理的網(wǎng)絡(luò)模型，近些年研究者們針對(duì)CNN改進(jìn)出了許多的變體，并在諸多領(lǐng)域取得了驚人的卓越性能[11]。為了客觀驗(yàn)證所設(shè)計(jì)算法的有效性，采用訓(xùn)練CNN實(shí)現(xiàn)特征提取與識(shí)別。搭建的CNN模型包括3層卷積層、3層池化層、1層展開層和2層全連接層。為了能夠充分提取圖像特征信息，提高識(shí)別精度，卷積核尺寸選擇3×3，池化層選取最大池化運(yùn)算。

1.4? 破損絕緣子識(shí)別算法

采用無人機(jī)等設(shè)備采集的絕緣子圖像具有抖動(dòng)大、背景復(fù)雜、噪音多、圖像質(zhì)量易受氣候影響等特點(diǎn)，給絕緣子破損信息的識(shí)別帶來了很大難度。傳統(tǒng)的圖像處理方式難以滿足復(fù)雜情況下的高效識(shí)別，為此，選擇采用訓(xùn)練CNN深度學(xué)習(xí)模型實(shí)現(xiàn)破損絕緣子識(shí)別。輸電線路絕緣子數(shù)據(jù)集選用的是中國輸電線路絕緣子數(shù)據(jù)集（Chinese Power Line Insulator Dataset， CPLID）[12]，該數(shù)據(jù)集是由無人機(jī)拍攝的絕緣子圖像組成，包括正常絕緣子圖像和合成的缺陷絕緣子。數(shù)據(jù)集中正常的絕緣子600張，有缺陷的絕緣子248張。

基于深度學(xué)習(xí)的電力破損絕緣子識(shí)別方法流程圖如圖3所示，主要包括以下6個(gè)內(nèi)容：

1）數(shù)據(jù)集建立。數(shù)據(jù)集選用CPLID數(shù)據(jù)集，圖像為三維彩色圖像，包括正常絕緣子和有缺損絕緣子兩類，圖像格式為jpg格式。

2）灰度均衡化圖像增強(qiáng)。灰度均衡化處理能夠?qū)?位圖像像素值在[0，255]范圍內(nèi)進(jìn)行分布，像素值分布更均勻，局部特征增強(qiáng)，圖像更清晰。在彩色圖像的RGB通道都采用灰度均衡化增強(qiáng)。

3）SRCNN超分辨率圖像增強(qiáng)。將圖像輸入已提前訓(xùn)練好的SRCNN模型中，重建輸出增強(qiáng)后的圖像。

4）搭建CNN模型。CNN模型包括3層卷積層、3層池化層、1層展開層和2層全連接層。卷積核尺寸選擇3×3，池化層選取最大池化運(yùn)算。

5）訓(xùn)練CNN模型。經(jīng)圖像增強(qiáng)后的圖像對(duì)CNN模型進(jìn)行訓(xùn)練，通過多周期迭代實(shí)現(xiàn)參數(shù)的優(yōu)化。

6）特征提取與破損絕緣子識(shí)別。在驗(yàn)證集上驗(yàn)證訓(xùn)練好的CNN模型對(duì)輸電線路破損絕緣子的識(shí)別精度。

2? 實(shí)驗(yàn)結(jié)果與分析

研究實(shí)驗(yàn)在Windows 10操作系統(tǒng)下進(jìn)行，計(jì)算機(jī)配置為Intel（R） Core（TM） i7-6700HQ CPU處理器（2.60 GHz，8核心）、8 GB內(nèi)存和1 TB硬盤。圖像處理部分使用Jupyter Notebook和MATLAB R2017b。在CPLID數(shù)據(jù)集中隨機(jī)選取了訓(xùn)練集包含700張圖像，驗(yàn)證集包含74張圖像。原始數(shù)據(jù)集中圖像背景較為復(fù)雜，為了能突出細(xì)節(jié)特征和圖像分辨率，先對(duì)原始數(shù)據(jù)集圖像進(jìn)行圖像增強(qiáng)，包括彩色圖像的灰度均衡化處理和SRCNN超分辨率增強(qiáng)，具體結(jié)果分別如圖4所示。

經(jīng)圖像增強(qiáng)后的圖像組成的數(shù)據(jù)集，為了提高訓(xùn)練速度和降低對(duì)計(jì)算機(jī)內(nèi)存的需求，首先將圖像尺寸標(biāo)準(zhǔn)化為（150，200，3），然后訓(xùn)練CNN模型實(shí)現(xiàn)絕緣子圖像特征的提取和破損絕緣子識(shí)別，識(shí)別結(jié)果如圖5所示。

從圖5中可以看出經(jīng)過訓(xùn)練后，CNN模型在訓(xùn)練集和驗(yàn)證集上都能夠趨于收斂，在訓(xùn)練集和驗(yàn)證集上的識(shí)別精度都能達(dá)到90%以上。訓(xùn)練集上的精度較優(yōu)秀，這是因?yàn)橛?xùn)練集和驗(yàn)證集樣本是原始數(shù)據(jù)集中不重復(fù)圖像，CNN模型就是在訓(xùn)練集上訓(xùn)練的，因此驗(yàn)證集上的識(shí)別精度略低于訓(xùn)練集。訓(xùn)練集上CNN模型的損失值低于驗(yàn)證集，而且更加平穩(wěn)，說明訓(xùn)練達(dá)到了較為優(yōu)秀的效果。雖然訓(xùn)練樣本數(shù)較少，但是所提出的破損絕緣子識(shí)別算法在驗(yàn)證集上取得的精度十分接近訓(xùn)練集精度，說明此算法有效克服了樣本少產(chǎn)生的過擬合問題。在驗(yàn)證集上損失值還存有波動(dòng)較大的情況，因?yàn)閿?shù)據(jù)集樣本數(shù)較少，但整體上已經(jīng)取得了較為優(yōu)秀、穩(wěn)定的識(shí)別性能。

3? 結(jié)? 論

目前輸電線路絕緣子數(shù)據(jù)集還較少，無人機(jī)采集的絕緣子圖像目標(biāo)相對(duì)背景較小、目標(biāo)特征不明顯，絕緣子破損區(qū)域一般較小從而識(shí)別難度大。為此基于CNN模型設(shè)計(jì)了一種破損絕緣子識(shí)別算法，通過灰度均衡化和SRCNN超分辨率增強(qiáng)來降低上述不良影響，進(jìn)一步在彩色圖像上實(shí)現(xiàn)了上述圖像增強(qiáng)的目的。利用圖像增強(qiáng)處理后的數(shù)據(jù)集訓(xùn)練CNN模型，從而實(shí)現(xiàn)了高精確度識(shí)別破損絕緣子的目的。

參考文獻(xiàn)：

[1] 郝帥，馬瑞澤，趙新生，等.基于超分辨深度殘差網(wǎng)絡(luò)的玻璃絕緣子自爆故障檢測(cè)算法 [J].高電壓技術(shù)，2022，48（5）：1817-1825.

[2] 柳方圓，任東，王露等.高分辨率的航拍輸電線路絕緣子檢測(cè) [J/OL].電子測(cè)量技術(shù)：1-11（2023-09-13）.http：//kns.cnki.net/kcms/detail/11.2175.tn.20230221.1659.008.html.

[3] LIU W，ANGUELOV D，ERHAN D，et al. SSD： Single Shot MultiBox Detector [C]//Computer Vision——ECCV 2016.Amsterdam：Springer，2016：21-37.

[4] REDMON J，F(xiàn)ARHADI A. YOLOv3： An Incremental Improvement [J/OL].arXiv： 1804.02767 [cs.CV].（2018-04-08）.https： //arxiv.org/abs/1804.02767.

[5] BOCHKOVSKIY A，WANG C-Y，LIAO H-Y M. YOLOv4： Optimal Speed and Accuracy of Object Detection [J/OL].arXiv： 2004.10934 [cs.CV].（2020-04-23）.https：//arxiv.org/abs/2004.10934.

[6] 顏宏文，陳金鑫.基于改進(jìn)YOLOv3的絕緣子串定位與狀態(tài)識(shí)別方法 [J].高電壓技術(shù)，2020，46（2）：423-432.

[7] 孫晗，鄒寬勝.基于改進(jìn)CenterNet網(wǎng)絡(luò)的絕緣子檢測(cè)方法 [J].計(jì)算機(jī)技術(shù)與發(fā)展，2023，33（3）：57-62.

[8] 陳奎，劉曉，賈立嬌，等.基于輕量化網(wǎng)絡(luò)與增強(qiáng)多尺度特征融合的絕緣子缺陷檢測(cè) [J/OL].高電壓技術(shù)：1-14（2023-02-15）.https：//doi.org/10.13336/j.1003-6520.hve.20221652.

[9] 馬林濤，陳德勇.基于Matlab程序的圖像灰度均衡化及其邊緣檢測(cè) [J].廣西師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2012，29（2）：37-42.

[10] DONG C，CHEN C L，HE K，et al. Learning a Deep Convolutional Network for Image Super-Resolution [C]//Computer Vision–ECCV 2014.Zurich：Springer，2014：184-199.

[11] ZHANG Q，YAN Y，LIN Y，et al. Image Security Retrieval Based on Chaotic Algorithm and Deep Learning [J].IEEE Access，2022，10：67210-67218.

[12] TAO X，ZHANG D P，WANG Z H，et al. Detection of Power Line Insulator Defects Using Aerial Images Analyzed With Convolutional Neural Networks [J].IEEE Transactions on Systems，Man，and Cybernetics： Systems，2020，50（4）：1486-1498.

作者簡(jiǎn)介：張慶（1989—），男，漢族，河南永城人，講師，碩士，研究方向：深度學(xué)習(xí)、電力巡視識(shí)別；霍婷婷（1985—），女，漢族，寧夏固原人，講師，碩士，研究方向：智能交通、人工智能；苗海東（1992—），男，漢族，寧夏固原人，講師，碩士，研究方向：電力系統(tǒng)、電氣控制；劉運(yùn)節(jié)（1989—），男，漢族，安徽安慶人，講師，碩士，研究方向：計(jì)算機(jī)網(wǎng)絡(luò)。

收稿日期：2023-06-25

基金項(xiàng)目：寧夏自然科學(xué)基金項(xiàng)目（2022AAC03302）；寧夏師范學(xué)院本科教學(xué)項(xiàng)目（NJYJSJY2307）