龐春江 張鵬程

摘 要：在輸電線路中絕緣子的狀態(tài)直接影響整個(gè)輸電系統(tǒng)的可靠性，然而復(fù)雜背景和不同光照條件下對(duì)于絕緣子的狀態(tài)檢測(cè)十分困難。如今計(jì)算機(jī)視覺輔助方法已被廣泛應(yīng)用于電力系統(tǒng)中。提出一種基于深度學(xué)習(xí)模型與稀疏表示進(jìn)行絕緣子狀態(tài)分類的方法，對(duì)于待檢測(cè)的絕緣子圖像，通過(guò)Faster-RCNN定位后，采用深度殘差網(wǎng)絡(luò)（ResNet）提取圖像特征，最后利用稀疏表示進(jìn)行絕緣子狀態(tài)分類。該方法與傳統(tǒng)方法相比，對(duì)于絕緣子的狀態(tài)分類具有更高的準(zhǔn)確率，準(zhǔn)確率可達(dá)98.67%。

關(guān)鍵詞：深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；絕緣子；稀疏表示；分類

DOI：10.11907/rjdk.172724

中圖分類號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）005-0040-03

Abstract：The status of the insulators in power line can directly affect the reliability of power transmission system. However， the complex background and different light conditions make it difficult to detect insulators. Nowadays， computer vision-aided methods have been widely used in electric ， power system. In this paper， we propose a novel insulator status classification approach based on deep learning model and sparse representation to classify the status of insulators. In order to detect the insulator image， the Deep Residual Networks（ResNet） is used to extract features after localizing the position of the insulators with Faster-RCNN，then insulator status classification is done with sparse representation. Compared with the traditional methods， our method has higher accuracy for the classification of insulator status and achieves the precision rate of 98.67%.

Key Words：deep learning； convolutional neural networks； insulators； sparse representation；classification

0 引言

在高壓輸電線系統(tǒng)中，絕緣子是不可或缺的設(shè)備，其具有電氣絕緣與連接導(dǎo)體的功能。絕緣子故障是引發(fā)輸電系統(tǒng)事故的主要原因[1]。為保證高壓輸電線系統(tǒng)的穩(wěn)定性，定期對(duì)絕緣子進(jìn)行巡檢是一個(gè)基本的維護(hù)程序，而這些任務(wù)只能由專業(yè)人員執(zhí)行，并且伴有巨大的安全風(fēng)險(xiǎn)[2]。此外，由于大多數(shù)絕緣子暴露在野外，而缺陷絕緣子則混雜在大量的正常絕緣子中，依靠人工識(shí)別缺陷絕緣子非常耗時(shí)，且會(huì)造成漏檢[3]。

迄今為止，最常見與有效的巡檢方法是通過(guò)駕駛直升機(jī)或遙控?zé)o人機(jī)，沿輸電線路進(jìn)行巡檢，從而獲得海量視頻和圖像[4]。因此，對(duì)這些數(shù)據(jù)圖像進(jìn)行自動(dòng)狀態(tài)評(píng)估可以大大提高電力巡檢效率。

1 絕緣子狀態(tài)檢測(cè)研究現(xiàn)狀

如今，圖像處理技術(shù)和計(jì)算機(jī)視覺輔助技術(shù)已廣泛應(yīng)用于電力巡檢中的識(shí)別和檢測(cè)。輸電線路絕緣子狀態(tài)檢測(cè)任務(wù)可分為兩方面：①檢測(cè)：檢測(cè)出絕緣子，定位其在所獲得航拍圖像中的位置；②分類：診斷絕緣子狀態(tài)。

絕緣子檢測(cè)定位是進(jìn)行絕緣子狀態(tài)分類的必要前提。一旦絕緣子位置確定，對(duì)其狀態(tài)進(jìn)行分類也會(huì)相對(duì)簡(jiǎn)單。近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)于絕緣子的狀態(tài)評(píng)估進(jìn)行了大量研究。然而目前大多仍采用傳統(tǒng)人工設(shè)計(jì)的特征，如HOG [5]、SIFT [6]、輪廓提取算法[7]等。常用的方法是利用絕緣子顏色形態(tài)學(xué)特征，利用閾值分割算法對(duì)其進(jìn)行分割提取[8]。但這些方法往往針對(duì)特定場(chǎng)景，準(zhǔn)確率低，不具備擴(kuò)展性。因此，魯棒狀態(tài)分類方法是十分必要的，而傳統(tǒng)的人工特征方法難以勝任。近年來(lái)深度神經(jīng)網(wǎng)絡(luò)，尤其是卷積神經(jīng)網(wǎng)絡(luò)在大規(guī)模圖像分類任務(wù)的性能上顯示出頂尖水準(zhǔn)，其能夠自動(dòng)學(xué)習(xí)特征的特性，能夠從圖像中獲取更多有用特征。同時(shí)，稀疏表示具有高精度以及處理遮擋的優(yōu)良性能。受此啟發(fā)，本文提出一種基于深度學(xué)習(xí)模型與稀疏表示的絕緣子狀態(tài)分類方法。

2 絕緣子狀態(tài)分類方法

受卷積神經(jīng)網(wǎng)絡(luò)的啟發(fā)，任務(wù)從利用卷積特征定位絕緣子開始，采用Faster-RCNN定位絕緣子位置，并將其裁剪出來(lái)，之后通過(guò)ResNet提取圖像特征，最后利用稀疏表示分類器進(jìn)行絕緣子狀態(tài)分類。

2.1 基于Faster-RCNN的絕緣子檢測(cè)

為了消除輸電線路復(fù)雜背景的影響，需要對(duì)絕緣子部件進(jìn)行目標(biāo)檢測(cè)，而基于區(qū)域選擇的RCNN系列算法是當(dāng)前進(jìn)行目標(biāo)檢測(cè)的經(jīng)典算法[9]。RCNN算法可分為4個(gè)步驟：①對(duì)每個(gè)樣本圖像產(chǎn)生大量矩形候選區(qū)域； ②將每個(gè)候選區(qū)域輸入CNN網(wǎng)絡(luò)進(jìn)行特征提??；③將特征向量送入分類器進(jìn)行分類，判別該區(qū)域是目標(biāo)還是背景；④對(duì)候選框進(jìn)行回歸，修正位置與大小。

其中，在步驟①中，RCNN采用視覺方法（Selective Search）產(chǎn)生大小不同的候選區(qū)域；在步驟③中，根據(jù)候選框和標(biāo)定框的重疊比例（IOU）進(jìn)行類別判斷。當(dāng)IOU的值大于0.5時(shí)，即認(rèn)為候選框?qū)儆谠擃悇e；當(dāng)IOU的值小于0.3時(shí)，則被認(rèn)為是負(fù)樣本。雖然RCNN取得了很好的效果，但也存在一些明顯缺點(diǎn)，比如候選框數(shù)量太大，訓(xùn)練時(shí)間長(zhǎng)，而且很多候選框相互重疊，造成重復(fù)計(jì)算。對(duì)此，學(xué)者們陸續(xù)提出了改進(jìn)的 RCNN 方法。Fast-RCNN[10]采用自適應(yīng)尺度池化，能夠?qū)φ麄€(gè)網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)，從而提高深層網(wǎng)絡(luò)識(shí)別的準(zhǔn)確率；Faster-RCNN[11]通過(guò)構(gòu)建精巧的區(qū)域提議網(wǎng)絡(luò)，代替時(shí)間開銷大的選擇性搜索方法，從而打破了計(jì)算區(qū)域提議時(shí)間開銷大的瓶頸問(wèn)題，使實(shí)時(shí)識(shí)別成為可能。本文利用Faster-RCNN算法，并選用已于Imagenet上預(yù)訓(xùn)練過(guò)的ZFnet[12] 模型進(jìn)行絕緣子檢測(cè)。

2.2 絕緣子狀態(tài)分類

為進(jìn)一步對(duì)絕緣子進(jìn)行狀態(tài)分類，必須獲取較好的圖像特征。近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)由于其生物機(jī)理，在大規(guī)模圖像分類任務(wù)中獲得了較高準(zhǔn)確率。在2015年的ImageNet競(jìng)賽上，Kaiming He[13]提出的深度殘差網(wǎng)絡(luò)（ResNet）奪得第一。最近研究表明，網(wǎng)絡(luò)深度是至關(guān)重要的，然而常規(guī)的網(wǎng)絡(luò)堆疊（plain network）在網(wǎng)絡(luò)很深時(shí)，效果卻越來(lái)越差。因此，ResNet引入了殘差網(wǎng)絡(luò)結(jié)構(gòu)（residual network），通過(guò)殘差網(wǎng)絡(luò)，可以將網(wǎng)絡(luò)層構(gòu)造得很深，最終的網(wǎng)絡(luò)分類效果也非常好。殘差網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1所示。

通過(guò)在輸入和輸出之間引入一個(gè)shortcut connection，而不是簡(jiǎn)單的堆疊網(wǎng)絡(luò)，可以解決由于網(wǎng)絡(luò)深度而出現(xiàn)的梯度消失問(wèn)題，進(jìn)而可以把網(wǎng)絡(luò)構(gòu)造的很深，使網(wǎng)絡(luò)模型錯(cuò)誤率大大降低，同時(shí)計(jì)算復(fù)雜度也保持在很低的程度。

Razavian等[14]提出在Imagenet大規(guī)模圖像上，訓(xùn)練出來(lái)的卷積神經(jīng)網(wǎng)絡(luò)針對(duì)不同任務(wù)能夠提取更多具有代表性的特征。因此，相比于在數(shù)量較少的各種狀態(tài)絕緣子圖像上進(jìn)行訓(xùn)練，本文直接使用經(jīng)過(guò)Imagenet預(yù)訓(xùn)練的模型為絕緣子狀態(tài)分類任務(wù)提取特征。將圖像送入預(yù)訓(xùn)練的ResNet網(wǎng)絡(luò)中，提取位于softmax層之前pool5層的2 048維特征，然后通過(guò)稀疏表示框架進(jìn)行分類。

稀疏表示是在壓縮感知基礎(chǔ)上發(fā)展而來(lái)的，目的是在樣本空間中用盡可能少的原子表示一幅圖像，由此獲得更為簡(jiǎn)潔的表示方式，從而更容易地獲取信號(hào)中蘊(yùn)含的信息，以方便進(jìn)一步對(duì)信號(hào)進(jìn)行加工處理，如稀疏編碼等?；舅枷胧羌僭O(shè)該圖像能由預(yù)先定義的超完備字典中的極少數(shù)原子線性表示。設(shè)x∈RM是一幅圖像的向量表示，D=[D1，D2，…，D＼-N]∈RM×N是一個(gè)M×N維矩陣，其中M遠(yuǎn)小于N，由于D的行數(shù)遠(yuǎn)小于列數(shù)，字典D一般稱為超完備字典，字典中的每個(gè)列向量稱為字典D的原子。圖像x表示為：

其中α=[0 … 0 αi 0 … 0]T∈RN （0

以此求解最優(yōu)范式，而對(duì)于圖像分類任務(wù)多采用圖像特征創(chuàng)建超完備字典。本文則是利用稀疏表示對(duì)于遮擋和光照變化都具有一定魯棒性的特性，對(duì)絕緣子圖像進(jìn)行狀態(tài)分類。

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)通過(guò)Faster—RCNN算法對(duì)絕緣子圖像進(jìn)行訓(xùn)練，檢測(cè)并定位絕緣子在圖像中的位置，將其從原圖像中裁剪出來(lái)。而由于稀疏表示分類器需要嚴(yán)格配準(zhǔn)的特性，直接采用絕緣子串進(jìn)行狀態(tài)分類效果不佳，因此將裁剪的絕緣子串分割為單個(gè)盤片，對(duì)其進(jìn)行校準(zhǔn)后，使絕緣子串二值化，獲得絕緣子串的直方圖，然后以波谷為分割線將絕緣子串分割為單個(gè)盤片。過(guò)程如圖2所示。

由于目前還沒有公開的絕緣子數(shù)據(jù)集，為了使用稀疏表示分類器進(jìn)行相應(yīng)絕緣子狀態(tài)分類，需要構(gòu)建絕緣子單個(gè)盤片各狀態(tài)的樣本庫(kù)。由于其它狀態(tài)的絕緣子狀態(tài)較為稀缺，本文構(gòu)建了掉串與正常狀態(tài)下的絕緣子樣本庫(kù)，部分示例圖像如圖3所示。

將樣本庫(kù)中的圖像采用預(yù)訓(xùn)練ResNet模型進(jìn)行特征提取，提取pool5層2 048維特征。然而由于2 048維特征過(guò)大，以及卷積神經(jīng)網(wǎng)絡(luò)提取特征的稀疏性，可對(duì)其進(jìn)行PCA降維，降至128維以構(gòu)建超完備字典。對(duì)待檢測(cè)圖像所分割的單個(gè)盤片，進(jìn)行同樣的特征提取，降維后輸入到稀疏表示分類器中計(jì)算其與正常盤片及掉串盤片的殘差，并對(duì)應(yīng)殘差較小的分類。當(dāng)所有盤片檢測(cè)完成，如存在掉串，將其歸類為掉串絕緣子串，反之則為正常絕緣子串。

本文方法與傳統(tǒng)BOF（Bag of Feature）[15]手工特征相比，具有較高準(zhǔn)確率，其絕緣子狀態(tài)分類對(duì)比結(jié)果如表1所示。

由實(shí)驗(yàn)結(jié)果可以看出，深度學(xué)習(xí)模型對(duì)于圖像處理具有很好的性能，能夠?yàn)榉诸惾蝿?wù)提供更好的特征，同時(shí)稀疏表示的魯棒性也為狀態(tài)分類的準(zhǔn)確性提供了保證。

4 結(jié)語(yǔ)

隨著智能電網(wǎng)的發(fā)展，對(duì)于設(shè)備狀態(tài)識(shí)別的準(zhǔn)確性與實(shí)時(shí)性提出了更高要求。傳統(tǒng)對(duì)于巡檢圖像分析采用人工方法，成本高，效率低。因此，采用圖像處理技術(shù)進(jìn)行絕緣子狀態(tài)的自動(dòng)分類是十分必要的。本文充分利用深度學(xué)習(xí)模型與稀疏表示的優(yōu)點(diǎn)，成功實(shí)現(xiàn)了絕緣子的狀態(tài)分類。下一步工作將進(jìn)行樣本庫(kù)擴(kuò)充，從而實(shí)現(xiàn)更多狀態(tài)絕緣子的分類，以及嘗試采用其它網(wǎng)絡(luò)模型和算法，以提高魯棒性和實(shí)用性。

參考文獻(xiàn)：

[1] SONG Y， WANG H， ZHANG J. A vision-based broken strand detection method for a power-line maintenance robot[J]. IEEE Transactions on Power Delivery， 2014，29（5）：2154-2161.

[2] LI W. Risk assessment of power systems： models， methods， and applications[M].John Wiley & Sons， 2014.

[3] MIRALLES F， POULIOT N， MONTAMBAULT S. State-of-the-art review of computer vision for the management of power transmission lines[C].3rd International Conference on Applied Robotics for the Power Industry （CARPI）， 2014：1-6.

[4] SAMPEDRO C， MARTINEZ C， CHAUHAN A， et al. A supervised approach to electric tower detection and classification for power line inspection[C]. In 2014 International Joint Conference on Neural Networks （IJCNN）， 2014：1970-1977.

[5] 姜浩然，金立軍，閆書佳.航拍圖像中絕緣子的識(shí)別與故障診斷[J].機(jī)電工程，2015，32（2）：274-278.

[6] 苑津莎，崔克彬，李寶樹.基于ASIFT算法的絕緣子視頻圖像的識(shí)別與定位[J].電測(cè)與儀表，2015（7）：106-112.

[7] FANG T，JIN X，HU X L，et al. A fast insulator-contour-detection-algorithm on power transmission lines images[C].Applied Mechanics & Materials，2012：337-343.

[8] 黃宵寧，張真良.直升機(jī)巡檢航拍圖像中絕緣子圖像的提取算法[J].電網(wǎng)技術(shù)，2010，34（1）：194-197.

[9] GIRSHICK R，DONAHUE J，DARRELL T，et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C].IEEE Conference on Computer Vision and Pattern Recognition， 2014：580-587.

[10] GIRSHICK R. Fast R-CNN[C].International Conferenceon Computer Vision， 2015：1440-1448.

[11] REN S， HE K， GIRSHICK R， et al. Faster R- CNN： towards real- time object detection with region proposal networks [C]. Neural Information Processing Systems， 2015.

[12] ZEILER M D， FERGUS R. Visualizing and understanding convolutional networks[J]. Springer International Publish-ing， 2014，8689：818-833.

[13] HE K， ZHANG X， REN S，et al.Deep residual learning for image recognition[J].Computer Vision and Pattern Recognition， 2016.

[14] RAZAVIAN A S， AZIZPOUR H， SULLIVAN H，et al.CNN features off-the-shelf： an astounding baseline for recognition[C]. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）， 2014：512-519.

[15] LI F F， PERONA P. A bayesian hierarchical model for learning natural scene categories[C]. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR）， 2005：524-531.

（責(zé)任編輯：黃 ?。?/p>