張慶　霍婷婷　苗海東　劉運節(jié)

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

關鍵詞：破損絕緣子識別；灰度均衡化；SRCNN；CNN

中圖分類號：TP391.4；TP18 文獻標識碼：A 文章編號：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，對電力系統(tǒng)的安全穩(wěn)定運行起到了十分關鍵的作用。對于輸電線路來講，電力絕緣子是必不可少的，其發(fā)揮了對輸電線路的支撐和保護作用[1]。長時間暴露在自然環(huán)境下，絕緣子不可避免會出現(xiàn)許多損傷[2]，定期對絕緣子進行巡檢并及時發(fā)現(xiàn)絕緣子的破損是保障安全、穩(wěn)定的重要舉措。特別是遠距離輸電情況下，輸電線路存在地勢、氣候變化帶來的困難，這就給人工檢測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絕緣子，耗費大量的時間和人力資源。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。而自動識別技術可以基于大數(shù)據(jù)和深度學習等算法，準確分析絕緣子的狀態(tài)和缺陷，避免由于人為因素導致的誤判，提高了巡檢的準確性。面對復雜的地勢、氣候時，人工巡檢不僅消耗大量人力物力，同時也會產(chǎn)生諸多安全隱患。隨著現(xiàn)代化技術的發(fā)展，利用自動識別絕緣子的方法可以提高對絕緣子監(jiān)測的效率和準確性，具有重要的研究背景和意義。自動識別絕緣子還有助于及時檢測絕緣子的損壞和缺陷。絕緣子在使用過程中可能會受到灰塵、腐蝕、干擾等因素的影響，進而導致絕緣子的降解、斷裂等問題。利用自動識別技術可以實時監(jiān)測絕緣子的狀態(tài)，及時發(fā)現(xiàn)潛在的問題，以便進行維修和更換，提高輸電線路的可靠性和安全性。因此，本文基于深度學習算法設計了一種自動識別破損絕緣子的算法，并在數(shù)據(jù)集上驗證了所設計算法的有效性。

隨著深度學習的迅速發(fā)展與應用，自動實現(xiàn)無人機拍攝圖像的破損絕緣子識別變得高效、便捷。針對破損絕緣子的自動識別一般包括兩部分內(nèi)容：絕緣子目標檢測和破損識別。目標檢測算法能夠實現(xiàn)對圖像中絕緣子對象進行定位，典型的算法網(wǎng)絡包括SSD[3]和YOLO系列[4，5]。破損絕緣子識別采用算法實現(xiàn)圖像特征提取，運用分類器實現(xiàn)破損絕緣子與正常絕緣子分類，進而識別出破損絕緣子，為電網(wǎng)的穩(wěn)定運行與維修提供了便捷。

顏宏文等基于YOLOv3模型，改進了損失函數(shù)，設計了一種絕緣子串診斷方法，集合遷移學習實現(xiàn)了有效應對數(shù)據(jù)集小帶來的過擬合問題，提高了診斷精確度[6]。孫晗等結合CenterNet網(wǎng)絡加深了特征的提取能力，并結合遷移學習實現(xiàn)了學習效率的提升[7]。針對絕緣子漏檢的情況，文獻[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YOLOv5參數(shù)多、計算量大的問題，設計ShuffleNetV2-Stem-SPP（3S）為主干網(wǎng)絡，并采取圖像增強和CIoU損失函數(shù)來降低輕量化網(wǎng)絡造成的精確度損失，有效提高了檢測精確度，降低了參數(shù)量，提高了檢測速度[8]。

針對破損絕緣子檢測，本文進一步深入研究，發(fā)現(xiàn)無人機拍攝的絕緣子照片中背景干擾對絕緣子檢測較大。基于無人機拍攝的絕緣子破損檢測無須擔憂地形或交通限制，無人機能夠快速覆蓋整個輸電線路，完成絕緣子巡檢任務。與傳統(tǒng)的人工巡檢相比，無人機識別絕緣子破損更加高效便捷，節(jié)省了大量時間和人工成本。通過無人機上的攝像設備，可以從高空俯瞰輸電線路和絕緣子，獲取全面、細致的圖像信息。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。通過實時傳輸圖像和視頻數(shù)據(jù)，無人機能夠實時監(jiān)測絕緣子的狀態(tài)變化。一旦發(fā)現(xiàn)絕緣子出現(xiàn)破損或異常情況，可以立即報警或采取相應措施，及時修復或更換絕緣子，提高輸電線路的可靠性和安全性。無人機收集的圖像數(shù)據(jù)可以結合大數(shù)據(jù)處理技術進行分析和挖掘，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、趨勢和規(guī)律，為預測和預防絕緣子破損提供科學依據(jù)。同時結合計算機視覺和圖像處理算法，無人機能夠自動識別絕緣子的破損情況。這種自動化識別減輕了人工巡檢的負擔，并減少人為主觀因素對識別結果的影響，提高了識別的準確性和可靠性。綜上所述，無人機識別輸電線路絕緣子破損具有高效便捷、高空視角、實時監(jiān)測、大數(shù)據(jù)處理和自動化識別等優(yōu)勢。這種技術將為輸電線路絕緣子的巡檢和維護提供可靠、高效的解決方案。為了提高破損絕緣子的檢測精度，針對數(shù)據(jù)集中的圖像，先進行圖像增強處理，增加圖像對比度，使其更清晰，然后結合卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network， CNN）實現(xiàn)破損絕緣子識別。

1? 算法框架

在破損絕緣子識別過程中，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節(jié)特征，然后采用超分辨率卷積神經(jīng)網(wǎng)絡（Super-Resolution Convolutional Neural Network， SRCNN）對圖像進行超分辨率重建，從而實現(xiàn)圖像增強來優(yōu)化數(shù)據(jù)集。最后，訓練CNN實現(xiàn)分類，達到破損絕緣子識別的功能。

1.1? 灰度均衡化

灰度均衡化是通過擴展圖像的灰度分布范圍，從而實現(xiàn)增加對比度的一種圖像增強方法[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位二進制圖像像素灰度值屬于[0，255]，當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，經(jīng)灰度均衡化處理則可以實現(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比度增強，對應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

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算法，通過超分辨率重建后的圖像細節(jié)更加真實，邊緣更加清晰。SRCNN是一種基于深度學習網(wǎng)絡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、圖像細節(jié)特征質量上取得了非常顯著的效果[10]。SRCNN網(wǎng)絡結構如圖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現(xiàn)圖像卷積運算，得到圖像特征圖。非線性映射層對輸入的特征圖進行卷積核過濾，增加了網(wǎng)絡的非線性程度。圖像重建層上采樣恢復高分辨率圖像。

1.3? 卷積神經(jīng)網(wǎng)絡

CNN屬于深度學習模型的一種，在圖像處理上具有優(yōu)秀的特征提取性能，目前已被廣泛應用。作為一種重要的圖像處理的網(wǎng)絡模型，近些年研究者們針對CNN改進出了許多的變體，并在諸多領域取得了驚人的卓越性能[11]。為了客觀驗證所設計算法的有效性，采用訓練CNN實現(xiàn)特征提取與識別。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，提高識別精度，卷積核尺寸選擇3×3，池化層選取最大池化運算。

1.4? 破損絕緣子識別算法

采用無人機等設備采集的絕緣子圖像具有抖動大、背景復雜、噪音多、圖像質量易受氣候影響等特點，給絕緣子破損信息的識別帶來了很大難度。傳統(tǒng)的圖像處理方式難以滿足復雜情況下的高效識別，為此，選擇采用訓練CNN深度學習模型實現(xiàn)破損絕緣子識別。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。

基于深度學習的電力破損絕緣子識別方法流程圖如圖3所示，主要包括以下6個內(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?；叶染饣幚砟軌驅?位圖像像素值在[0，255]范圍內(nèi)進行分布，像素值分布更均勻，局部特征增強，圖像更清晰。在彩色圖像的RGB通道都采用灰度均衡化增強。

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

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算。

5）訓練CNN模型。經(jīng)圖像增強后的圖像對CNN模型進行訓練，通過多周期迭代實現(xiàn)參數(shù)的優(yōu)化。

6）特征提取與破損絕緣子識別。在驗證集上驗證訓練好的CNN模型對輸電線路破損絕緣子的識別精度。

2? 實驗結果與分析

研究實驗在Windows 10操作系統(tǒng)下進行，計算機配置為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)集中隨機選取了訓練集包含700張圖像，驗證集包含74張圖像。原始數(shù)據(jù)集中圖像背景較為復雜，為了能突出細節(jié)特征和圖像分辨率，先對原始數(shù)據(jù)集圖像進行圖像增強，包括彩色圖像的灰度均衡化處理和SRCNN超分辨率增強，具體結果分別如圖4所示。

經(jīng)圖像增強后的圖像組成的數(shù)據(jù)集，為了提高訓練速度和降低對計算機內(nèi)存的需求，首先將圖像尺寸標準化為（150，200，3），然后訓練CNN模型實現(xiàn)絕緣子圖像特征的提取和破損絕緣子識別，識別結果如圖5所示。

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

3? 結? 論

目前輸電線路絕緣子數(shù)據(jù)集還較少，無人機采集的絕緣子圖像目標相對背景較小、目標特征不明顯，絕緣子破損區(qū)域一般較小從而識別難度大。為此基于CNN模型設計了一種破損絕緣子識別算法，通過灰度均衡化和SRCNN超分辨率增強來降低上述不良影響，進一步在彩色圖像上實現(xiàn)了上述圖像增強的目的。利用圖像增強處理后的數(shù)據(jù)集訓練CNN模型，從而實現(xiàn)了高精確度識別破損絕緣子的目的。

參考文獻：

[1] 郝帥，馬瑞澤，趙新生，等.基于超分辨深度殘差網(wǎng)絡的玻璃絕緣子自爆故障檢測算法 [J].高電壓技術，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 [J/OL].電子測量技術：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YOLOv3的絕緣子串定位與狀態(tài)識別方法 [J].高電壓技術，2020，46（2）：423-432.

[7] 孫晗，鄒寬勝.基于改進CenterNet網(wǎng)絡的絕緣子檢測方法 [J].計算機技術與發(fā)展，2023，33（3）：57-62.

[8] 陳奎，劉曉，賈立嬌，等.基于輕量化網(wǎng)絡與增強多尺度特征融合的絕緣子缺陷檢測 [J/OL].高電壓技術：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 [J].廣西師范學院學報：自然科學版，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.

作者簡介：張慶（1989—），男，漢族，河南永城人，講師，碩士，研究方向：深度學習、電力巡視識別；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；劉運節(jié)（1989—），男，漢族，安徽安慶人，講師，碩士，研究方向：計算機網(wǎng)絡。

收稿日期：2023-06-25

基金項目：寧夏自然科學基金項目（2022AAC03302）；寧夏師范學院本科教學項目（NJYJSJY2307）