基于深度學習的輸電線路絕緣子檢測

摘 要：為進一步提高輸電線路絕緣子檢測精度，本文將深度學習算法與圖像處理技術相結合來提高輸電線路絕緣子檢測。試驗結果表明，螞蟻算法的檢測精度為94.31%，隨機森林算法的檢測精度為85.27%，較深度學習算法模型增加2.19%、11.83%，深度學習算法模型的絕緣子缺陷檢測精度高于隨機森林算法和螞蟻算法。當絕緣子被障礙物遮擋時，深度學習算法模型仍能有效識別絕緣子，準確識別圖像左端絕緣子的故障區域。因此利用深度學習算法模型可以有效識別絕緣子及其缺陷。

關鍵詞：深度學習；輸電線路；絕緣子

中圖分類號：TP 391 文獻標志碼：A

絕緣子懸掛在電力線上，可以進一步增加傳輸距離，減少電流損耗，并抵消電路的電容效應[1]。當絕緣子長時間暴露在外部環境中時，易受氣候和其他因素的影響出現生銹和破損。為保證電力線穩定運行，必須定期檢查電力線中的絕緣子，以消除故障因素。無人機檢測技術可以顯著提高電力線路檢測的效率。但是無人機采集的圖像數據量巨大，人工檢測方法的效率有限，難以滿足檢測任務的要求[2]。因此，利用圖像處理技術和機器視覺技術對無人機數據進行自動檢測可以顯著提高檢測效率。

深度學習是人工智能領域最具有代表性的研究方向之一，在機器視覺領域具有廣泛應用，并取得顯著發展。目前，深度學習方法已經成功應用于目標檢測、圖像分割、目標跟蹤和圖像分類等多個任務中[3]。由于絕緣子在輸電線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算法具有重要意義。

基于此，本文利用圖像處理技術和深度學習算法進一步提高絕緣子檢測，深入研究絕緣子故障檢測區域，并利用圖像預處理、圖像增強和圖像過濾等技術對無人機圖像進行處理。

1 基于深度學習的絕緣子檢測模型

為實現絕緣子的準確檢測，本文基于深度學習算法構建絕緣子檢測模型，該模型分為數據集和訓練2個部分。在數據集中，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練集和測試集。訓練模型時，采用深度學習算法在不改變原有網絡架構的情況下對多尺度目標進行準確分類。同時根據不同大小、不同分辨率的絕緣子圖像對訓練集中所有絕緣子的比例進行隨機初始化，并采用深度學習算法對絕緣子進行檢測[4]。為進一步提高絕緣子檢測的準確性，對測試集中的每一張絕緣子圖像的大小、分辨率進行檢測，以提高絕緣子檢測的準確性。

深度學習模型在YOLOv5基礎上繼續優化，是一款十分優秀的檢測器。深度學習模型在網絡結構中引入ELAN模塊，有效強化了網絡學習能力，與YOLOv5相比，深度學習模型在檢測準確度和速度方面具有明顯優勢。在深度學習模型模型中的卷積層和池化層相互疊加的過程中，通常會在深度學習模型網絡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據映射到隱層特征空間，并逐步提取、組合出更具區分性的節點特征。而全連接層則是將深度學習模型中所有的特性由節點映射轉化為一個樣本標注的空間。其中，全連接層的實質是一個屬性空間與另外一個屬性空間間的轉換，并對預處理后的屬性進行權重計算，其計算方法如公式（1）所示。

Y=F（WX+b） （1）

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

激活函數可以增加模型的非線性表達能力，從而使深度學習模型模型更靈活，并具有適應性。

為進一步提高輸電線路絕緣子檢測，本文將原網絡中的深度學習算法增加了多尺度特征提取模塊，并通過金字塔池化策略提升網絡對小尺寸目標的識別能力，從而使深度學習算法具有更高的檢測精度。同時，該算法還提出了一種新型通道注意力機制，能夠充分挖掘不同尺度目標的信息，有效緩解大尺寸目標檢測時的漏檢問題。此外，YOLOv3在原網絡中增加了檢測框回歸模塊，使目標檢測精度得到進一步提升。

2 圖像數據集的處理

2.1 圖像預處理

本文使用的所有圖像數據均來自國家電網和輸電線路研究機構在Github上的公開數據。由上述途徑獲得的數據存在清晰度差、容量小等問題，使圖像檢測算法的研究受到一定限制。在無人機巡檢輸電線路的過程中，多種因素會影響圖像捕捉過程[5]。例如，無人機拍攝圖像背景與絕緣子的顏色接近，導致圖像中的分離特征不明顯，進一步影響檢測算法效果。因此需要利用圖像增強技術手段，調整圖像像素的對比度，提高其亮度。

2.2 圖像增強

本文利用直方圖均衡進一步提高增強圖像分辨率。在繪制直方圖過程中，可根據各灰度等級的統計概率，采用延伸運算，使2個區域中的像素平均分布。同時通過對原始圖像進行預處理和增加錨框等操作來擴大候選區域，對候選區域進行分類識別，利用邊界框和像素坐標實現絕緣子檢測。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，則圖像增強可以利用公式（2）進行計算[6-8]。

s=T（r） （2）

式中：T（r）為映射函數。

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

由于圖像像素分布近似于離散函數，因此公式（3）又可簡化為公式（4）。

式中：r為變量；pr（i）為圖像中第i個灰度級出現的概率。

2.3 圖像過濾

在無人機檢測系統獲取圖像過程中，圖像數據的生成、傳輸和存儲過程易受噪聲的影響（噪聲主要包括脈沖噪聲和高斯噪聲），針對無人機檢測圖像數據集的特點，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。利用無人機探測影像灰度，將相鄰像素按照順序排列，得到中心點的灰度值。中值濾波是一種基于噪聲大小調節窗的方法，其計算過程如公式（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性濾波器。高斯噪聲的一個特性是服從高斯分布模態。高斯濾波器的結果是對鄰近像素點進行加權平均。因為高斯函數為單數值，所以離影像中央較近的像素權較大。高斯函數雙向旋轉對稱且沿各個方向光滑，其計算過程如公式（6）所示。

式中：（x，y）為橫軸、縱軸的點坐標；σ為標準差。

濾波器的平滑效果和寬度均由參數σ決定。σ值越大，圖像越平滑。過濾結果如圖1所示。結果表明，過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模型的探測性能。

3 結果與討論

3.1 試驗數據和實驗平臺

實驗平臺使用的操作系統為Windows10，CPU為英特爾酷睿i7-10700KF，主頻為3.80GHz，內存為64GB，GPU為英偉達?（NVIDIA?）GeForceRTX3080，顯存為8GB。本試驗中的深度學習模型訓練采用CUDA加速，每周期對4000幅圖像進行一次迭代訓練，周期在4個GPU上進行迭代訓練。在訓練過程中，學習率設置為2×10-2，權重衰減值設置為0.0005。在獲取訓練樣本的過程中，每幅圖像采樣256次，正、負樣本的比例設置為1∶1。利用深度學習模型，將區域生成網絡提取的正樣本IOU（評估模型預測的邊界框）的最小值設為0.7，負樣本IOU的最大值設為0.3。完成試驗篩選后，如果正樣本不足，就由負樣本填補，并使用組歸一化對深度學習模型參數進行全局歸一化。

3.2 絕緣子檢測性能比較

為進一步探究絕緣子檢測性能，本文將深度學習算法模型、隨機森林算法與螞蟻算法的檢測精度、時間、準確率進行比較。深度學習算法模型與隨機森林、螞蟻算法等不同算法檢測模型的檢測性能比較見表1。由表1可知，螞蟻算法的檢測精度為94.31%，隨機森林算法的檢測精度為85.27%，比深度學習算法模型增加2.19%、11.83%，深度學習算法模型的絕緣子缺陷檢測精度高于隨機森林算法和螞蟻算法。深度學習算法模型的絕緣子識別準確率略高于螞蟻算法，而隨機森林算法的識別準確率較低，僅為88.52%，進一步表明深度學習算法和隨機森林算法對圖像特征識別效率較高，可準確識別絕緣子。螞蟻算法對絕緣子缺陷的檢測精度較高，但是螞蟻算法模型結構較復雜，會延長檢測時間，導致螞蟻算法檢測時間高達65.21 ms。深度學習算法模型的檢測時間仍優于隨機森林算法和螞蟻算法，最小檢測時間為55.32 ms，可見深度學習算法模型具有較好的性能，可滿足絕緣子實時檢測要求。

3.3 圖像對比試驗結果分析

深度學習算法模型與隨機森林算法對同一圖像的檢測效果對比如圖2所示，圖2（a）為隨機森林算法的檢測結果，圖2（b）為深度學習算法檢測結果。

比較最上面一行圖像的結果可以看出，隨機森林算法雖然能有效識別絕緣子，但是沒有效檢測到絕緣子左端的缺陷故障，從而影響維修工作效率。而深度學習算法模型可以準確檢測出絕緣體故障區域，顯著提高故障檢測效率。比較第二排圖片的結果可以看出，深度學習算法模型與隨機森林算法均可有效識別絕緣子，主要原因是第二排圖片分辨率較高，絕緣子特征識別效果較好。比較第三行圖像的結果可以看出，隨機森林算法無法識別圖中右側的絕緣子，其主要原因是絕緣子易被障礙物所遮擋，導致圖像識別效果不佳，嚴重影響了電力系統的運行安全。但當絕緣子被遮擋時，深度學習模型仍然能夠對絕緣子進行有效識別，還可以準確識別圖像左端絕緣子的故障區域。綜上所述，利用深度學習算法模型可以有效識別絕緣子故障。

3.4 檢測時間和計算內存比較分析

為進一步驗證深度學習算法模型在輸電線路絕緣子檢測中的效果，本文將深度學習模型算法模型與其他檢測模型（YOLOv3、YOLOv4和YOLOv5）的檢測時間和計算內存進行比較，試驗結果見表2。由表2可知，YOLOv3和YOLOv4節點數量為608和638個，模型節點數量越多，檢測時間就越長。受實際輸電線路絕緣子檢測環境影響，較多的節點會進一步降低檢測準確率。而深度學習模型算法的節點數量僅為121個，比YOLOv3和YOLOv4分別減少80.9%、81.03%。而YOLOv3和YOLOv4計算內存分別為227.88MB和238.62MB，深度學習模型算法的計算內存比YOLOv3和YOLOv4分別減少80%和81%。同時可觀察到深度學習模型算法在檢測時間方面具有較好的性能，檢測時間僅為10s，與YOLOv3和YOLOv4算法的檢測時間相比，深度學習模型的檢測時間分別減少50%和30%。而YOLOv5的檢測時間最長，比深度學習模型增加120%，進一步表明深度學習模型算法模型具有較高的檢測效率。

4 結論

螞蟻算法的檢測精度為94.31%，隨機森林算法的檢測精度為85.27%，比深度學習算法模型增加2.19%、11.83%，深度學習算法模型的絕緣子缺陷檢測精度高于隨機森林算法和螞蟻算法。

隨機森林算法雖然可有效識別絕緣子，但是沒有效檢測到絕緣子左端的缺陷故障，會進一步影響維修工作效率。而深度學習算法模型可以準確檢測出絕緣體故障區域，顯著提高故障檢測效率。

參考文獻

[1]霍一凡，衣麗葵，李佳玉，等.基于改進深度學習模型的輸電線路絕緣子外部缺陷檢測方法研究[J].沈陽工程學院學報（自然科學版），2024，20（2）：54-59，67.

[2]王伯濤，周福強，吳國新，等.基于改進深度學習模型的輸電線路絕緣子識別檢測研究[J].電子測量技術，2023，46（23）：127-134.

[3]胡夢雪，王勇.基于改進型YOLOv4的輸電線路絕緣子識別與故障檢測[J].微型電腦應用，2023，39（9）：19-22.

[4]茍軍年，杜愫愫，劉力.基于改進掩膜區域卷積神經網絡的輸電線路絕緣子自爆檢測[J].電工技術學報，2023，38（1）：47-59.

[5]劉開培，李博強，秦亮，等.深度學習目標檢測算法在架空輸電線路絕緣子缺陷檢測中的應用研究綜述[J].高電壓技術，2023，49（9）：3584-3595.

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

[7]劉超，李英娜，楊莉.基于改進YOLOv5s的絕緣子缺陷檢測算法研究[J].陜西理工大學學報（自然科學版），2024，40（3）：26-34.

[8]程仲漢，俞劭凱，賴怡欣.一種基于YOLOv5s的絕緣子自爆輕量化檢測方法[J].湖北師范大學學報（自然科學版），2024，44（2）：45-51.

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