基于深度卷積網絡的復雜環境中絕緣子串特征檢測

(西安工程大學 電子信息學院，西安 710048)

0 引言

輸電線路中出現絕緣子串表面污穢、自爆、破損和裂紋等故障嚴重威脅著輸電線路的安全可靠運行?；谝曨l分析的輸電線路監測平臺是智能電網核心組成部分。隨著極端天氣比如沙塵暴、霧霾、以及暴風雪等對現場輸電線路監測的影響，因而采用優秀的圖像顯著特征檢測算法來更清晰提取絕緣子串或導線的實時狀態顯得越來越重要。

目前對于遠程采集的絕緣子串或導線工作狀態圖像的處理方法包括：基于顏色特征的絕緣子串和導線的狀態監測[1]，該類方法依據單一特征變化量監測識別，如果采集的圖像背景較復雜時，絕緣子串和導線的特征檢測效果較差，影響輸電線路的工作狀態實時檢測。

近年來，顯著物體檢測受到了廣泛的關注，作為一種在圖像處理領域高效使用的預處理方法，顯著特征檢測在各種圖像處理領域應用變得至關重要，例如，物體檢測和分割，圖像重新定位，對比度增強，圖像融合，圖像分類等。

顯著性檢測模型可以分為兩類：從元素的角度來看類。第一類是基于像素的方法，這些方法受到非均勻突出顯著區域的影響會產生不連續的邊界；為了克服這些缺點，已經提出了第二類基于超像素的方法，首先，與基于像素的方法相比，基于超像素的方法包括一些基于區域特征，如顏色直方圖，這比單個像素的顏色更有效。

基于區域的方法很好地保留了顯著對象的形狀，而基于像素的方法忽略了物體形狀的多樣性。全局特征檢測方法是以整個圖像為對象來計算顯著特征，通過整體稀有度和唯一性預測圖像的顯著區域，并將噪聲敏感到邊緣等高頻圖像內容。當區域與背景類似時，全局方法無法突出顯示紋理的效果。

對于不同尺度的顯著性檢測，一些超像素可能包含完全突出的對象，忽略異構的局部細節特征，不能得到準確完整的顯著特征，影響顯著區域的檢測效果。

深度學習在各領域的應用越來越廣泛，該模型是參考人腦分層工作原理，從底層輸入信號到高層輸出語義之間建立映射關系。將卷積神經網絡(CNN)應用于顯著性檢測模型中可以提取圖像的高級特征，提高檢測的效率。

近年來特征檢測領域出現很多代表性模型：LC模型[2]：該模型將一幅圖像劃分為不同的區域, 計算各區域之間顏色元素的差異度，相比于全局對比度模型能更好的提取顯著目標的細節；Goferman等人[3]先通過局部對比方法產生較模糊顯著圖，利用區域協方差對對結構信息進行編碼，并在不同的特征圖上進行非線性積分得到顯著區域；文獻[4]提出了UCF模型，是在特定卷積層之后構建一個不確定的內部特征集合，用于提高顯著性檢測的魯棒性和準確性。文獻[5]的顯著性檢測方案是對前景依照顏色和紋理線索，依次在每個特征集群中集成它們，再通過兩幅顯著圖的線性組合生成最終顯著圖，該方法魯棒性較好，但算法耗時較多。

本課題以提高絕緣子串特征檢測效果為目標，引入視覺顯著機制與深度學習算法，改善在遮擋或背景較復雜時對于絕緣子串的檢測效果，達到無顏色沾粘，更清晰完整，減少算法運行時間，提高電網系統可靠性。

1 算法分析

本課題首先采用多尺度方法將圖像分解為不同的層，然后采用SLIC[6]將每層圖像分解為不同的超像素，采用超像素特征來描述多尺度圖像的某個區域的特征信息，計算各超像素的紋理特征和信息熵特征得到圖像的粗略顯著區域，并作為樣本集輸入Region Net網絡，最后通過多次網絡迭代訓練得到顯著物體特征。采用上述方法對輸電線路中的絕緣子進行提取，并對狀態進行監測，提高特征檢測的準確性和完整性。

1.1 顯著前景區域緊湊性計算

對于較復雜的圖像，對象特征檢測容易錯過一些顯著信息，比如顯著對象周圍存在雜亂背景，或者物體和背景之間的對比度較低等[7]。由于顯著對象可能出現在圖像不同的尺度上，與背景形成不同的對比度，因而本課題引入超像素和統計方法來降低復雜場景的難度。采用多尺度方式將圖像分解為不同的層，然后通過SLIC將每層分解為不同大小的超像素，超像素優勢表現在保證特征信息不變的情況下大大減少運算量，多尺度結構可以保持不同尺度下獲得的顯著區域之間的一致性，同時有效地組合區域和邊界特征獲得更完整的顯著特征。

圖1 不同k劃分結果圖

(1)

(2)

式中，w(l)和w(l,m)是兩個維度矩陣nl×nl和nl×nm。w可以通過矩陣表示為：

(3)

上式中應中的每個子矩陣的對角元素都設置為0。

為了對上述算法進行對比說明，圖2展示了使用單尺度和多尺度處理的效果進行對比?？梢缘贸觯菏褂没诙喑叨葎澐值姆椒梢员葐纬叨确椒ǜ鼫蚀_的定位顯著信息，同時剔除周圍部分噪聲。

圖2 單尺度與多尺度對比

2 基于Fast-CNN模型[8-9]的改進設計

由于復雜背景下絕緣子串圖像易受光照、霧霾等影響，會產生色差、變形以及部分遮擋，本課題提出將改進的卷積神經網絡(CNN)和顯著性檢測的方法相結合，用于絕緣子串特征提取，提高絕緣子串特征的檢測的準確性。圖3為卷積神經網絡工作的流程圖。

圖3 卷積神經網絡流程圖

將CNN應用于顯著性檢測網絡可以自動學習圖像的結構化特征功能，通過端到端的傳播方法提取圖像的特征，代替復雜的手工提取特征，大大提高特征提取的效率。

針對實時采集的輸電線路工作圖片，通過本課題算法對圖片中有效區域進行監控，本課題提出了Region Net網絡，該網絡結構簡單、效率高，Region Net利用CNN具有完全連接的層，各層負責不同特征的提取，并利用區域細化方法用于實現顯著區域的精確計算，進一步提高了檢測精度?；贑NN的顯著區域細化處理的特點是基于物體特征的稀有性和獨特性，考慮整個圖像信息以檢測出突出區域，從而檢測出盡可能多的顯著對象。由于該方法檢測出的顯著特征不同于對高頻圖像中的敏感的邊緣和噪聲特征，該方法減少背景特征和噪聲特征的影響。

本課題提出的顯著性檢測框架如圖4所示：首先對圖像進行預處理，然后將1.1節中提取粗略顯著區域(如圖4中b圖)和原圖(如圖4中a圖)分別送入到Region Net，通過Region Net能夠預測端到端的準確的顯著區域，分別為圖4中的FS和FC，最后形成整個圖像的顯著特征圖FH，明顯提高顯著對象檢測性能。

圖4 區域網路框圖

本課題提出的顯著特征檢測網絡中，采用VGG16 CNN[10]進行訓練。VGG16的訓練是先從各層中提取特征后進行線性組合，增強對輸入圖像的顯著特征提取，然后使用子模型從前到后依次經過3個卷積層(見圖3)依次為：Conv3、Conv4、Conv5以及一個完全連接的層(FC)。同時每一個卷積子模型增加三層卷積，接著是三次ReLU操作，最后送入池化層。顯著特征圖計算如公式(4)所示：

S=STD×eSBU

(4)

(5)

(6)

在式(4)中，S表示輸入圖像經過計算得到的顯著特征圖，SBU表示自下而上的顯著特征圖，STD表示建議的自上而下的顯著圖。在等式2中，n代表子模型數{conv3，conv4，conv5，fc}，SLayer_n表示從VGG16中的子模型獲得的特征映射；Wn表示對應的權重每個特征圖，中心偏置加權M=1-d，縮放到d∈{0.25-1}，大小為224×224。

實驗首先將SLayer_n的行和列調整到224×224，然后對每個SLayer_n進行高斯模糊操作，提高顯著性檢測的整體性能，最后采用歸一化操作來計算最終顯著圖，如公式(7)所示：

(7)

Region Net的池化操作是對每個Region Net中的特征按一定的比率進行聚合(本課題實驗中為7×7)。

誤差反向傳播需要計算誤差，誤差通過Om與理想輸出Ym的差值得出；然后采用極小化誤差算法調整權值。訓練第m個樣本的誤差函數計算方法如式(8)所示：

(8)

將顯著對象檢測作為二元分類問題，形成端到端的顯著圖像，采用該方法能夠更完整準確的提取圖像中的高級特征，高級特征能更好的反映圖像的顯著物體的特征，能夠顯著對象特征提取更準確，同時降低計算成本。

3 實驗運行結果分析

為驗證本課題提出的算法的高效性，首先選取不同光照環境、陰影環境、以及惡劣環境下各類絕緣子串的不同工作圖像，然后進行絕緣子的顯著特征提取結果對比實驗[3]。采用不同的顯著檢測模型分別檢測絕緣子串特征。包括CSD模型[3]、FT模型[2]、GU模型[11]、GC模型[3]、SR模型[1]以及本課題提出的模型。其中實驗環境選擇Intel 酷睿i7處理器，主頻3 GHz，內存8 GHz的配置，編輯環境為Matlab 2017a和VS2010。

3.1 不同光照條件下識別分析

實驗選取在不同光照對比明顯的三幅圖像進行絕緣子串特征提取，實驗結果如圖5所示，可以得出：在光照較弱的時，CSD模型、GU模型、FT模型和SR模型、GC模型以及本課題提出的模型都能很好的提取絕緣子的特征，但在光照強度增大后，采集的絕緣子圖像特征對比度越來越低的時候，GU模型、FT模型和SR模型、GC模型提取的絕緣子特征圖中含有的噪聲較大。

圖5 不同光照下絕緣子串特征檢測

3.2 不同陰影條件下識別分析

實驗還選取不同陰影環境下工作的兩幅絕緣子圖像，采用不同的方法提取絕緣子串特征，實驗結果如圖6所示，可以得出：在陰影部分較多時，CSD模型、GU模型、FT模型和SR模型、GC模型提取絕緣子的特征信息丟失嚴重。

圖6 不同陰影下絕緣子串特征檢測

3.3 絕緣子破損檢測

通過實時讀取攝像機的數據，由于絕緣子特征與背景對比度較大，因而采用本課題算法和其它的顯著性檢測算法對圖片進行處理，得到絕緣子串特征，結果如圖5所示。表明本課題算法能更好的檢測到絕緣子破損區域。

圖7 惡劣天氣下識別結果圖

根據圖像在不同光照、陰影以及惡劣天氣條件下的實驗結果得出：本課題模型比CSD模型[11]、GU模型[12]能更好的突出顯著物體的邊緣連續性和準確性,能更好的去除背景信息；比FT模型[3]和SR模型[1]能更完整、清晰的提取顯著物體局部信息，適用于場景變化不大的場合；比GC模型[3]提取的絕緣子串圖像對比度更好。

3.4 評價標準

評價標準中的客觀性能評價包括準確率-召回率(precision recall, PR)曲線、F-measure 和平均絕對誤差(mean absolute error, MAE)的值[10]。MAE值的計算通過式(13)得到：

(9)

式(13)中H表示圖像中像素點的總數,h表示任意像素點,該評價標準可以表明顯著圖與真值圖之間的相似度。本課題采用F-Measure進行評估， F-Measure的計算公式為：

(10)

本課題采用PR曲線對所有算法進行評價, 首先設定閾值為 0～255，獲得PR 值可描繪成曲線作為對 PR 曲線的補充,其中,θPRE和θRE分別表示顯著結果圖與原圖對比的準確率和召回率。為了給予準確率更高的權重, 本課題設置η2=0.3。

圖8 不同算法ROC曲線特征

3.5 算法復雜度對比實驗

復雜度對比實驗是從室外拍攝的不同環境中絕緣子串工作的圖像庫中選取500幅圖像平均分成5組進行處理，分別計算每組處理方法所用的平均時間。表1測量6種不同算法的運行時間對比。測試結果表明本課題提出的算法運行速度僅次于SR 算法, 但本課題提出的算法效果明顯優于SR 算法。

表1 不同方法每張圖像平均計算時間

4 結論

本課題將人類視覺注意模型中感知前景的顯著區域和改進后卷積神經網絡相結合，提取不同環境中的絕緣子串特征圖。實驗效果通過PR曲線、F-measure、MAE值和算法運行時間綜合對比各模型性能。結果表明本課題算法能更清楚提取絕緣子串內部信息，同時也較完整的保留絕緣子串的邊緣信息。本課題算法將輸電線路中的絕緣子串工作狀態檢測效果得到提升，避免人工巡視的缺陷，提高巡視的自動化程度和效率。

下一步研究工作：可將本課題算法模型應用于更多類型的典型輸電線路故障識別，比如絕緣子自爆識別、絕緣子串污穢和導線斷股等方面[13-15]。