基于DCNN 的輸電線路隱患區域圖像識別方法

居一峰，高弋淞，陳俊安，陳蔚卓，滕啟韜

（1.海南電網有限責任公司海口供電局，海南海口 570105；2.昆明能訊科技有限責任公司，云南昆明 650217）

我國幅員遼闊，電網規模龐大，輸電線路越來越長，電網維護工作難以開展。特別是隨著電網企業超高壓、特高壓技術的快速發展，輸電線路的保護顯得尤為重要。在不同的輸電線路故障中，如何有效地識別隱患區域成為一個熱門話題[1-2]。

文獻[3]優先采集輸電線路圖像，同時采用RGB色彩通道對圖像的故障區域和非故障區域進行劃分，完成圖像識別。文獻[4]優先建立了一個有效區域篩選模型，利用Mask-CNN 提取全部圖像中的有效區域，將提取結果放置到GoogleNet 進行訓練，構建圖像識別模型。

上述方法在識別過程中沒有對圖像進行去噪處理，導致識別率降低、識別時間延長，對此，提出一種基于深度卷積神經網絡(Deep Convolutional Neural Network,DCNN)的輸電線路隱患區域圖像識別方法，使其能夠較短的時間和較高的識別精度下完成輸電線路隱患識別。

1 識別方法

1.1 輸電線路圖像去噪

在拍攝圖像的過程中，光線在不同角度下呈現的畫面不同，導致輸入和輸出數據為非線性[5-6]，對此，設定輸電線路圖像的灰度為f，入射光強度為L，兩者之間的輸出信號關系能夠表示為：

式中，c表示任意常數。

其中，輸電線路圖像中的灰度值和實際光照強度兩者之間為非線性關系，需要將其轉換為線性關系。式（2）給出了詳細的非線性轉換過程：

式中，g表示轉換后的輸電線路圖像灰度值；k表示任意常數。

如果輸電線路灰度圖像的分辨率為m×n，則圖像對應的平均灰度特征gˉ為：

式中，f(i,j)表示點(i,j)上的灰度值。

由于地形、環境等因素的影響，圖像會嚴重變形或模糊，圖像的整體質量下降。為了提高圖像質量，需要對退化圖像進行處理。其中，實際獲取的退化圖像g(x,y)可以通過退化模型進行描述，具體的表達形式如下：

式中，H()表示變換函數；f(x,y)表示輸電線路的真實圖像；n(x,y)表示加入噪聲的輸電線路圖像。

通過上述分析，將函數H()轉換為線性算子進行使用，則結合線性理論能夠獲取線性函數全新H[f(x,y)]的計算公式：

式中，δ(x,y)表示輸電線路圖像對應的單位沖擊圖像。

噪聲是影響圖像質量的核心因素。對采集到的傳輸線圖像進行處理時，會產生不同類型的噪聲，需要對其進行去噪處理[7-8]。假設噪聲是由多個不同的隨機變量組成，則輸電線路圖像對應的高斯噪聲PDF 分布p(z)表示為：

式中，z表示輸電線路的灰度級；σ表示圖像的方差。

以下給出計算灰度值的平均值μ和方差σ對應計算公式：

式中，zi表示圖像S中的灰度值；p(zi)表示經過響應后的歸一化直方圖值。

當進行輸電線路圖像采集時，由于攝像機是不穩定的，會產生比較嚴重的模糊現象。在實際應用的過程中，可以忽略全部外來因素，通過式（9）獲取采集到的模糊輸電線路圖像，即：

式中，x0(t)表示輸電線路圖像在x方向的運動分量；y0(t)表示傳輸線路圖像在y方向的運動分量；T表示采集總時長。

假設輸電線路一直在一個方向上保持勻速直線運動，則經過退化處理后的傳遞函數H(u,v)為：

式中，u表示拍攝到的輸電線路圖像總數；v表示圖像的采集速度；a和b表示任意常數[9-11]；j表示圖像的標準差估計值。

結合上述分析，通過改進的維納濾波算法對采集到的輸電線路圖像進行去噪處理[12]，其中改進后的維納濾波算法操作流程如圖1 所示。

圖1 中，維納濾波算法的核心是得到最佳濾波器，通過濾波器將圖像中的均方差降至最低，并在算法中加入像質評價函數E，提升維納濾波效果和圖像質量，即：

圖1 改進的維納濾波算法操作流程

1.2 輸電線路隱患區域圖像識別

基于DCNN 的輸電線路隱患區域圖像識別方法主要劃分為兩個不同的階段，具體如下所示。

1）訓練階段

在組建的數據集中隨機選取5 000 張圖像，將其設定為測試集，包含多種類型的輸電線路圖像。將訓練集中的全部圖像進行預處理，統一規格，同時，將其輸入到DCNN 中進行深度特征提取。經過深度學習的一系列卷積操作后，獲取對應的特征向量，同時，將特征向量輸入到SVM 分類器中，獲取最終的特征識別模型[13-14]。

2）測試階段

測試階段通過獲取的識別模型對任意大小的圖像進行處理，其中圖像越小，處理速度就越快；反之，則速度越慢。

優先對數據集中的全部數據進行訓練，才能夠獲取合適的模型，同時更好完成輸電線路隱患區域圖像識別。設定U表示人工選擇且標記過的圖像集合，I表示已經標記過的圖像，對訓練集中的全部特征進行提取，獲取模型Γ。針對已經給定的圖像I，需要優先提取輸電線路圖像對應的視覺特征，并且在模型Γ 中獲取全部相似特征，更好完成圖像檢索。通過公式（12）獲取聯合視覺空間中相似特征的圖像S(I)：

式中，ψ表示標記過的相鄰視覺空間；Ii表示相似圖像總數。

在相似性特征檢索過程中，通過式（13）有效降低訓練階段形成得到誤差：

為了獲取更加精準的識別效果，需要借助SVM對分類器進行優化。設定函數hθ(x)為：

式中，x表示輸入圖像的特征向量；g表示logistic函數；θT表示圖像映射后的取值。

將式（14）進行簡化處理，同時進行簡單的映射，則能夠獲取如下的映射關系：

將完成劃分的樣本全部輸入到DCNN 中進行訓練[15-16]，通過改進的SVM 分類器，組建輸電線路圖像分類模型。同時將測試圖像輸入到模型中，完成輸電線路隱患區域圖像識別。

2 實例分析

為了驗證所提基于DCNN 的輸電線路隱患區域圖像識別方法的有效性，進行模擬實驗測試。

設置兩種測試環境：

測試環境1：在某地區的3—8 月份，雷雨天氣易出現雷擊，濃霧天氣絕緣子污閃，輸電線路負荷過重且存在導線接頭接觸不良的問題，暴風天氣耐張桿距離較小的接續引線放電，引發了接頭發熱燒斷故障，應用移動終端技術，輔助巡檢人員快速獲取故障區域，采集故障圖像。

測試環境2：在該地區的某個輸電線路上，此處為鳥害引起的線路跳閘，鳥在桿塔上筑巢或在線路的桿塔上停落，造成了線路故障，屬于偶發性故障，采集此類圖像，進行輸電線路隱患圖像識別。

分別采取三種不同方法對不同環境下的輸電線路隱患進行識別，具體測試結果如圖2 所示。

分析圖2 中的實驗數據可知，所提方法能夠精準識別輸電線路的隱患區域，而文獻[3]方法和文獻[4]方法并未識別到隱患區域，充分驗證了所提方法的優越性。

識別時間也是驗證識別性能的一項重要指標，以下實驗測試對比不同方法的識別時間，具體實驗結果如圖3 所示。

圖2 不同環境下各個方法的輸電線路隱患區域圖像識別性能測試

分析圖3 中的實驗數據可知，由于所提方法通過改進的維納濾波算法對輸電線路圖像進行去噪處理，有效增加了圖像質量，加快圖像識別速度，以低于另外兩種方法的時間完成輸電線路隱患區域圖像識別。

3 結束語

文中提出一種基于DCNN 的輸電線路隱患區域圖像識別方法，以輸電線路圖像數據集為輸入，在深度卷積神經（DCNN）中訓練，同時，以改進的SVM 分類器優化訓練過程，結合像質評價函數，動態識別輸電線路隱患區域，保證其能夠以較快的識別速度和較高的識別率完成圖像識別。

圖3 不同方法的識別時間對比結果