基于圖像增強與遷移學習的破損絕緣子識別

摘" 要： 輸電線路是電力系統中電能傳輸的關鍵，隨著無人機技術和機器視覺的快速發展，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圖像識別，能有效降低人工巡檢的成本和安全隱患。為了提高絕緣子識別精確度，提出一種基于圖像灰度均衡化和超分辨率卷積神經網絡的圖像增強算法。灰度均衡化算法能夠改善圖像的對比度，提高圖像清晰度；超分辨率卷積神經網絡圖像增強算法實現了圖像的超分辨率重建，從而使圖像清晰度更高、真實度更強。通過使用VGG16作為特征提取和分類器，結合遷移學習實現模型的訓練，對增強后的彩色圖像數據集進行訓練，進一步提高了識別精度。在權威數據集CPLID上驗證了所提出算法的有效性與高識別精度，并比較了不同算法模型的精確度，所提出的深度遷移學習算法在實際應用中能有效降低人工巡檢的成本和安全隱患。

關鍵詞： 破損絕緣子； 無人機； 圖像識別； 灰度均衡化； 超分辨率增強； 卷積神經網絡； 深度學習； 遷移學習

中圖分類號： TN919.8?34； TP391.9" " " " " " " " " " 文獻標識碼： A" " " " " " " " "文章編號： 1004?373X（2024）05?0075?05

Defective insulator identification based on image enhancement and transfer learning

ZHANG Qing1， MIAO Haidong1， YAN Yong2， HUO Tingting1， LI Yan1

（1. School of Physics and Electronic Information Engineering， Ningxia Normal University， Guyuan 756099， China;

2. School of Mechanical and Electrical Engineering， North University of China， Taiyuan 030051， China）

Abstract： Power transmission lines play a key component in the power system for transmitting electricity. With the rapid development of UAV technology and machine vision， identifying damaged insulators in power transmission lines has become more convenient. The identification of defective insulator image captured by UAV in power transmission lines can effectively reduce the cost and safety hazards of manual inspections. In order to improve the accuracy of insulator identification， an image enhancement algorithm based on image grayscale equalization and super?resolution convolutional neural network （SRCNN） is proposed. Grayscale equalization algorithm can improve the contrast and sharpness of the image. The image enhancement algorithm based on SRCNN can realize the super?resolution reconstruction of the image， which makes higher sharpness and authenticity. By using VGG16 as the feature extractor and classifier and incorporating transfer learning for model training， the accuracy of the identification is further improved by training the enhanced color image dataset. The effectiveness and high recognition accuracy of the proposed algorithm are validated on the authoritative CPLID （Chinese power line insulator dataset）， and the accuracy of different algorithm models is compared. The deep transfer learning algorithm proposed can effectively reduce the cost and safety risks of manual inspections in practical applications.

Keywords： defective insulator; UAV; image identification; grayscale equalization; super?resolution enhancement; CNN; deep learning; transfer learning

0" 引" 言

電力是國家的重要基礎設施，輸電線路是電能傳輸的重要通道，電力系統的安全穩定運行與之密不可分[1]。在輸電線路中，電力絕緣子作為支撐和保護結構，發揮著極為關鍵的作用[2]。然而，由于長期暴露于自然環境中，絕緣子會不可避免地出現一些損傷和故障[3]。及時發現絕緣子的破損對于保障電力系統的運行安全和穩定至關重要，定期的絕緣子巡檢是重要的手段。人工巡檢消耗大量人力，安全隱患較大[4]。隨著大數據算力的提升，許多深度學習被應用在圖像處理領域，并取得了十分顯著的成效[5]。因此，結合深度遷移學習算法，提出了一種算法實現破損絕緣子識別，并在CPLID上驗證有效性。該算法可以顯著提高絕緣子破損的檢測效率和準確率，對于保障電力系統的穩定運行具有重要的意義。

隨著深度遷移學習技術的迅猛發展和廣泛應用[6]，基于無人機拍攝的破損絕緣子識別廣泛應用，包括破損識別和目標檢測[7]，常見模型有SSD[8]和YOLO系列[9?10]等。通過自動識別算法的創新性和實用性，可以有效地提高破損絕緣子的檢測精度和準確率，為電力系統的安全運行和維護提供了有力的技術支撐。

在絕緣子自動識別領域，研究人員提出了各種創新性的方法和技術來解決檢測精度和效率的問題。文獻[11]通過改進YOLOv3損失函數，采用遷移學習技術降低了過擬合影響。文獻[12]結合遷移學習技術和CenterNet網絡提升了檢測的精度和速度。對于絕緣子漏檢的問題，文獻[12]創新性地采用了金字塔池化，另一方面，文獻[13]改善了輕量化網絡帶來的檢測精度下降問題。這些方法持續發展和完善，為絕緣子自動識別提供了技術支持和指導。

針對絕緣子細微的破損情況，受背景干擾的影響更為嚴重，導致檢測精度下降。為此，本文采用圖像增強處理技術，先對數據集中的圖像進行對比度增強，使絕緣子的邊緣更加清晰明顯，以提高后續卷積神經網絡的識別效果，并結合CNN和深度遷移學習實現了破損絕緣子的自動檢測，在實驗中得到了令人滿意的結果。這些研究成果和技術方法的繼續完善和發展，將有助于進一步提高絕緣子自動檢測的精度和效率。

1" 算法框架

本文的研究重點在于破損絕緣子的自動檢測和識別，采用灰度均衡化突出細節特征，如圖1所示。同時，結合超分辨率卷積神經網絡（Super?Resolution Convolutional Neural Network， SRCNN）[14]進行圖像重建，以實現圖像增強。本文采用CNN進行分類訓練，以達到破損絕緣子的自動檢測和識別功能。這種研究方法可以顯著提高破損絕緣子的識別精度和準確性，具有重要的應用價值和推廣意義。

1.1" 灰度均衡化

灰度均衡化是一種常見的圖像增強方法，通過擴展灰度分布，增加對比度，從而使圖像更加清晰明確[15]。采用下式進行計算并四舍五入取整，以實現灰度均衡化處理。

[sk=roundL-1M?Ni=0kni，" " k=0，1，2，…，L-1]

式中：[sk]表示均衡化后的像素值；[L]表示像素灰度級數；[M]表示圖像的行數；[N]表示圖像的列數；[n]表示原始圖像中與像素灰度值相同的像素數；[k]表示像素值在[0，255]間的整數。

8位二進制圖像像素灰度值的范圍為[0，255]，如果原始圖像中的像素灰度值分布范圍集中或者沒有完全使用這個范圍，就會導致圖像對比度較差、視覺效果不理想。為了解決這個問題，本文采用灰度均衡化處理方法，旨在使得圖像中的像素灰度值更加均衡地分布在[0，255]的范圍內。對于彩色圖像，先分解成灰度通道，分開計算后再逆向合成。如圖1所示，彩色圖像經過灰度均衡化處理之后，圖像對比度有了明顯的提升，同時灰度像素的分布范圍也更加均勻寬廣，從而增強了圖像的視覺效果[16]。通過灰度均衡化處理，可以顯著地提升圖像質量，使其更容易被識別和分析。

1.2" SRCNN圖像增強

SRCNN基于深度學習模型，能有效提高圖像分辨率和質量[17]，如圖2所示。實現了特征提取和非線性映射之后，圖像重建層將進行上采樣，以恢復重建的高分辨率圖像。SRCNN通過深度學習與卷積神經網絡的結構相結合，實現了超分辨率重建，從而使圖像清晰度更高、真實度更強。

1.3" 卷積神經網絡

CNN模型在圖像分類、目標檢測和人臉識別等方面性能優異[18]。作為一種重要的圖像處理網絡模型，近些年研究者們針對CNN積極改進，并在諸多領域取得了十分驚人的性能[19]。與傳統的神經網絡相比，CNN在保留輸入數據空間關系的基礎上，通過卷積層、池化層和全連接層進行特征提取和分類[20]。在卷積層中，卷積核通過滑動窗口對輸入圖像進行卷積運算，提取圖像的低級特征。不同卷積核提取的特征不同[21]，這樣組合不同的卷積核就可以提取出更高層次的特征。卷積層還可以使用填充和步長等技術來控制輸出大小和特征提取的速度。池化層通常跟隨在卷積層后面，通過縮小特征圖的大小來減少參數數量，降低過擬合風險，同時保留最重要的特征。全連接層將上一層的特征圖展開成一維向量，再將其映射為輸出參數。CNN能夠自動提取高級抽象特征而無需手動提取，支持位移、旋轉、縮放等操作，具有一定的不變性，有較好的泛化能力，可降低過擬合風險。

1.4" 基于CNN的破損絕緣子識別算法

選取中國輸電線路絕緣子數據集（Chinese Power Line Insulator Dataset， CPLID）[22]進行實驗驗證，圖像分為正常和缺陷兩類，識別算法如圖3所示。

1.5" 基于深度遷移學習的破損絕緣子識別算法

CPLID數據集中樣本數較少，在對深度神經網絡進行訓練的過程中容易出現過擬合、精度低等問題。為此，本文結合深度遷移學習，設計了一種基于深度遷移學習的破損絕緣子識別算法。采用的深度學習模型是提前在權威數據集上訓練完成的VGG16模型，在此基礎上采用CPLID數據集訓練深度學習模型，從而取得更加優秀的識別效果。擬固定深度學習模型的部分層，其余層參數在原有網絡模型基礎上繼續用CPLID數據集進行訓練。

2" 實驗結果與分析

數據集中灰度均衡化以及SRCNN超分辨率增強結果示例如圖4所示。

將圖像尺寸標準化為（150，200，3），預訓練CNN實現特征提取和識別，破損絕緣子的識別結果如圖5所示。

通過觀察圖5的結果，雖然訓練集和驗證集的樣本少，但可以發現預訓練CNN在訓練集和驗證集上識別精度均超過了90%。此外，雖然在驗證集上的損失值存在較大波動，但總體上已經取得了較為優秀和穩定的識別效果。

為了對本文提出算法的有效性進行客觀、全面的分析，基于深度遷移學習理論進行了實驗。對于訓練好的VGG16網絡固定全部的卷積層和池化層，只對全連接層在CPLID數據集上進行訓練，在訓練的過程中更新全連接層參數，實驗結果如圖6所示。

從圖6中可以看出，精確度曲線和損失值曲線都達到了較為穩定的值，精確度相對于訓練初始化CNN模型有明顯改進。在VGG16模型上進一步對可訓練結構進行了研究，將最后兩層卷積與池化層、全連接層設置為可訓練參數網絡層。在CPLID數據集上訓練，結果如圖7所示。

為了能更加客觀地評價本文的模型性能，每次實驗將數據集隨機分為700張訓練樣本、148張驗證樣本。按照上述數據集分類方式，通過10次實驗進行交叉驗證，將每次識別精確度取平均值，平均識別精確度如表1所示。

經多次交叉實驗驗證，從表1中數據可看出，前期預訓練完成的VGG16模型遷移到絕緣子數據集中進一步訓練和識別，實現了比初始訓練CNN模型更加優秀的性能。可微調VGG16模型比VGG16模型的識別精度更高，收斂更穩定，這是因為原訓練VGG16的數據集與CPLID有一定的差異，通過適當放寬可訓練結構進行訓練能提高識別性能。

3" 結" 論

在本文的研究過程中，針對數據集樣本少的問題，本文結合深度遷移學習，設計了一種破損絕緣子識別算法。首先對CPLID數據集圖像進行灰度均衡化和SRCNN增強等操作，以降低識別難度大等影響；接著將預訓練的VGG16模型遷移到數據集上，采用經過增強后的彩色圖像數據集繼續訓練，在CPLID數據集上驗證了所提出算法對破損絕緣子的高精度識別。

注：本文通訊作者為張慶。

參考文獻

[1] 劉冬蘭，馬雷，劉新，等.基于深度學習的電力大數據融合與異常檢測方法[J].計算機應用與軟件，2018，35（4）：61?64.

[2] 郝帥，馬瑞澤，趙新生，等.基于超分辨深度殘差網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.

[3] 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].電子測量技術，2023，46（13）：102?109.

[4] 何寧，史旺旺.電力巡檢中絕緣子缺失故障檢測的圖像處理方法研究[J].現代電子技術，2022，45（23）：45?48.

[5] 汪赟杰，譚愛紅.基于深度學習的雷達交通目標檢測研究[J].現代電子技術，2023，46（21）：134?140.

[6] 張騁.被動式太赫茲人體安檢圖像小目標檢測方法研究[D].廣州：廣東工業大學，2020.

[7] 張慶，霍婷婷，苗海東，等.基于圖像增強與CNN的輸電線路破損絕緣子識別[J].現代信息科技，2023，7（19）：151?154.

[8] LIU W， ANGUELOV D， ERHAN D， et al. SSD： Single shot multibox detector [C]// European Conference on Computer Vision. Heidelberg， Germany： Springer， 2016： 21?37.

[9] REDMON J， FARHADI A. YOLOv3： An incremental improvement [EB/OL]. [2018?08?13]. http：//arxiv.org/abs/1804.02767.

[10] BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： Optimal speed and accuracy of object detection [EB/OL]. [2020?04?28]. https：//arxiv.org/abs/2004.10934.

[11] 顏宏文，陳金鑫.基于改進YOLOv3的絕緣子串定位與狀態識別方法[J].高電壓技術，2020，46（2）：423?432.

[12] 孫晗，鄒寬勝.基于改進CenterNet網絡的絕緣子檢測方法[J].計算機技術與發展，2023，33（3）：57?62.

[13] 陳奎，劉曉，賈立嬌，等.基于輕量化網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.

[14] 葛鵬，游耀堂.基于稀疏表示的光場圖像超分辨率重建[J].激光與光電子學進展，2022，59（2）：94?100.

[15] 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.

[16] 高雪飛，張曉杰.基于TMS320DM642實現圖像的灰度均衡處理[J].數字技術與應用，2012（5）：238.

[17] DONG C， CHEN C L， HE K M， et al. Learning a deep convolutional network for image super?resolution [C]// ECCV 2014： Proceedings of 13th European Conference on Computer Vision. Heidelberg， Germany： Springer， 2014： 184?199.

[18] 鄒聰，梁永全.基于YOLOv3算法的輸電線路鳥類檢測[J].計算機應用與軟件，2021，38（10）：164?167.

[19] 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.

[20] 廖金，董國芳，劉暢.基于深度學習的架空線路絕緣子掉串識別研究[J].現代電子技術，2022，45（2）：167?171.

[21] 張建偉，許蕊，張忠闖，等.基于卷積神經網絡的撞擊流反應器濃度場混合特性[J].化工進展，2023，42（2）：658?668.

[22] TAO X， ZHANG D， WANG Z， 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.