基于深度學習的用電網絡絕緣子識別定位技術

中圖分類號：TP319 文獻標志碼：A 文章編號：2095-2945（2025）20-0007-05

Abstract：Atpresent，mostoftheidentificationandpositioningofpower lineinsulatorsrelyonmanualwork，whichiscostly andineficient.Thedevelopmentofdeplearningtheoryhasgreatlypromotedtheintellgentidentificationandpositioningof insulators.Thispaper takes theimagerecognitionofinsulatorsinpowersupplynetworksastheresearchobject.Basedonthe deeplearningmethodandcombinedwiththeapplicationcharacteristicsofthepowersupplysafetydetectionandmonitoring devicesystem，theaplicationinintellgentrecognitionofpowersupplysafetydetectionandmoniringimagesisstudiedInthis paper，twoconvolutionalnetworksarecombined.Thenewalgorithmreduces thegenerationofredundantwindowsandusesa moreintellgentslidingmechanismtoimprovepositioningaccuracyThisimprovementmakestheunmannedmonitoringprocesof insulatorsmoreeficient，andtoacertainextentprovidestechnicalsupprtforunmannedreal-timemonitoringof powernetworks.

Keywords： electricity network;contact line; insulator; deep learning;positioning and identification

一般輸電線路或鐵路接觸網中極為重要的組件—一絕緣子，扮演著機械支撐和電氣隔離的雙重角色。然而，由于其常年暴露于外界環境中，絕緣子極易受到自然災害、機械壓力及人為破壞的影響，成為了缺陷頻發的部件之一，因此對絕緣子進行巡檢是保證線路正常運行的關鍵，其中對絕緣子的識別定位是實現巡檢的基本前提，尤其是近年來應用較多的無人智能化巡檢4。本文將對用電網絡絕緣子的識別定位展開研究。

近年來，隨著機器視覺和深度學習理論的發展，用電網絡絕緣子的識別定位技術主要采用機器視覺、神經網絡等。傳統的基于圖像處理的目標檢測方法很大程度上依靠人工提取特征[6-8]，該過程復雜，并且檢測精度較低，對圖像質量及特征提取上魯棒性不高-10]，并且對外界環境的復雜性適應較差，難以適用復雜的領域1。有別于傳統方法，深度學習理論克服了以上不足，針對目標檢測，深度學習方法有更高的檢測精度[2]，尤其能夠更好地適應多變的復雜場景（如雨霧天氣、強弱光照、昏暗光線等條件）[13]。

針對以上問題，本文聚焦于電力網絡中絕緣子圖像識別的研究，應用深度學習方法，并基于供電安全監測裝置系統的特性，探討了智能識別技術在供電安全監測圖像中的應用。研究中，文中構建了一個由2個卷積神經網絡融合而成的模型，該模型通過減少冗余窗口的產生，并采用更為精巧的滑動機制，顯著提高了定位的準確性，從而大幅增強了絕緣子識別與定位技術的實用性和效率。

1辨識理論及方法闡述

1.1 絕緣子部件介紹

本文主要研究絕緣子定位的智能識別，其中接觸網絕緣子及其相關部件的詳細介紹如圖1所示。

在拍攝絕緣子時，輸電線路的復雜背景常導致目標與背景混淆。此外，天氣、光照和拍攝角度等因素也會影響數據采集，給后期判別帶來困難，降低識別效率和準確率。同時，使用高分辨率和高幀率相機拍攝會生成大量像素，占用大量內存，并延長模型訓練時間。因此，為了提高訓練效率并保證精度，需要在輸入網絡前對待檢測圖像進行預處理。圖像縮放作為調整數字圖像大小的關鍵步驟，需在處理效率、平滑度和清晰度之間找到平衡。實驗表明，采用最鄰近插值法能有效提升圖像縮放效果。最近鄰插值法將原始圖像中的像素點在 x 和 y 方向上擴展到相應的像素點（ Φ_x1 y₁） ，其縮放系數為 k_x，k_y ，變換矩陣如下

在成像過程中，由于拍攝角度或距離的影響，常會出現透視扭曲，導致圖像形變，出現“遠小近大\"的效果，從而影響識別。常用的校正方法是通過仿射變換來改善圖像，以便于人眼或機器識別。

仿射變換是一種在空間直角坐標系中進行的變換，其將一個二維坐標系轉換為另一個二維坐標系。作為一種線性變換，仿射變換保持了圖像的“平行性”和“平直性”，即變換前的直線和平行線在變換后依然保持不變。常見的仿射變換包括平移、縮放、翻轉、旋轉和剪切。

在二維平面圖像空間中，點 通過仿射變換得到點 （x^′，y^′） 的過程可表示為

其中，變換矩陣可以拆成2部分， 表示線性變換， 用于平移。

經過仿射變換后，圖像通常呈現為平行四邊形。由于仿射變換的方程組包含6個未知數，因此需要3組映射點來確定一個二維平面。已知3個對應點后，可以求出變換公式。圖2展示了原始圖像中的平腕臂絕緣子與經過仿射變換歸一化后的結果，變換后的絕緣子角度接近水平，并且圖像分辨率保持一致，為絕緣子的識別奠定了基礎。

1.2技術實施前置條件

圖像在形成過程中，由于車速變化、光照強度波動、車體振動及相機傳感器等因素，常會疊加噪聲。此外，圖像在計算機處理時也可能引入噪聲。這些噪聲會削弱圖像細節，導致特征模糊或丟失，從而影響后續的自標檢測。因此，有必要對噪聲進行過濾和處理。常見的濾波算法包括均值濾波、中值濾波和雙邊濾波。在輸入圖像之前，采用最臨近插值法、雙邊濾波及色域扭曲等方法進行增強。同時，考慮到絕緣子樣本的不平衡問題，通過隨機平移、翻轉和剪切等方式擴充數據集。

當樣本數據集較小時，通常有2種處理方法：第一，進行無監督預訓練后再進行強監督的參數調整；第二，使用在大規模數據集（如ImageNet）上預訓練的模型進行網絡初始化，再進行參數調整。一般來說，第二種方法更為常用，因為其操作簡便、訓練難度較低，并且在調參時更容易收斂。本章使用的是公共數據集VOC2007的預訓練權重。V0C2007作為標準數據集，是評估圖像分類識別能力的基準，FasterR-CNN、YOLO系列等算法均在該數據集上展示性能。部分數據集如圖3所示。

在實驗階段，將采用不同的算法對采集到的數據進行檢測，為使其他算法能方便使用該數據集數據，并使用GitHub的開源標注工具對圖形進行標記，以得到符合PASCALVOC數據集標準的xml格式文件，并把文件放入對應的文件夾。在本文中按照8：1：1的比例將數據集分成訓練集、測試集、驗證集。

1.3 接觸網絕緣子識別流程研究

首先在吊索圖像中定位絕緣子，然后識別絕緣子。作為關鍵組件之一，絕緣子通過與其他關鍵組件相同的Faster R-CNN （Faster Region-based ConvolutionalNeuralNetwork，）網絡進行定位。FasterR-CNN網絡包括2個卷積神經網絡：區域提議網絡（RegionProposalNetwork，RPN）和FastR-CNN自標檢測網絡，如圖4所示。這2個深度神經網絡共享全圖卷積層，從而提高了檢測效率。

RPN是一個完全卷積網絡，以圖像為輸入，直接生成可能包含待檢測物體的區域提議。其通過滑動共享的卷積層特征圖，使用 3×3 的空間窗口，在每個位置預測 k 個不同尺度和長寬比的錨框。對于大小為 W×H 的卷積特征圖，總共生成 W×H×k 個錨框。然后，根據錨框的得分，選擇前300個錨框作為區域提議，并將其輸入到FastR-CNN的區域興趣（ROI）池化層

池化層使用最大池化將區域提議的特征轉換為固定長度的特征向量。最后，通過全連接層輸出激活函數概率和每類的邊界框回歸偏移量。訓練完成后，這2個網絡形成了一個統一的FasterR-CNN網絡，用于絕緣子。

開源的FasterR-CNN目標檢測框架中，網絡雖然比VGG16更簡潔、速度更快，但精度不如VGG16。因此，本文對FasterR-CNN方法進行改進，提出了基于VGG16的FasterR-CNN算法，以實現更高的準確率。其整體模型網絡結構圖如圖4所示。

改進的FasterR-CNN利用RPN網絡來計算候選框。RPN結構如圖5所示，其以共享著積層輸出的featuremap為輸入，輸出一系列矩形區域提名，每個區域都分別對應目標數和位置信息。

RPN的核心思想是通過卷積神經網絡直接生成建議區域。其設計巧妙，只需在共享卷積層輸出的特征圖上滑動一次，利用anchor機制和邊框回歸，可以獲得多尺度和多長寬比的建議區域。RPN采用二分類，僅區分背景和物體，不預測具體類別，因此是class-agnostic。在訓練過程中，需要將先驗框與真實框進行匹配，以便同時預測坐標值。

1.4絕緣子視覺定位技術

通過自標識別，可以獲得絕緣子的像素坐標，但絕緣子辨識定位需要其三維定位信息。通過分析像素坐標與世界坐標之間的映射關系，可以實現對識別果實的三維定位。除了像素坐標系和空間坐標系，相機成像模型中還包括圖像坐標系和相機坐標系。各個坐標系的關系如圖6所示，接下來將分析各個坐標系之間的變換關系，從而推導像素坐標與世界坐標的變換關系。

1.4.1圖像像素坐標系 （u，v） 與圖像物理坐標系 （x，y） 的變換關系

圖像像素坐標系度量單位為像素，圖像物理坐標系度量單位為毫米，需要對兩者坐標關系進行轉化，2個坐標系共面關系如圖6所示。假設圖像物理坐標系下的原點 o 在像素坐標系下的坐標為 （u₀，v₀） ，每個像素在 x，y 軸上的大小分別為 dx，dy ，則2個坐標系的轉換關系為

識別絕緣子后，經過上述變換能夠精準得出目標絕緣子位置信息，并將該信息傳導至終端，以便于位置的辨識，完成對絕緣子的更換、安裝作業

2 仿真實驗

采用上述神經網絡，對輸入圖片中的絕緣子進行識別，識別結果如圖7所示。為凸顯本文所提算法的魯棒性和適應性，仿真實驗部分采用一般的高壓輸電網絡絕緣子。實驗結果表明，針對復雜背景環境中的多個絕緣子，所提方法能夠準確無誤悉數檢測出來；

針對拍攝視角的不同，所提網絡能夠提取絕緣子特征信息，將縮小的后絕緣子檢測出來。由此可見本文網絡策略的可行性，實驗結果圖如圖7所示。

成功檢測出絕緣子后，根據相機拍攝的焦距、角度、縮放比例等數據信息，計算出標簽內相片絕緣子位置信息，代入式（1）至式（9）便可計算得出現實中絕緣子三維信息，將三維信息輸入內置計算器，完成絕緣子識別、定位任務。

在仿真計算中，將本文提出的改進FasterR-CNN網絡方法和傳統FasterR-CNN方法的計算準確率進行對比分析，計算結果如圖8所示。

圖8的計算結果表明，文中提出的改進FasterR-CNN的準確率相較傳統FasterR-CNN方法有較為明顯的提升。

3結論

本文研究中，通過引入更先進的圖像處理技術，能夠精準區分絕緣子及其他設備。這種增強的背景區分能力不僅提升了檢測的可靠性，還減小了誤報和漏報的可能性，保障了用電網絡運行的安全性。針對傳統算法在低維特征應用中的不足，采用了更復雜的特征提取方法，使得算法能夠獲取更豐富的高維特征信息。研究了一套較為適用的檢測框架，針對多類型用電網絡上的絕緣子，本文所提算法表現出較好的魯棒性和適應性，同時文中提出的改進FasterR-CNN方法的辨識準確率也有了一定程度的提高。文中所研究的絕緣子識別定位技術，不僅簡化了辨識方法的開發流程，也減少了對技術人員的培訓需求，為線路巡檢及定位辨識提供了一定技術支持，較大程度上提高了用電網絡系統的運營效率。

參考文獻：

[1]田升平.電氣化鐵路接觸網瓷絕緣子運行狀態評估方法研究[J].電氣化鐵道，2022，33（S1）：62-65.

[2]王景致，劉剛，袁嘉彬，等.電力巡檢中的圖像融合技術與應用[J].自動化技術與應用，2019，38（8）：111-114.

[3]劉仕兵，周詩涵，但業光.基于改進YOLOv5算法的接觸網絕緣子定位方法[J].華東交通大學學報，2024，41（1）：105-112.

[4]彭向陽，易琳，錢金菊，等.大型無人直升機電力線路巡檢系統實用化[J].高電壓技術，2020，46（2）：384-396.

[5]陳文浩，姚利娜，李豐哲.無人機電網巡檢中的絕緣子缺陷檢測與定位[J].計算機應用，2019，39（S1）：210-214.

[6] BARZEL B，BARABASI A. Universality in network dynamics[J.Nature Physics，2013，9（10）： 673-681.

[7] GEL， TAN Y. Cauliflower seedling recognitionusingstereovision andK -Medoidsalgorithm underweedyconditions [C]//Journal of Physics： Conference Series.IOPPublishing，2020，1621（1）：012056.

[8] XUS，ZHANGY，DONG W，et al.Early identificationandlocalization algorithm for weak seedlingsbasedonphenotype detection and machine learning [J]. Agriculture，2023，13（1）：212.

[9]莫云，郭巖，莫禾勝，等.基于特征過濾和PCA降維的混合特征選擇方法[J].桂林航天工業學院學報，2022，27（2）：145-151.

[10]厲彥福.基于SURF特征提取和Brute-Force搜索的圖像匹配算法[J].北京測繪，2019，33（11）：1352-1355.

[11]胡靖逸，郭雪亮，李會軍，等.目標檢測算法R-CNN在現實場景數字檢測任務中的應用[J].電子技術與軟件工程，2018（24）：90.

[12]李柯泉，陳燕，劉佳晨，等.基于深度學習的目標檢測算法綜述[J].計算機工程，2022，48（7）：1-12.

[13]張子健，馬吉恩，李旭峰，等.基于深度學習與 Hu 不變矩的絕緣子故障檢測[J].鐵道學報，2021，43（2）：71-77.