摘" 要： 輸電線(xiàn)路是電力系統(tǒng)中電能傳輸?shù)年P(guān)鍵，隨著無(wú)人機(jī)技術(shù)和機(jī)器視覺(jué)的快速發(fā)展，為電力線(xiàn)路絕緣子識(shí)別提供了便捷?；跓o(wú)人機(jī)拍攝的輸電線(xiàn)路破損絕緣子圖像識(shí)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(shí)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(jīng)網(wǎng)絡(luò)的圖像增強(qiáng)算法?；叶染饣惴軌蚋纳茍D像的對(duì)比度，提高圖像清晰度；超分辨率卷積神經(jīng)網(wǎng)絡(luò)圖像增強(qiáng)算法實(shí)現(xiàn)了圖像的超分辨率重建，從而使圖像清晰度更高、真實(shí)度更強(qiáng)。通過(guò)使用VGG16作為特征提取和分類(lèi)器，結(jié)合遷移學(xué)習(xí)實(shí)現(xiàn)模型的訓(xùn)練，對(duì)增強(qiáng)后的彩色圖像數(shù)據(jù)集進(jìn)行訓(xùn)練，進(jìn)一步提高了識(shí)別精度。在權(quán)威數(shù)據(jù)集CPLID上驗(yàn)證了所提出算法的有效性與高識(shí)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(xué)習(xí)算法在實(shí)際應(yīng)用中能有效降低人工巡檢的成本和安全隱患。

關(guān)鍵詞： 破損絕緣子； 無(wú)人機(jī)； 圖像識(shí)別； 灰度均衡化； 超分辨率增強(qiáng)； 卷積神經(jīng)網(wǎng)絡(luò)； 深度學(xué)習(xí)； 遷移學(xué)習(xí)

中圖分類(lèi)號(hào)： TN919.8?34； TP391.9" " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " "文章編號(hào)： 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(guó)家的重要基礎(chǔ)設(shè)施，輸電線(xiàn)路是電能傳輸?shù)闹匾ǖ?，電力系統(tǒng)的安全穩(wěn)定運(yùn)行與之密不可分[1]。在輸電線(xiàn)路中，電力絕緣子作為支撐和保護(hù)結(jié)構(gòu)，發(fā)揮著極為關(guān)鍵的作用[2]。然而，由于長(zhǎng)期暴露于自然環(huán)境中，絕緣子會(huì)不可避免地出現(xiàn)一些損傷和故障[3]。及時(shí)發(fā)現(xiàn)絕緣子的破損對(duì)于保障電力系統(tǒng)的運(yùn)行安全和穩(wěn)定至關(guān)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(shù)據(jù)算力的提升，許多深度學(xué)習(xí)被應(yīng)用在圖像處理領(lǐng)域，并取得了十分顯著的成效[5]。因此，結(jié)合深度遷移學(xué)習(xí)算法，提出了一種算法實(shí)現(xiàn)破損絕緣子識(shí)別，并在CPLID上驗(yàn)證有效性。該算法可以顯著提高絕緣子破損的檢測(cè)效率和準(zhǔn)確率，對(duì)于保障電力系統(tǒng)的穩(wěn)定運(yùn)行具有重要的意義。

隨著深度遷移學(xué)習(xí)技術(shù)的迅猛發(fā)展和廣泛應(yīng)用[6]，基于無(wú)人機(jī)拍攝的破損絕緣子識(shí)別廣泛應(yīng)用，包括破損識(shí)別和目標(biāo)檢測(cè)[7]，常見(jiàn)模型有SSD[8]和YOLO系列[9?10]等。通過(guò)自動(dòng)識(shí)別算法的創(chuàng)新性和實(shí)用性，可以有效地提高破損絕緣子的檢測(cè)精度和準(zhǔn)確率，為電力系統(tǒng)的安全運(yùn)行和維護(hù)提供了有力的技術(shù)支撐。

在絕緣子自動(dòng)識(shí)別領(lǐng)域，研究人員提出了各種創(chuàng)新性的方法和技術(shù)來(lái)解決檢測(cè)精度和效率的問(wèn)題。文獻(xiàn)[11]通過(guò)改進(jìn)YOLOv3損失函數(shù)，采用遷移學(xué)習(xí)技術(shù)降低了過(guò)擬合影響。文獻(xiàn)[12]結(jié)合遷移學(xué)習(xí)技術(shù)和CenterNet網(wǎng)絡(luò)提升了檢測(cè)的精度和速度。對(duì)于絕緣子漏檢的問(wèn)題，文獻(xiàn)[12]創(chuàng)新性地采用了金字塔池化，另一方面，文獻(xiàn)[13]改善了輕量化網(wǎng)絡(luò)帶來(lái)的檢測(cè)精度下降問(wèn)題。這些方法持續(xù)發(fā)展和完善，為絕緣子自動(dòng)識(shí)別提供了技術(shù)支持和指導(dǎo)。

針對(duì)絕緣子細(xì)微的破損情況，受背景干擾的影響更為嚴(yán)重，導(dǎo)致檢測(cè)精度下降。為此，本文采用圖像增強(qiáng)處理技術(shù)，先對(duì)數(shù)據(jù)集中的圖像進(jìn)行對(duì)比度增強(qiáng)，使絕緣子的邊緣更加清晰明顯，以提高后續(xù)卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別效果，并結(jié)合CNN和深度遷移學(xué)習(xí)實(shí)現(xiàn)了破損絕緣子的自動(dòng)檢測(cè)，在實(shí)驗(yàn)中得到了令人滿(mǎn)意的結(jié)果。這些研究成果和技術(shù)方法的繼續(xù)完善和發(fā)展，將有助于進(jìn)一步提高絕緣子自動(dòng)檢測(cè)的精度和效率。

1" 算法框架

本文的研究重點(diǎn)在于破損絕緣子的自動(dòng)檢測(cè)和識(shí)別，采用灰度均衡化突出細(xì)節(jié)特征，如圖1所示。同時(shí)，結(jié)合超分辨率卷積神經(jīng)網(wǎng)絡(luò)（Super?Resolution Convolutional Neural Network， SRCNN）[14]進(jìn)行圖像重建，以實(shí)現(xiàn)圖像增強(qiáng)。本文采用CNN進(jìn)行分類(lèi)訓(xùn)練，以達(dá)到破損絕緣子的自動(dòng)檢測(cè)和識(shí)別功能。這種研究方法可以顯著提高破損絕緣子的識(shí)別精度和準(zhǔn)確性，具有重要的應(yīng)用價(jià)值和推廣意義。

1.1" 灰度均衡化

灰度均衡化是一種常見(jiàn)的圖像增強(qiáng)方法，通過(guò)擴(kuò)展灰度分布，增加對(duì)比度，從而使圖像更加清晰明確[15]。采用下式進(jìn)行計(jì)算并四舍五入取整，以實(shí)現(xiàn)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(jí)數(shù)；[M]表示圖像的行數(shù)；[N]表示圖像的列數(shù)；[n]表示原始圖像中與像素灰度值相同的像素?cái)?shù)；[k]表示像素值在[0，255]間的整數(shù)。

8位二進(jìn)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(méi)有完全使用這個(gè)范圍，就會(huì)導(dǎo)致圖像對(duì)比度較差、視覺(jué)效果不理想。為了解決這個(gè)問(wèn)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(nèi)。對(duì)于彩色圖像，先分解成灰度通道，分開(kāi)計(jì)算后再逆向合成。如圖1所示，彩色圖像經(jīng)過(guò)灰度均衡化處理之后，圖像對(duì)比度有了明顯的提升，同時(shí)灰度像素的分布范圍也更加均勻?qū)拸V，從而增強(qiáng)了圖像的視覺(jué)效果[16]。通過(guò)灰度均衡化處理，可以顯著地提升圖像質(zhì)量，使其更容易被識(shí)別和分析。

1.2" SRCNN圖像增強(qiáng)

SRCNN基于深度學(xué)習(xí)模型，能有效提高圖像分辨率和質(zhì)量[17]，如圖2所示。實(shí)現(xiàn)了特征提取和非線(xiàn)性映射之后，圖像重建層將進(jìn)行上采樣，以恢復(fù)重建的高分辨率圖像。SRCNN通過(guò)深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)相結(jié)合，實(shí)現(xiàn)了超分辨率重建，從而使圖像清晰度更高、真實(shí)度更強(qiáng)。

1.3" 卷積神經(jīng)網(wǎng)絡(luò)

CNN模型在圖像分類(lèi)、目標(biāo)檢測(cè)和人臉識(shí)別等方面性能優(yōu)異[18]。作為一種重要的圖像處理網(wǎng)絡(luò)模型，近些年研究者們針對(duì)CNN積極改進(jìn)，并在諸多領(lǐng)域取得了十分驚人的性能[19]。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，CNN在保留輸入數(shù)據(jù)空間關(guān)系的基礎(chǔ)上，通過(guò)卷積層、池化層和全連接層進(jìn)行特征提取和分類(lèi)[20]。在卷積層中，卷積核通過(guò)滑動(dòng)窗口對(duì)輸入圖像進(jìn)行卷積運(yùn)算，提取圖像的低級(jí)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(zhǎng)等技術(shù)來(lái)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(guò)縮小特征圖的大小來(lái)減少參數(shù)數(shù)量，降低過(guò)擬合風(fēng)險(xiǎn)，同時(shí)保留最重要的特征。全連接層將上一層的特征圖展開(kāi)成一維向量，再將其映射為輸出參數(shù)。CNN能夠自動(dòng)提取高級(jí)抽象特征而無(wú)需手動(dòng)提取，支持位移、旋轉(zhuǎn)、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(guò)擬合風(fēng)險(xiǎn)。

1.4" 基于CNN的破損絕緣子識(shí)別算法

選取中國(guó)輸電線(xiàn)路絕緣子數(shù)據(jù)集（Chinese Power Line Insulator Dataset， CPLID）[22]進(jìn)行實(shí)驗(yàn)驗(yàn)證，圖像分為正常和缺陷兩類(lèi)，識(shí)別算法如圖3所示。

1.5" 基于深度遷移學(xué)習(xí)的破損絕緣子識(shí)別算法

CPLID數(shù)據(jù)集中樣本數(shù)較少，在對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的過(guò)程中容易出現(xiàn)過(guò)擬合、精度低等問(wèn)題。為此，本文結(jié)合深度遷移學(xué)習(xí)，設(shè)計(jì)了一種基于深度遷移學(xué)習(xí)的破損絕緣子識(shí)別算法。采用的深度學(xué)習(xí)模型是提前在權(quán)威數(shù)據(jù)集上訓(xùn)練完成的VGG16模型，在此基礎(chǔ)上采用CPLID數(shù)據(jù)集訓(xùn)練深度學(xué)習(xí)模型，從而取得更加優(yōu)秀的識(shí)別效果。擬固定深度學(xué)習(xí)模型的部分層，其余層參數(shù)在原有網(wǎng)絡(luò)模型基礎(chǔ)上繼續(xù)用CPLID數(shù)據(jù)集進(jìn)行訓(xùn)練。

2" 實(shí)驗(yàn)結(jié)果與分析

數(shù)據(jù)集中灰度均衡化以及SRCNN超分辨率增強(qiáng)結(jié)果示例如圖4所示。

將圖像尺寸標(biāo)準(zhǔn)化為（150，200，3），預(yù)訓(xùn)練CNN實(shí)現(xiàn)特征提取和識(shí)別，破損絕緣子的識(shí)別結(jié)果如圖5所示。

通過(guò)觀(guān)察圖5的結(jié)果，雖然訓(xùn)練集和驗(yàn)證集的樣本少，但可以發(fā)現(xiàn)預(yù)訓(xùn)練CNN在訓(xùn)練集和驗(yàn)證集上識(shí)別精度均超過(guò)了90%。此外，雖然在驗(yàn)證集上的損失值存在較大波動(dòng)，但總體上已經(jīng)取得了較為優(yōu)秀和穩(wěn)定的識(shí)別效果。

為了對(duì)本文提出算法的有效性進(jìn)行客觀(guān)、全面的分析，基于深度遷移學(xué)習(xí)理論進(jìn)行了實(shí)驗(yàn)。對(duì)于訓(xùn)練好的VGG16網(wǎng)絡(luò)固定全部的卷積層和池化層，只對(duì)全連接層在CPLID數(shù)據(jù)集上進(jìn)行訓(xùn)練，在訓(xùn)練的過(guò)程中更新全連接層參數(shù)，實(shí)驗(yàn)結(jié)果如圖6所示。

從圖6中可以看出，精確度曲線(xiàn)和損失值曲線(xiàn)都達(dá)到了較為穩(wěn)定的值，精確度相對(duì)于訓(xùn)練初始化CNN模型有明顯改進(jìn)。在VGG16模型上進(jìn)一步對(duì)可訓(xùn)練結(jié)構(gòu)進(jìn)行了研究，將最后兩層卷積與池化層、全連接層設(shè)置為可訓(xùn)練參數(shù)網(wǎng)絡(luò)層。在CPLID數(shù)據(jù)集上訓(xùn)練，結(jié)果如圖7所示。

為了能更加客觀(guān)地評(píng)價(jià)本文的模型性能，每次實(shí)驗(yàn)將數(shù)據(jù)集隨機(jī)分為700張訓(xùn)練樣本、148張驗(yàn)證樣本。按照上述數(shù)據(jù)集分類(lèi)方式，通過(guò)10次實(shí)驗(yàn)進(jìn)行交叉驗(yàn)證，將每次識(shí)別精確度取平均值，平均識(shí)別精確度如表1所示。

經(jīng)多次交叉實(shí)驗(yàn)驗(yàn)證，從表1中數(shù)據(jù)可看出，前期預(yù)訓(xùn)練完成的VGG16模型遷移到絕緣子數(shù)據(jù)集中進(jìn)一步訓(xùn)練和識(shí)別，實(shí)現(xiàn)了比初始訓(xùn)練CNN模型更加優(yōu)秀的性能。可微調(diào)VGG16模型比VGG16模型的識(shí)別精度更高，收斂更穩(wěn)定，這是因?yàn)樵?xùn)練VGG16的數(shù)據(jù)集與CPLID有一定的差異，通過(guò)適當(dāng)放寬可訓(xùn)練結(jié)構(gòu)進(jìn)行訓(xùn)練能提高識(shí)別性能。

3" 結(jié)" 論

在本文的研究過(guò)程中，針對(duì)數(shù)據(jù)集樣本少的問(wèn)題，本文結(jié)合深度遷移學(xué)習(xí)，設(shè)計(jì)了一種破損絕緣子識(shí)別算法。首先對(duì)CPLID數(shù)據(jù)集圖像進(jìn)行灰度均衡化和SRCNN增強(qiáng)等操作，以降低識(shí)別難度大等影響；接著將預(yù)訓(xùn)練的VGG16模型遷移到數(shù)據(jù)集上，采用經(jīng)過(guò)增強(qiáng)后的彩色圖像數(shù)據(jù)集繼續(xù)訓(xùn)練，在CPLID數(shù)據(jù)集上驗(yàn)證了所提出算法對(duì)破損絕緣子的高精度識(shí)別。

注：本文通訊作者為張慶。

參考文獻(xiàn)

[1] 劉冬蘭，馬雷，劉新，等.基于深度學(xué)習(xí)的電力大數(shù)據(jù)融合與異常檢測(cè)方法[J].計(jì)算機(jī)應(yīng)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(wǎng)絡(luò)的玻璃絕緣子自爆故障檢測(cè)算法[J].高電壓技術(shù)，2022，48（5）：1817?1825.

[3] 柳方圓，任東，王露，等.高分辨率的航拍輸電線(xiàn)路絕緣子檢測(cè)[J].電子測(cè)量技術(shù)，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(cè)的圖像處理方法研究[J].現(xiàn)代電子技術(shù)，2022，45（23）：45?48.

[5] 汪赟杰，譚愛(ài)紅.基于深度學(xué)習(xí)的雷達(dá)交通目標(biāo)檢測(cè)研究[J].現(xiàn)代電子技術(shù)，2023，46（21）：134?140.

[6] 張騁.被動(dòng)式太赫茲人體安檢圖像小目標(biāo)檢測(cè)方法研究[D].廣州：廣東工業(yè)大學(xué)，2020.

[7] 張慶，霍婷婷，苗海東，等.基于圖像增強(qiáng)與CNN的輸電線(xiàn)路破損絕緣子識(shí)別[J].現(xiàn)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(jìn)YOLOv3的絕緣子串定位與狀態(tài)識(shí)別方法[J].高電壓技術(shù)，2020，46（2）：423?432.

[12] 孫晗，鄒寬勝.基于改進(jìn)CenterNet網(wǎng)絡(luò)的絕緣子檢測(cè)方法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2023，33（3）：57?62.

[13] 陳奎，劉曉，賈立嬌，等.基于輕量化網(wǎng)絡(luò)與增強(qiáng)多尺度特征融合的絕緣子缺陷檢測(cè)[J/OL].高電壓技術(shù)：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(chǎng)圖像超分辨率重建[J].激光與光電子學(xué)進(jìn)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(cè)[J].廣西師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2012，29（2）：37?42.

[16] 高雪飛，張曉杰.基于TMS320DM642實(shí)現(xiàn)圖像的灰度均衡處理[J].數(shù)字技術(shù)與應(yīng)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(xiàn)路鳥(niǎo)類(lèi)檢測(cè)[J].計(jì)算機(jī)應(yīng)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(guó)芳，劉暢.基于深度學(xué)習(xí)的架空線(xiàn)路絕緣子掉串識(shí)別研究[J].現(xiàn)代電子技術(shù)，2022，45（2）：167?171.

[21] 張建偉，許蕊，張忠闖，等.基于卷積神經(jīng)網(wǎng)絡(luò)的撞擊流反應(yīng)器濃度場(chǎng)混合特性[J].化工進(jìn)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.