架空线路绝缘子串（基于深度学习的架空线路绝缘子掉串识别研究）

廖进、董国芳、常陆

(云南民族大学电气信息工程学院，云南昆明650504)

本文对无人机巡检拍摄的架空线路绝缘子设备照片进行处理，旨在建立一种基于快速RCNN目标检测算法的架空线路绝缘子设备识别和断线诊断模型。首先，通过TensorFlow建立训练框架，利用FasterRCNN网络对采集的绝缘子数据集进行训练识别绝缘子。其次，利用小波变换对图像特征信息进行去噪和增强。然后对二值化图像进行霍夫变换和垂直投影检测，判断是否有缺陷。该模型鲁棒性强，绝缘子识别率为85.6%，串坠检测准确率为96%。通过这样的检测模型，可以及时发现绝缘子设备的绝缘隐患，降低绝缘失效的风险。此外，还可以配合无人机巡检，大大减少人力劳动，更有效地配置人力资源，降低运维成本。

中国图书馆分类号：tn957.5234；TP391文件识别码：a

货号：1004373x (2022) 02016705

0报价

近年来，电力工业发展非常迅速，电力需求的增长速度也在不断提高。架空线的数量也一直在增加，上面的绝缘子设备也相应增加。绝缘子是架空线路中极其关键的绝缘设备，在保证架空线路安全运行的各个方面都起着极其重要的作用。架空线路上的绝缘子设备一直工作在各种复杂的自然环境中，会受到大风、雷雨、沙尘等影响。导致绝缘子逐渐劣化，甚至直接击穿，串损。为了使电力领域快速稳定发展，架空线路的绝缘技术也需要不断寻求突破和创新。同时，架空线路绝缘设备的完整性检测也是一个极其重要的环节[1]。本文将人工智能中的图像识别技术应用于架空线路绝缘子的日常巡检中，为电力系统输电的智能化发展提供了一定的积极作用[2]。

图像识别技术是通过计算机对采集的图像进行处理和分析，最终识别出待研究对象的技术。识别的步骤包括图像预处理、图像分割、特征提取和分类器设计[3]。传统的图像识别算法，如orb(oriented fast and rotated brief)[4]、加速鲁棒特征(SURF)[5]、尺度不变特征变换、SIFT[6]等已经取得了一定的成果，但它们都需要人工提取图片的特征信息，导致工作量大、特征提取不准确、不完善，而且室外架空线环境复杂多变，设备数量多，传统的方法很难应用于架空线绝缘子识别和掉线检测。RCNN、快速RCNN等基于神经网络的目标检测算法，解决了传统目标检测算法计算量大、耗时长、泛化能力弱的问题，但也存在模型检测耗时长、检测精度低的缺点，给架空线路的实时检测带来困难。目前，对架空线路绝缘子的自动识别和掉串检测已经有了一些研究成果。基于形态学特征的检测是通过面积筛选、圆形度筛选和长宽比筛选来提取缺陷信息，其图像角度和方向会影响图像分割的质量，存在一定的检测误差[7]。绝缘子断线检测是缺陷检测的一个关键点。利用分块图像的颜色特征、滑动窗口的直方图统计和直方图匹配判断来识别绝缘子的位置，但这种方法并不准确[8]。提出了一种基于快速RCNN目标检测算法的输电线路绝缘子识别和断线诊断模型。首先，利用输电线路巡检的图像数据集，在快速RCNN目标检测网络中学习各种绝缘子特征，完成绝缘子识别。然后，利用小波去噪增强待识别绝缘子的图像特征；然后通过霍夫变换线性检测，根据需要水平或垂直旋转的绝缘子旋转到水平或垂直状态；最后，将旋转后的绝缘子水平或垂直投影，从而找出待测图片是否存在掉线缺陷。该模型对复杂环境下的传统检测方法具有更好的识别精度和识别速度，对绝缘子串跌落检测具有更好的鲁棒性。

1卷积神经网络模型

卷积神经网络(CNN)的作用是研究对象经过一定的训练后，可以被机器自动识别和分类。CNN主要包括卷积层、汇集层和全连接层。将图像发送到CNN，通过层层卷积、池化和激活操作提取图像的特征信息。然后对提取的大量特征信息进行不断学习，进而形成可分类识别的神经网络模型。

1.1张量流框架结构

TensorFlow是基于数据流编程的机器学习框架，深度学习和机器学习可以在此基础上构建针对不同应用的训练框架。它的灵活性和很强的可移植性使它得到了广泛的应用[9]。

本文以网络上抓取的绝缘子图片数据集为研究对象，在TensorFlow [10]上构建绝缘子识别模型的训练框架。采用快速RCNN目标检测算法构建深度卷积神经网络模型，利用绝缘子图片建立的数据集对模型进行训练，使模型具有识别架空线路绝缘子的能力。整个训练过程如下：首先将VOC数据集输入模型，通过卷积层提取图像的特征信息；然后，使用激活函数来执行激活操作，以从提取的特征信息形成卷积特征图；最后，对卷积特征图进行池化，降低特征维数，增强泛化能力，形成池化特征图。经过多次卷积池操作后，提取的特征传输到全连接层进行识别分类，从而识别架空线路绝缘子设备。整体结构如图1所示。

1.2更快的RCNN网络模型

更快的RCNN是Girshick等人在2016年提出的一种目标检测算法[11]。目前基于候选区域的目标检测算法主要有RCNN [12]、快速RCNN [13]、快速RCNN等。其中，快速RCNN算法代替选择性搜索算法生成候选区域，大大减少了检测时间，有效平衡了检测精度和检测速度[14]。其网络结构如图2所示。上述网络的实现过程大致如下：首先，将待识别的图片输入到预先训练好的卷积神经网络模型中进行卷积，得到卷积特征图。然后，RPN层处理获得的卷积特征图。RPN的作用是生成区域建议盒，在传入的卷积特征图上生成一定数量大小不同的锚盒，然后在分类环节判断锚属于前景还是背景，即判断是否有目标，通过另一个分支进行Bounding BoxRegression来修改锚盒，从而形成具有一定拟合度的建议盒。ROI pooling层的作用是利用RPN层生成的建议箱和CNN卷积得到的卷积特征图生成大小相同的建议特征图，然后通过全连接层输入到后面的分类回归网络中，利用分类层判断建议箱的具体类别，利用边界箱回归层再次修改边界箱，最终得到拟合度高的检测箱。

2字符串下降检测

2.1字符串下降检测模型的构建

快速RCNN网络识别的绝缘子除绝缘子外，相对没有背景干扰。由于绝缘子的结构具有明显的规律性，每个绝缘子串的大小几乎相同，绝缘子的排列距离也几乎相等，所以绝缘子图片都呈现出强烈的带状分布形状。当一串绝缘子脱落或圆盘出现大的缺陷时，绝缘子串的整体均匀性就会被破坏。通过提取这一规则，可以利用这一特征来判断绝缘子是否断裂，进而完成绝缘子的缺陷识别。因此，只要确定从图像中提取的规则特征信息是否被破坏，就可以判断绝缘子的状态，但要有效地提取这些规则特征信息，还需要对图像进行进一步的处理。提出了一种基于快速RCNN目标检测的绝缘子串跌落检测模型。首先，将架空线图像输入到预先训练好的神经网络模型中进行绝缘子识别。然后对识别出的绝缘子图像进行小波去噪和二值化，增强图像的特征信息；然后通过霍夫变换检测图像，将待旋转图像旋转到水平或垂直角度；最后，图像被水平或垂直投影。这些步骤如图3所示。2.2小波去噪处理

待检测的原始图片会含有一些噪声，对检测结果会产生不利影响。本文利用小波变换[15]滤除原始图像中的噪声，并利用小波变换的阈值去噪方法对识别出绝缘子的图像进行去噪。信号经小波分解后，信号和噪声的小波系数明显不同。信号的小波系数越大，噪声的小波系数越小。通过选择合理的阈值，可以滤除噪声，分割信号和噪声。实施步骤如下：

1)用小波变换将灰度图像的原始信号分解成不同的基准；

2)去除噪声对应的小波系数，保留信号的小波系数；

3)对处理后的小波系数进行小波逆变换；

4)对每个基准下的信号进行积分，达到去除图像噪声的目的。

小波变换去噪比传统的傅里叶变换去噪更有优势，因为小波变换对信号在时频域的局部特征比较敏感，而傅里叶变换对信号在时域的特征不敏感，所以很难捕捉到图像边缘等局部突变信号，在去除噪声的同时会丢失图像的边缘信息；然而，小波变换能很好地保留图像的边缘信息，使后续处理更加容易

2.3二进制处理

图像二值化是将灰度图像像素点上的连续灰度值变成两个固定的离散值，即灰度最大值和灰度最小值，将图像变成黑白的偏振效果[16]。固定二值化、OTSU算法、自适应二值化等二值化处理方法。都是将图像中的灰度值与对应的阈值进行比较，将图像中的灰度值(设置为255)设为目标区域，将其他灰度值(设置为0)设为非目标区域。基于二值化的图像处理可以大大减少图像数据的处理量，提高图像处理的速度，但仍能反映图像的整体和局部特征信息，从而使目标的轮廓特征更加清晰直观，便于图像的进一步处理。

2.4霍夫变换直线检测

由于无人机拍摄的绝缘子角度不同，识别出的绝缘子图像并不总是垂直和水平的，需要将识别出的图像旋转到水平或垂直位置，以便后续操作。绝缘子都有很强的带状分布规律，绝缘子圆盘分布均匀。通过霍夫变换检测直线，将这些直线的平均斜率作为绝缘子质心连线的斜率，从而得到绝缘子需要转换的角度。在笛卡儿空间中，y=kx b表示直线，方程转化为b=-kx y，表示霍夫空间中的直线。笛卡尔坐标系中的一条直线，映射到霍夫空间就变成了一个点。直线检测是通过寻找一定数量的点形成的直线，表示为霍夫空间中最多直线的公共交点。为了避免直线垂直于X轴的特殊情况，用极坐标来表示直线：=xcos ysin。如图4所示，为原点到直线的距离，为原点到直线的垂直截面与水平轴的夹角。遍历极坐标系中的每一点，映射到霍夫空间。极坐标系中直线上一点对应的曲线在霍夫空间中会相交于一点。通过设置相交于一点的曲线数量的阈值，可以确定是否形成直线。将极坐标系统中的点转换到霍夫空间的结果如图5所示。

3模拟结果3.1绝缘体识别

本实验利用LabelImg标注工具对从互联网上抓取的图片进行标注，然后制作VOC数据集。数据集通过FasterRCNN深度学习网络模型进行训练。经过12000次迭代后趋于稳定，网络识别准确率达到85.6%，优于快速RCNN网络算法，识别度更高。绝缘体识别效果图如图6所示。

3.2绝缘子串跌落检测

3.2.1图像小波去噪

小波去噪前后的结果如图7所示。

3.2.2图像二值化

被识别绝缘子原始图像的二值化结果如图8所示。

3.2.3霍夫变换线检测

Hough变换直线检测之前需要Canny算子进行边缘检测，结果如图9所示。霍夫变换直线检测后，结果如图10所示。然后计算斜率，旋转一定角度，使绝缘子水平，如图11所示。然后垂直投影水平绝缘子图像，投影结果如图12所示。从图中的垂直投影曲线可以看出，左起第六峰和第七峰之间有明显的曲线波动异常，因此判断此处有绝缘子串掉落。对比绝缘子原图，发现第六个绝缘子后面确实有绝缘子串脱落。50个绝缘子中，48个检测正确，2个检测错误，检测准确率为96%。两次检测错误的原因是绝缘子边缘发生掉串，使其被检测为隔音绝缘子。

4结论

随着人工智能的快速发展，越来越多的人工智能应用于电力领域。提出了一种基于深度学习的绝缘子串跌落检测模型。基于较快的RCNN神经网络算法，对被检绝缘子进行识别和定位，并加入RPN网络，有效提高了检测精度和效率。通过对识别出的绝缘子进行预处理、小波去噪、Hough变换和垂直投影，能够较高的检测出串坠绝缘子，并确定串坠位置，对无人机巡检有一定的积极作用。

注：本文通讯员为董国芳。

考证

[1]毛鹏飞。输电线路无人机巡检实时通信技术初探[J].通信世界，2020，27 (1): 214215。

[2]麦，郭胜，许，等.输电线路多旋翼无人机自动驾驶智能巡检系统[J].计算机系统应用，2019，28 (4): 105110。

张继，于娟，王锦丽，等.基于深度学习的输电线路损伤图像识别技术[J].计算机系统应用，2018，27 (8): 176179。

曾，冯武林，等.一种基于ORB特征和运动一致性的图像校正算法[J].现代电子技术，2019，42 (18): 171176。

熊开龙，范，等.基于一种新型级联分类器的目标检测系统[J].现代电子技术，2020，43 (1): 4852。[6]吴。基于SIFT的列车底部螺栓图像识别技术研究。成都：西南交通大学，2010

单成，吴，等.图像处理中的绝缘子缺陷检测方法[J].中国季良大学学报，2010，21 (4): 297300。

林聚才，陈，等.基于彩色图像的玻璃绝缘子缺陷诊断[J].电网技术，2011，35 (1): 127133。

齐赵辉。基于TensorFlow的卷积神经网络的应用[D].武汉：武汉大学，2018。

龚刚军，张帅，吴秋新，等.基于张量流的高压输电线路异物识别[J].电力自动化设备，2019，39 (4): 204209。

[11]任世清，何克明，等. CNN:基于区域的实时目标检测[J].IEEE模式分析和机器intelligence,2017,39(6):11371149.汇刊

[12] GIRSHICK R，DONAHUE J，DARRELL T等.用于精确对象检测和语义分割的丰富特征层次[C]//IEEE计算机视觉和模式识别会议录。洛斯Alamitos:IEEE,2014:580587.

[13]CNN[c]//IEEE计算机视觉国际会议论文集。洛斯Alamitos:IEEE,2015:14401448.

[14]陈一嘉。基于快速RCNN的目标检测系统[D].哈尔滨：哈尔滨理工大学，2019。

[15]姜波。基于MATLAB的小波降噪研究[J].点子系统，2019 (13): 8788。

[16]李治江，丛林。基于朴素贝叶斯理论的彩色图像二值化方法研究[J].数字印刷，2020 (1): 1721。

[17]，韩毅，赵，等.基于霍夫变换和FasterRCNN的铁路行人检测方法研究[J].大连交通大学学报，2020，41 (2): 100103。

作者简介：廖进(1995 ——)，男，四川自贡人，硕士，主要研究领域为人工智能应用。董国芳(1979—)，女，云南德宏人，博士，副教授，硕士生导师，主要研究领域为人工智能应用、智能电网等。常陆(1985—)，女，白族，云南楚雄人，硕士研究生，云南民族大学国际合作与交流部副主任，助理研究员，主要研究方向为智能电网。

黄飞