基于深度学习模型与稀疏表示的绝缘子状态分类

庞春江 张鹏程

摘 要：在输电线路中绝缘子的状态直接影响整个输电系统的可靠性，然而复杂背景和不同光照条件下对于绝缘子的状态检测十分困难。如今计算机视觉辅助方法已被广泛应用于电力系统中。提出一种基于深度学习模型与稀疏表示进行绝缘子状态分类的方法，对于待检测的绝缘子图像，通过Faster-RCNN定位后，采用深度残差网络（ResNet）提取图像特征，最后利用稀疏表示进行绝缘子状态分类。该方法与传统方法相比，对于绝缘子的状态分类具有更高的准确率，准确率可达98.67%。

关键词：深度学习；卷积神经网络；绝缘子；稀疏表示；分类

DOI：10.11907/rjdk.172724

中图分类号：TP301

文献标识码：A 文章编号：1672-7800（2018）005-0040-03

Abstract：The status of the insulators in power line can directly affect the reliability of power transmission system. However， the complex background and different light conditions make it difficult to detect insulators. Nowadays， computer vision-aided methods have been widely used in electric ， power system. In this paper， we propose a novel insulator status classification approach based on deep learning model and sparse representation to classify the status of insulators. In order to detect the insulator image， the Deep Residual Networks（ResNet） is used to extract features after localizing the position of the insulators with Faster-RCNN，then insulator status classification is done with sparse representation. Compared with the traditional methods， our method has higher accuracy for the classification of insulator status and achieves the precision rate of 98.67%.

Key Words：deep learning； convolutional neural networks； insulators； sparse representation；classification

0 引言

在高壓输电线系统中，绝缘子是不可或缺的设备，其具有电气绝缘与连接导体的功能。绝缘子故障是引发输电系统事故的主要原因[1]。为保证高压输电线系统的稳定性，定期对绝缘子进行巡检是一个基本的维护程序，而这些任务只能由专业人员执行，并且伴有巨大的安全风险[2]。此外，由于大多数绝缘子暴露在野外，而缺陷绝缘子则混杂在大量的正常绝缘子中，依靠人工识别缺陷绝缘子非常耗时，且会造成漏检[3]。

迄今为止，最常见与有效的巡检方法是通过驾驶直升机或遥控无人机，沿输电线路进行巡检，从而获得海量视频和图像[4]。因此，对这些数据图像进行自动状态评估可以大大提高电力巡检效率。

1 绝缘子状态检测研究现状

如今，图像处理技术和计算机视觉辅助技术已广泛应用于电力巡检中的识别和检测。输电线路绝缘子状态检测任务可分为两方面：①检测：检测出绝缘子，定位其在所获得航拍图像中的位置；②分类：诊断绝缘子状态。

绝缘子检测定位是进行绝缘子状态分类的必要前提。一旦绝缘子位置确定，对其状态进行分类也会相对简单。近年来，国内外学者对于绝缘子的状态评估进行了大量研究。然而目前大多仍采用传统人工设计的特征，如HOG [5]、SIFT [6]、轮廓提取算法[7]等。常用的方法是利用绝缘子颜色形态学特征，利用阈值分割算法对其进行分割提取[8]。但这些方法往往针对特定场景，准确率低，不具备扩展性。因此，鲁棒状态分类方法是十分必要的，而传统的人工特征方法难以胜任。近年来深度神经网络，尤其是卷积神经网络在大规模图像分类任务的性能上显示出顶尖水准，其能够自动学习特征的特性，能够从图像中获取更多有用特征。同时，稀疏表示具有高精度以及处理遮挡的优良性能。受此启发，本文提出一种基于深度学习模型与稀疏表示的绝缘子状态分类方法。

2 绝缘子状态分类方法

受卷积神经网络的启发，任务从利用卷积特征定位绝缘子开始，采用Faster-RCNN定位绝缘子位置，并将其裁剪出来，之后通过ResNet提取图像特征，最后利用稀疏表示分类器进行绝缘子状态分类。

2.1 基于Faster-RCNN的绝缘子检测

为了消除输电线路复杂背景的影响，需要对绝缘子部件进行目标检测，而基于区域选择的RCNN系列算法是当前进行目标检测的经典算法[9]。RCNN算法可分为4个步骤：①对每个样本图像产生大量矩形候选区域； ②将每个候选区域输入CNN网络进行特征提取；③将特征向量送入分类器进行分类，判别该区域是目标还是背景；④对候选框进行回归，修正位置与大小。

其中，在步骤①中，RCNN采用视觉方法（Selective Search）产生大小不同的候选区域；在步骤③中，根据候选框和标定框的重叠比例（IOU）进行类别判断。当IOU的值大于0.5时，即认为候选框属于该类别；当IOU的值小于0.3时，则被认为是负样本。虽然RCNN取得了很好的效果，但也存在一些明显缺点，比如候选框数量太大，训练时间长，而且很多候选框相互重叠，造成重复计算。对此，学者们陆续提出了改进的 RCNN 方法。Fast-RCNN[10]采用自适应尺度池化，能够对整个网络进行调优，从而提高深层网络识别的准确率；Faster-RCNN[11]通过构建精巧的区域提议网络，代替时间开销大的选择性搜索方法，从而打破了计算区域提议时间开销大的瓶颈问题，使实时识别成为可能。本文利用Faster-RCNN算法，并选用已于Imagenet上预训练过的ZFnet[12] 模型进行绝缘子检测。

2.2 绝缘子状态分类

为进一步对绝缘子进行状态分类，必须获取较好的图像特征。近年来，卷积神经网络由于其生物机理，在大规模图像分类任务中获得了较高准确率。在2015年的ImageNet竞赛上，Kaiming He[13]提出的深度残差网络（ResNet）夺得第一。最近研究表明，网络深度是至关重要的，然而常规的网络堆叠（plain network）在网络很深时，效果却越来越差。因此，ResNet引入了残差网络结构（residual network），通过残差网络，可以将网络层构造得很深，最终的网络分类效果也非常好。残差网络的基本结构如图1所示。

通过在输入和输出之间引入一个shortcut connection，而不是简单的堆叠网络，可以解决由于网络深度而出现的梯度消失问题，进而可以把网络构造的很深，使网络模型错误率大大降低，同时计算复杂度也保持在很低的程度。

Razavian等[14]提出在Imagenet大规模图像上，训练出来的卷积神经网络针对不同任务能够提取更多具有代表性的特征。因此，相比于在数量较少的各种状态绝缘子图像上进行训练，本文直接使用经过Imagenet预训练的模型为绝缘子状态分类任务提取特征。将图像送入预训练的ResNet网络中，提取位于softmax层之前pool5层的2 048维特征，然后通过稀疏表示框架进行分类。

稀疏表示是在压缩感知基础上发展而来的，目的是在样本空间中用尽可能少的原子表示一幅图像，由此获得更为简洁的表示方式，从而更容易地获取信号中蕴含的信息，以方便进一步对信号进行加工处理，如稀疏编码等。基本思想是假设该图像能由预先定义的超完备字典中的极少数原子线性表示。设x∈RM是一幅图像的向量表示，D=[D1，D2，…，D＼-N]∈RM×N是一个M×N维矩阵，其中M远小于N，由于D的行数远小于列数，字典D一般称为超完备字典，字典中的每个列向量称为字典D的原子。图像x表示为：

其中α=[0 … 0 αi 0 … 0]T∈RN （0

以此求解最优范式，而对于图像分类任务多采用图像特征创建超完备字典。本文则是利用稀疏表示对于遮挡和光照变化都具有一定鲁棒性的特性，对绝缘子图像进行状态分类。

3 实验结果与分析

本文实验通过Faster—RCNN算法对绝缘子图像进行训练，检测并定位绝缘子在图像中的位置，将其从原图像中裁剪出来。而由于稀疏表示分类器需要严格配准的特性，直接采用绝缘子串进行状态分类效果不佳，因此將裁剪的绝缘子串分割为单个盘片，对其进行校准后，使绝缘子串二值化，获得绝缘子串的直方图，然后以波谷为分割线将绝缘子串分割为单个盘片。过程如图2所示。

由于目前还没有公开的绝缘子数据集，为了使用稀疏表示分类器进行相应绝缘子状态分类，需要构建绝缘子单个盘片各状态的样本库。由于其它状态的绝缘子状态较为稀缺，本文构建了掉串与正常状态下的绝缘子样本库，部分示例图像如图3所示。

将样本库中的图像采用预训练ResNet模型进行特征提取，提取pool5层2 048维特征。然而由于2 048维特征过大，以及卷积神经网络提取特征的稀疏性，可对其进行PCA降维，降至128维以构建超完备字典。对待检测图像所分割的单个盘片，进行同样的特征提取，降维后输入到稀疏表示分类器中计算其与正常盘片及掉串盘片的残差，并对应残差较小的分类。当所有盘片检测完成，如存在掉串，将其归类为掉串绝缘子串，反之则为正常绝缘子串。

本文方法与传统BOF（Bag of Feature）[15]手工特征相比，具有较高准确率，其绝缘子状态分类对比结果如表1所示。

由实验结果可以看出，深度学习模型对于图像处理具有很好的性能，能够为分类任务提供更好的特征，同时稀疏表示的鲁棒性也为状态分类的准确性提供了保证。

4 结语

随着智能电网的发展，对于设备状态识别的准确性与实时性提出了更高要求。传统对于巡检图像分析采用人工方法，成本高，效率低。因此，采用图像处理技术进行绝缘子状态的自动分类是十分必要的。本文充分利用深度学习模型与稀疏表示的优点，成功实现了绝缘子的状态分类。下一步工作将进行样本库扩充，从而实现更多状态绝缘子的分类，以及尝试采用其它网络模型和算法，以提高鲁棒性和实用性。

参考文献：

[1] SONG Y， WANG H， ZHANG J. A vision-based broken strand detection method for a power-line maintenance robot[J]. IEEE Transactions on Power Delivery， 2014，29（5）：2154-2161.

[2] LI W. Risk assessment of power systems： models， methods， and applications[M].John Wiley & Sons， 2014.

[3] MIRALLES F， POULIOT N， MONTAMBAULT S. State-of-the-art review of computer vision for the management of power transmission lines[C].3rd International Conference on Applied Robotics for the Power Industry （CARPI）， 2014：1-6.

[4] SAMPEDRO C， MARTINEZ C， CHAUHAN A， et al. A supervised approach to electric tower detection and classification for power line inspection[C]. In 2014 International Joint Conference on Neural Networks （IJCNN）， 2014：1970-1977.

[5] 姜浩然，金立军，闫书佳.航拍图像中绝缘子的识别与故障诊断[J].机电工程，2015，32（2）：274-278.

[6] 苑津莎，崔克彬，李宝树.基于ASIFT算法的绝缘子视频图像的识别与定位[J].电测与仪表，2015（7）：106-112.

[7] FANG T，JIN X，HU X L，et al. A fast insulator-contour-detection-algorithm on power transmission lines images[C].Applied Mechanics & Materials，2012：337-343.

[8] 黄宵宁，张真良.直升机巡检航拍图像中绝缘子图像的提取算法[J].電网技术，2010，34（1）：194-197.

[9] GIRSHICK R，DONAHUE J，DARRELL T，et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C].IEEE Conference on Computer Vision and Pattern Recognition， 2014：580-587.

[10] GIRSHICK R. Fast R-CNN[C].International Conferenceon Computer Vision， 2015：1440-1448.

[11] REN S， HE K， GIRSHICK R， et al. Faster R- CNN： towards real- time object detection with region proposal networks [C]. Neural Information Processing Systems， 2015.

[12] ZEILER M D， FERGUS R. Visualizing and understanding convolutional networks[J]. Springer International Publish-ing， 2014，8689：818-833.

[13] HE K， ZHANG X， REN S，et al.Deep residual learning for image recognition[J].Computer Vision and Pattern Recognition， 2016.

[14] RAZAVIAN A S， AZIZPOUR H， SULLIVAN H，et al.CNN features off-the-shelf： an astounding baseline for recognition[C]. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）， 2014：512-519.

[15] LI F F， PERONA P. A bayesian hierarchical model for learning natural scene categories[C]. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR）， 2005：524-531.

（责任编辑：黄 健）