输电线路导线断股和表面损伤识别技术

曾军　赵子根　刘景立　刘宏君　曹磊　耿少博　万红艳

摘要：为找出输电线路中潜在的断股导线和表面损伤故障并防止其进一步恶化，提出了一种基于无人机巡检的输电线路导线断股和表面缺陷的识别方法。首先，通过无人机获得导线图像;然后，在通过灰度方差归一化方法（GVN）进行增强处理之后，通过自适应阈值分割来提取导线区域。其次，通过其灰度分布曲线的方波变换（SWT）检测导线断股。同时，通过导线区域的GVN图像的投影算法来识别导线表面缺陷。最后，计算断股数并分割得到可疑缺陷，获得最终的故障诊断结果。通过一系列实验分析了该技术的性能，结果表明该方法可以测量导线断股和表面缺陷故障，平均准确度分别為90.45%和92.05%。

关键词：关导线断股;表面缺陷;图像处理;输电线路

DOI：10.15938/j.jhust.2022.02.016

中图分类号： TM726.4

文献标志码： A

文章编号： 1007-2683（2022）02-0122-11

A Recognition Technology of Transmission Lines

Conductor Break and Surface Damage

ZENG Jun ZHAO Zi-gen LIU Jing-li LIU Hong-jun CAO Lei GENG Shao-bo WAN Hong-yan

（1.Baoding Power Supply Company of SGCC， Baoding 071000; 2.CYG SUNRI CO.， LTD. Shenzhen 518057;

3.State Grid Hebei Electric Power Limited Company， Shijiazhuang 050021）

Abstract：In order to find out the potential strands break and damage faults and prevent its further deterioration， a recognition method of conductor break and surface defects in transmission lines′ unmanned aerial vehicle （UAV） inspection is presented in this paper. First， a conductor image is obtained by the UAV image acquisition system， and then， the conductor region is extracted by the adaptive threshold segmentation after the enhancement processing by the gray variance normalization method （GVN）. Second， the conductor break is detected by the square wave transformation （SWT） of its grayscale distribution curves， which is simple and effective. Meanwhile， the conductor surface defects are identified by the projection algorithm of the GVN image of the conductor region. Finally， calculating the number of broken strands and filtering the suspect defects， the final fault diagnosis results can be obtained. We analyze the performance of the technology by a series of experiments， and the results show that the proposed method can measure the conductor break and surface defects faults with the average accuracy of 90.45% and 92.05%， respectively.

Keywords：conductor break; surface defects; image processing; transmission lines

0引言

钢芯铝绞线（aluminum conductors steel-reinforced，ACSR）作为高压输电线路的重要组成部分，起着输送电能和耐受机械强度的双重作用。由于长期暴露在野外环境中，受风力、覆冰、导线舞动、环境侵蚀等影响，ACSR容易发生各种类型的损伤，从表面损伤到局部断裂，进而发展为整个钢芯铝绞线的断股[1-4]。铝绞线损坏后，承载能力降低，导线断股风险增大，对导线、输变电设备和人身安全构成潜在风险[5，6]。

为了有效地提高输电线路的运行效率，降低故障频率，国内外许多研究机构对输电导线的组成材料、故障机理和运行状态进行了大量的研究[1，7-12]，取得了一些研究成果，如输电导线组成材料的改进、导线表面损伤的微观变化过程、断线的故障检测等。这些方法主要从材料和机理上进行预防，对运行中导线存在的断股、破损等问题主要采用人工检测，这种方法费时、准确度低、安全性差。

近年来，随着航空图像传感器和计算机视觉技术的飞速发展，无人机检测技术在输电线路中得到了广泛应用。研究学者提出了不同的算法用于航空图像中的输电线路检测和提取[13-15]，也有学者则聚焦在航空绝缘子图像的分割和故障检测算法以及高压线路鸟巢的检测[3，16，17]。此外，视觉技术也被用于焊道和轨头的缺陷检测，以及金属导线铺设长度的测量[18];然而，由于图像采集的局限性以及硬件条件影响，目前视觉算法还未应用于导线断股和缺陷监测。

本文提出了一种基于航空图像处理的输电线路断股和缺陷的测量方法，该方法利用航空视觉系统和图像处理算法，获取导线的断股和其他缺陷信息。视觉系统获取输电导线图像的多个视图，用于提取导线不同区域。通过分析导线区域灰度分布信息，可以利用所提出的Z形波形模型对导线断股进行分析，利用导线区域投影算法对导线表面缺陷进行检测，实现了输电导线的断股和缺陷监测。

1输电线路导线断股与缺陷检测技术

提出的导线断股和表面缺陷在线检测技术由3部分组成：基于航空视觉传感器和无人机（unmanned aerial vehicle，UAV）的在线监测装置、4G通信网络、安装了导线断股及缺陷分析软件的监控中心。在搭建的无人机巡查系统中，在无人机上安装了高清晰度数码相机，当无人机在输电线路上空移动时，可捕捉输电线路的图像，然后将获得的图像压缩，通过4G通信网络发送到监控中心。在此基础上，利用嵌入了相应算法的导线缺陷分析软件，最终实现导线缺陷的自动分析。本文所提出的检测技术框图如图1所示。

1）图像采集装置

图像采集装置主要部件是大疆DJI JY-UAV-10无人机，它携带1台分辨率为1 200万像素、快门速度为8～1/8 000 s的数码相机。利用4G通信模型将导线图像传输到地面监控中心，并接收监控中心的时间设置、采样间隔、实时采样甚至航空图像采集传感器初始化等命令[19-20]。

2）监控中心

监控中心由计算机、视频服务器和数据库服务器组成。计算机中安装了图像接收和压缩软件以及导线缺陷分析软件。经过图像接收和解压软件生成导线图像后，由导线断股和缺陷分析软件进行处理，有效地检测图像中可能存在的缺陷。使用的分析软件是结合VC++和HALCON开发的，主要功能包括图像实时导入、算法分析、故障诊断、报警传输、图像显示和缺陷信息显示;专用数据库建立在Oracle 11g中。

2导线断股和表面缺陷识别分析算法

图像分析算法模块包括3个主要模块：导线提取、导线断股检测和表面缺陷识别。

2.1导线提取

无人机拍摄的线图像都是彩色（RGB）图像，为了减少待处理的数据量，提高运算效率以及突出导线区域，需要对拍摄的图像进行颜色转换或灰度处理。由于在线图像采集装置易受到自然光的影响，采集得到的图像中导线表面颜色容易出现明暗不一。此外，图像中导线部分的清晰度高于背景中的树木、建筑物和道路。在传统的图像处理方法中，对目标图像进行灰度化的实质是对每个像素的灰度值进行处理，但是对无人机采集得到的图像进行像素处理，会严重降低处理结果的精度[21，22]。基于此，使用GVN方法对图像进行灰度处理，这种方法对像素灰度值离散度的处理，以图2所示图形介绍其具体计算步骤[23]：

其中q为图3中阴影部分像素的灰度方差。使用图2（a）中的3×3模板扫描整个图像，可以获得与原始图像相对应的完整灰度方差图。 此外，每个像素的灰度方差可以用式（3）计算：

其中：m（x，y）为图像在坐标（x，y）处的归一化灰度值;q为灰度方差图中的最大值;q为灰度方差的最小值;q为灰度方差图中坐标（x，y）处的灰度值。

对于不同图像，GVN处理结果与其他灰度处理方法的结果如表1所示。加权平均灰度法只能实现基本的灰度处理;饱和分量法只能在背景与导线有很大差异时亮化导线区域，在类似的灰色背景下，其鲁棒性较差;直方图均衡化方法优于加权平均灰度法和饱和分量法，但也不能有效抑制背景干扰，给后续分割带来很大挑战。相比之下，本文提出的灰度方差归一化（gray variance normalization，GVN）方法具有抗背景干扰能力强、清晰度和对比度高等优点，同时也利于后续的图像分割。

基于GVN的处理结果，采用自适应阈值分割结合形态学的方法对导线进行分割。与基于普通灰度处理或增强图像的分割方法相比，该方法对导线的分割效果更好。

4幅图像在不同条件下的分割结果如表2所示。基于灰度或增强处理的图像分割结果显示在第三列，分割结果中仍然有一些背景噪声，并且部分图像分割不完整。而基于GVN方法的4幅图像分割效果都比较理想，可以有效避免外界因素的影响。

2.2导线断股检测

导线部分分割完成后，可着重分析没有背景干扰的导线图像，提取的导线图像需映射回其GVN图像，因为GVN图像上的灰度分布是導线断股检测的重要参数。以图3为例深入分析导线断股检测方法，主要分为3步：灰度分布提取、方波变换和断股识别。铝绞线的灰度分布直接反映了导线表面的完整性，使用方波变换（the square wave transformation，SWT）可突出其灰度分布的周期性[24]。最后，通过分析所获得的各Z形波形的宽度，得到传输导线断股的情况。

2.2.1灰度分布提取

如图3所示，每根导线表面的灰度值均高于之间空隙的灰度值，根据钢芯铝绞线的结构，最外层未断股导线表面的灰度分布将呈现完整的“循环”特征。由于不同层的铝绞线缠绕方向相反，缠绕角度不同，一旦发生导线断股，不仅使导线断股处隆起或与原导线分离，而且使内部铝绞线裸露出来，此时将导致外层铝绞线横向间距发生变化，由于导线断股使得内层铝绞线裸露，此处灰度值较低，将进一步破坏原有的灰度值周期性特征。

基于上述分析，将导体断股检测转化为导体表面灰度分布的周期性检测。首先，通过最小二乘法（least square fitting，LSF）拟合得到导线的中心轴，如图4所示。

由于断股的导线没有完全从内层导线上散开，仅在中心轴上检测断股导线是不够的。因此，首先得到导体直径所占据的像素数，然后分别提取导线厚度为1/4、1/2和3/4轴上的灰度值分布。由于输电导线常年裸露，受各种噪声的影响，导线表面的高灰区常出现一些低灰点。这将影响循环灰度值分布的准确提取，导致断股的检测错误。因此，在提取各轴上的灰度值分布时需要进行中值滤波处理，最终结果如图5所示。

2.2.2方波变换

2.2.3断股识别

为了清楚地描述每个Z形波形的宽度变化，有必要对每个Z形波形的宽度p进行统计分析。各轴的统计结果如图7所示。

图7中，x坐标表示每个Z形波形的标记号，y坐标表示每个Z形波形的宽度（以像素为单位）。在图7中，大多数Z形波形宽度接近，代表导线未出现断股。此外，部分Z形波形的宽度比未断股处的铝绞线要大或小得多。

基于上述观测结果，Z形波形的宽度可以用来区分导线断股区和导线未断股区。因此，获得单根未断股导线的水平宽度尤为重要，可进一步测量断股绞线的数量。

根据摄像机标定，可获得单根铝绞线直径宽度所占用的像素数，如图8中的w所示。假设外层铝绞线以α角度进行缠绕（忽略其微小变化），单根铝绞线的水平宽度，即图8中的l可以表示为w/sinα。

在上述分析的基础上，以w/sinα为基准，根据实际需要选择合适的检测精度υ。

如果Z形波形的宽度满足|P-w/sinα|SymbolcB@υ，其中P表示第i个Z形波形的宽度，则它被识别为导线未断股;反之，如果Z形波形的宽度满足|P-w/sinα|>υ，则认为导线波形异常，存在断股现象。

此外，为了直观获得断股Z形波形的宽度变化，可对相邻异常波形的宽度求和：将图7中相邻异常波形的宽度叠加，结果如图9所示。其中x轴代表叠加后Z形波形，y轴代表增强处理后Z形波形的宽度分布，单位仍为像素。

根据图9，经过相邻异常波形宽度叠加后，结果出现明显的峰值，与可疑断股的位置一致，断股数越多，其峰值越大。此外，假设图10中H代表第k个可疑断股区域的宽度，可从y轴读取具体的宽度值。l表示导线断股数目，则l可表示为l=|H/|w/sinα||，其最大值l是铝绞线实际断股数。例如，根据图9（b）w/sinα约为100像素，峰值约为228像素和200像素的点位疑似断股区域，则可确定在中心轴上有2个位置出现断股。结合1/4厚度和3/4厚度轴的分析结果，可以综合确定断股的位置和数量。

2.3导线缺陷识别

将导线的分割结果映射到其GVN图像，结果如图10所示。对比图10（a）和图10（b），可以观察到在导线的GVN图像中，导体表面存在表面缺陷的灰度值比其他区域的更高，并且缺陷的像素聚集在一起。因此，如果缺陷部位呈纵向分布，则列方向上的归一化灰度方差值之和将较大。类似地，如果缺陷呈横向分布，则局部区域的行方向上的和也将变大，基于此提出了PGVN算法。

PGVN算法包括3个主要步骤：垂直投影、局部水平投影和缺陷识别。首先，分析导体区域GVN图像的垂直投影，定位缺陷的水平可疑位置;其次，分析第一步得到的局部图像的水平投影;最后，根据前面两步及滤波处理，用矩形标识每个可疑缺陷位置。

2.3.1垂直投影

针对图10（b）中导体的GVN图像，其垂直投影的具体计算过程为：

其中F（x，y）为坐标（x，y）处的归一化灰度方差值;m表示每列中F（x，y）的总和。

垂直投影的结果如图11（a）所示，其中包括许多局部峰值。局部小峰值主要由噪声引起，需要通过中值滤波进行平滑处理。图11（b）给出了图11（a）的平滑结果。

为了明确缺陷的可疑位置，对垂直投影的结果进行阈值化处理，其中阈值T被设置为垂直投影中最大和最小灰度值的平均值，即T=（M′+M′）/2。如果m大于T，则显示其阈值T的差值;否则显示为零，如图12所示。

此外，对图12中的结果进行高通滤波处理，滤波宽度设置为单股铝绞线的半径r。如果水平轴上峰值的像素范围小于r，则将其过滤掉;否则保持原值。

2.3.2局部水平投影

局部水平投影与垂直投影类似，只是水平投影是通过分析由上述垂直投影确定的局部子图像中每行的归一化灰度方差值之和来执行的。

首先，通过下式给出其水平投影的具体计算过程：

其中：F（x，y）为坐标（x，y）处的归一化灰度方差值;m表示每行中F（x，y）的总和。将m经过中值滤波平滑处理。

其次，按照m的处理顺序，利用閾值高通滤波和缺陷标记对m进行处理。最后，根据高通滤波结果对应的水平坐标，得到可疑缺陷的起始位置和终止位置。

2.3.3缺陷识别

3导体表面缺陷检测算法性能测试

主要分析了导线断线检测算法和导线表面缺陷识别算法的性能。测试中使用的所有图像均是使用无人机拍摄的实际输电线路的图像。

3.1导线断线检测算法性能测试

3.1.1算法验证

为了系统地验证本文提出的导线断线检测算法的有效性和实用性，以2幅现场图像为例进行了处理和分析，一幅是三股铝绞线断裂的导线损伤图像，另一幅是未断股的导线图像。检测处理的流程图如图15所示。

原始图像如图15（a）所示。图15（b）是各图像的导体区域的中心轴提取结果。图15（c）显示了导体3个横向轴上的灰度值分布图。可以观察到，未断股导体轴上的灰度值分布具有完美的周期性特征。

对于断股导线，当轴线穿过未损伤部分时，其灰度值仍呈一定的周期性分布;当轴线穿过断股铝绞线区域时，其灰度值的周期性分布被破坏。图15（d）显示了SWT的结果，很明显，未断股导体图像的Z形波形彼此具有几乎相同的宽度，而对应于断股铝绞线部分的Z形波形具有局部的宽度突然增加或连续减小。在图15（e）所示的每个轴上Z形波形宽度的统计分布中，这种现象更为明显。图15（f）显示了相邻异常Z形波的宽度叠加结果。整个导线上断股铝绞线的位置在图15（f）中一目了然。Z形波形宽度叠加结果中的最大值告诉我们，断股导线中有3根断铝绞线，这与实际情况相符。

3.1.2现场数据验证

如表3所示，构建了1个包含400幅简单背景下的现场图像和400幅复杂背景下的图像集，验证了导线断股检测算法的有效性和鲁棒性。结果表明，简单条件下的检测精度高于复杂条件下的检测精度，平均检测精度可达90.45%，能有效地检测出输电线路中的导线断线。

3.2导体表面缺陷检测算法性能测试

3.2.1算法验证

为了验证本文提出的导体表面缺陷识别算法的有效性和实用性，以含有多个表面缺陷的场图像为例进行了验证。检测过程如图16所示。

从图16（a）可以看出，通过对导体区域的GVN图像进行垂直投影和高通滤波，可以有效地突出显示水平方向上含有缺陷的可疑列，从而有效地缩小可疑导体缺陷区域的检测范围，进而得到含有缺陷的3个子图像通过柱分割得到缺陷。此后，如图16（b）所示，与垂直投影相同，首先分别计算每个子图像的局部水平投影，并且依次通过中值滤波、阈值处理和高通滤波来处理每个投影结果。然后对每个子图像进行行分割，确定可疑缺陷的位置。最后，根据筛选原理，滤除小干扰区域，最终结果如图16（c）所示。

3.2.2现场数据验证

同样，为了验证导体缺陷检测算法的有效性和鲁棒性，以400幅简单背景下的航空图像和400幅复杂背景下的航空图像作为数据集。表4中的实验结果表明，简单条件下的检测精度高于复杂条件下的检测精度，平均检测精度可达92.05%，能够有效地检测出输电线路中的导体表面缺陷。

4结语

综上所述，本文提出了一种基于图像处理的输电线路导线断股和表面损伤检测技术。GVN增强处理方法可以从不同背景的无人机航拍图像中亮化导线，利于后续导线区域的分割;然后，通过分析导线区域GVN图像的灰度分布，识别和定位导线断股，利用导线区域GVN图像上的垂直投影和水平投影也可识别和定位导线表面缺陷;最后，在不同的背景下对所提出的算法的性能进行了广泛的评估，试验结果验证了该方法的有效性、鲁棒性和实用性，导线断股识别的平均故障检测准确率可达90.45%，导线表面缺陷识别的平均故障检测准确率可达92.05%，该技术可应用于输电线路无人机巡检系统中。

该技术能够在无人机拍摄的图像上识别出导线断股和导线表面缺陷，但无法确定故障在整个输电线路中的具体位置。同时，该技术在故障检测过程中不能自动区分故障类型。因此，有许多方向值得进一步研究。首先，需要更先进的方法来有效地区分不同类型的故障，以便更好地评估输电线路的状态;其次，随着全景图像采集技术的发展，通过摄像机标定可以得到全线故障的具体位置;最后，将图像处理技术与不受复杂场环境和光照影响的传感器技术相结合，对导线上的其他故障进行定位和检测，还需要进一步的工作。

参 考 文 献：

[1]吕志宁.输电线路常见故障分析与检测方法综述[J].自动化与仪器仪表，2020（1）：161.LÜ Zhining. A Survey of Common Faults Analysis and Detection Methods for Transmission Line [J]. Automation & Instrumentation，2020（1）：161.

[2]缪希仁，刘志颖，鄢齐晨.无人机输电线路智能巡检技术综述[J].福州大学学报（自然科学版），2020，48（2）：198.MIAO Xiren， LIU Zhiying， YAN Qichen. Review on UAV Intelligent Technology for Transmission Line Inspection [J]. Journal of Fuzhou University（Natural Science Edition）， 2020，48（2）：198.

[3]毛天奇，王传策，李云，等.基于SGC算法的复杂背景无人机巡检图像输电线提取方法[J].智慧电力，2018，46（12）：105.MAO Tianqi， WANG Chuance， LI Yun， et al. Transmission Line Extraction Method Based on SGC Stereo Matching Algorithm for UAV Inspection Image Under Complex Background [J]. Smart Power， 2018，46（12）：105.

[4]杨耀权，杨朔.基于数字图像处理的单条输电线路曲线提取[J].科学技术与工程，2016，16（28）：90.YANG Yaoquan，YANG Shuo. Curve Extraction of Single Transmission Line Based on Digital Image Processing [J]. Science Technology and Engineering， 2016，16（28）：90.

[5]赵常威，李森林，程登峰，等.基于切比雪夫多项式描述子的复杂背景下输电线路提取算法[J].计算机测量与控制，2017，25（12）：170.ZHAO Changwei， LI Senlin， CHENG Dengfeng， et al. Transmission Line Extraction Algorithm Based on Chebyshev Polynomial Descriptors in Complex Background [J]. Computer Measurement & Control， 2017，25（12）：170.

[6]黄新波，章小玲，張烨，等.基于径向基概率神经网络的输电导线缺陷状态识别[J].电力系统自动化，2020，44（3）：201.HUANG Xinbo，ZHANG Xiaoling，ZHANG Ye， et al. State Identification of Transmission Line Defect Based on Radial Basis Probabilistic Neural Network [J]. Automation of Electric Power Systems，2020，44（3）：201.

[7]高晓东，郑连勇，王蔚，等.基于图像识别的无人机输电线路断股检测系统设计[J].现代电子技术，2017，40（20）：162.GAO Xiaodong，ZHENG Lianyong，WANG Wei， et al. Image Recognition Based Detection System for Broken Strand Defects in Transmission Line of Unmanned Aerial Vehicle [J]. Modern Electronics Technique， 2018，46（5）：89.

[8]石广宇，曹军，张怡卓.基于迁移学习的木材缺陷近红外识别方法研究[J].电机与控制学报，2020，24（10）：159.SHI Guangyu， CAO Jun， ZHANG Yizhuo. Near Infrared Wood Defects Detection Based on Transfer Learning [J]. Electric Machines and Control， 2020，24（10）：159.

[9]刘长银，王义春，侯艳权，等.无人机电力巡检中的输电线路断股检测与定位[J].黑龙江电力，2020，42（4）：314.LIU Changyin，WANG Yichun，HOU Yanquan， et al. Detection and Location of Broken-Strand Transmission Lines in UAV Power Inspection [J]. Heilongjiang Electric Power， ，2020，42（4）：314.

[10]史春雪. 基于计算机视觉的高压输电线路缺陷检测研究[D].北京交通大学，2020.

[11]WU Y， SUI Y， WANG G. Vision-Based Real-Time Aerial Object Localization and Tracking For UAV Sensing System[J]. IEEE Access， 2017， 5： 23969.

[12]HUANG X， YANG L， ZHANG Y， et al. AMeasurement Technology of Space Distance Among Transmission Bundle Conductors Based on Image Sensors[J]. IEEE Transactions on Instrumentation and Measurement， 2018， 68（10）： 4003.

[13]LINS R G， GIVIGJ S N， KURKA P R G. Vision-Based Measurement for Localization of Objects in 3-D for Robotic Applications[J]. IEEE Transactions on Instrumentation and Measurement， 2015， 64（11）： 2950.

[14]LI Q， REN S. AReal-Time Visual Inspection System for Discrete Surface Defects of Rail Heads[J]. IEEE Transactions on Instrumentation and Measurement， 2012， 61（8）： 2189.

[15]PLU J， XU X， LI X， et al. Detectionof Bird′S Nest in High Power Lines in the Vicinity of Remote Campus Based on Combination Features and Cascade Classifier[J]. IEEE Access， 2018， 6： 39063.

[16]MIAO X， LIU X， CHEN J， et al. InsulatorDetection in Aerial Images for Transmission Line Inspection Using Single Shot Multibox Detector[J]. IEEE Access， 2019， 7： 9945.

[17]曾勇斌，王星華，彭显刚，等.输电线路缺陷风险建模及其预测方法研究[J].电力系统保护与控制，2020，48（10）：91.ZENG Yongbin， WANG Xinghua， PENG Xian′gang， et al. Research on Risk Modeling and Forecasting Method of Transmission Line Defects [J]. Power System Protection and Control，2020，48（10）：91.

[18]赵升，赵黎.基于双向特征金字塔和深度学习的图像识别方法[J].哈尔滨理工大学学报，2021，26（2）：44.ZHAO Sheng， ZHAO Li. On Image Recognition Using Bidirectional Feature Pyramid and Deep Neural Network [J]. Journal of Harbin University of Science and Technology， 2021，26（2）：44.

[19]杨可军，杨建旭，陈思宝，等.基于深度可分离卷积及SVD输电线路缺陷检测[J].智慧电力，2020，48（10）：64.YANG Kejun，YANG Jianxu，CHEN Sibao， et al. Methods of Defect Detection in Transmission Line Based on Depthwise Separable Convolution and SVD [J]. Smart Power， 2020，48（10）：64.

[20]苏素平，李虹，孙志毅，等.无人机图像的输电线断股检测方法研究[J].太原科技大学学报，2021，42（1）：32.SU Suping，LI Hong，SUN Zhiyi， et al. Research on Detection Method of Transmission Line Breaking of UAV Image [J]. Journal of Taiyuan University of Science and Technology，2021，42（1）：32.

[21]杨剑锋，秦钟，庞小龙，等.基于深度学习网络的输电线路异物入侵监测和识别方法[J].电力系统保护与控制，2021，49（4）：37.YANG Jianfeng， QIN Zhong， PANG Xiaolong， et al. Foreign Body Intrusion Monitoring and Recognition Method Based on Dense-Yolov3 Deep Learning Network [J]. Power System Protection and Control， 2021，49（4）：37.

[22]王照，黄若榕，周煜.基于图像处理技术的配电线路导线断股散股缺陷检测[J].电视技术，2020，44（6）：79.WANG Zhao， HUANG Ruorong， ZHOU Yu. Detection of Broken Strands and Loose Strands of Distribution Lines Based on Image Processing Technology [J]. Video Engineering， 2020，44（6）：79.

[23]危雙丰，黄帅，曹文博，等.基于航拍影像的输电线路绝缘子识别及缺陷检测[J].工程勘察，2020，48（4）：39.WEI Shuangfeng， HUANG Shuai， CAO Wenbo， et al. Identification and Defect Detection of Transmission Line Insulator Based on Aerial Images [J]. Geotechnical Investigation & Surveying，2020，48（4）：39.

[24]李泊，陈诚.面向航拍图像的农村配电网导线断股检测[J].中国电力，2019，52（1）：82.LI Bo， CHEN Cheng. Broken Strands Detection of Transmission Line for Rural Distribution Network Based on Aerial Image [J]. Electric Power， 2019，52（1）：82.

（编辑：温泽宇）