基于深度学习的输电线路绝缘子检测

摘 要：为进一步提高输电线路绝缘子检测精度，本文将深度学习算法与图像处理技术相结合来提高输电线路绝缘子检测。试验结果表明，蚂蚁算法的检测精度为94.31%，随机森林算法的检测精度为85.27%，较深度学习算法模型增加2.19%、11.83%，深度学习算法模型的绝缘子缺陷检测精度高于随机森林算法和蚂蚁算法。当绝缘子被障碍物遮挡时，深度学习算法模型仍能有效识别绝缘子，准确识别图像左端绝缘子的故障区域。因此利用深度学习算法模型可以有效识别绝缘子及其缺陷。

关键词：深度学习；输电线路；绝缘子

中图分类号：TP 391 文献标志码：A

绝缘子悬挂在电力线上，可以进一步增加传输距离，减少电流损耗，并抵消电路的电容效应[1]。当绝缘子长时间暴露在外部环境中时，易受气候和其他因素的影响出现生锈和破损。为保证电力线稳定运行，必须定期检查电力线中的绝缘子，以消除故障因素。无人机检测技术可以显著提高电力线路检测的效率。但是无人机采集的图像数据量巨大，人工检测方法的效率有限，难以满足检测任务的要求[2]。因此，利用图像处理技术和机器视觉技术对无人机数据进行自动检测可以显著提高检测效率。

深度学习是人工智能领域最具有代表性的研究方向之一，在机器视觉领域具有广泛应用，并取得显著发展。目前，深度学习方法已经成功应用于目标检测、图像分割、目标跟踪和图像分类等多个任务中[3]。由于绝缘子在输电线路中广泛分布且形状多样、尺寸不一，因此研究绝缘子的检测算法具有重要意义。

基于此，本文利用图像处理技术和深度学习算法进一步提高绝缘子检测，深入研究绝缘子故障检测区域，并利用图像预处理、图像增强和图像过滤等技术对无人机图像进行处理。

1 基于深度学习的绝缘子检测模型

为实现绝缘子的准确检测，本文基于深度学习算法构建绝缘子检测模型，该模型分为数据集和训练2个部分。在数据集中，将收集的所有绝缘子图像按照不同大小、不同分辨率分别整理为训练集和测试集。训练模型时，采用深度学习算法在不改变原有网络架构的情况下对多尺度目标进行准确分类。同时根据不同大小、不同分辨率的绝缘子图像对训练集中所有绝缘子的比例进行随机初始化，并采用深度学习算法对绝缘子进行检测[4]。为进一步提高绝缘子检测的准确性，对测试集中的每一张绝缘子图像的大小、分辨率进行检测，以提高绝缘子检测的准确性。

深度学习模型在YOLOv5基础上继续优化，是一款十分优秀的检测器。深度学习模型在网络结构中引入ELAN模块，有效强化了网络学习能力，与YOLOv5相比，深度学习模型在检测准确度和速度方面具有明显优势。在深度学习模型模型中的卷积层和池化层相互叠加的过程中，通常会在深度学习模型网络模型的末尾处添加适量的全连接层。卷积层和池化层的主要作用是将原始的图像数据映射到隐层特征空间，并逐步提取、组合出更具区分性的节点特征。而全连接层则是将深度学习模型中所有的特性由节点映射转化为一个样本标注的空间。其中，全连接层的实质是一个属性空间与另外一个属性空间间的转换，并对预处理后的属性进行权重计算，其计算方法如公式（1）所示。

Y=F（WX+b） （1）

式中：X和Y分别为深度学习模型模型全连接层的输入和输出特征信息；W为全连接层的权重参数；b为偏置向量；F（）为激活函数。

激活函数可以增加模型的非线性表达能力，从而使深度学习模型模型更灵活，并具有适应性。

为进一步提高输电线路绝缘子检测，本文将原网络中的深度学习算法增加了多尺度特征提取模块，并通过金字塔池化策略提升网络对小尺寸目标的识别能力，从而使深度学习算法具有更高的检测精度。同时，该算法还提出了一种新型通道注意力机制，能够充分挖掘不同尺度目标的信息，有效缓解大尺寸目标检测时的漏检问题。此外，YOLOv3在原网络中增加了检测框回归模块，使目标检测精度得到进一步提升。

2 图像数据集的处理

2.1 图像预处理

本文使用的所有图像数据均来自国家电网和输电线路研究机构在Github上的公开数据。由上述途径获得的数据存在清晰度差、容量小等问题，使图像检测算法的研究受到一定限制。在无人机巡检输电线路的过程中，多种因素会影响图像捕捉过程[5]。例如，无人机拍摄图像背景与绝缘子的颜色接近，导致图像中的分离特征不明显，进一步影响检测算法效果。因此需要利用图像增强技术手段，调整图像像素的对比度，提高其亮度。

2.2 图像增强

本文利用直方图均衡进一步提高增强图像分辨率。在绘制直方图过程中，可根据各灰度等级的统计概率，采用延伸运算，使2个区域中的像素平均分布。同时通过对原始图像进行预处理和增加锚框等操作来扩大候选区域，对候选区域进行分类识别，利用边界框和像素坐标实现绝缘子检测。用变量r表示待处理图像的灰度值，用s表示输出的灰度值，则图像增强可以利用公式（2）进行计算[6-8]。

s=T（r） （2）

式中：T（r）为映射函数。

其中的T值域必须满足2个条件（L=256，T（r）位于0～L-1，并且r在0上单调递增到L-1），并利用累积分布函数表示随机变量的概率分布，其函数如公式（3）所示[9]。

由于图像像素分布近似于离散函数，因此公式（3）又可简化为公式（4）。

式中：r为变量；pr（i）为图像中第i个灰度级出现的概率。

2.3 图像过滤

在无人机检测系统获取图像过程中，图像数据的生成、传输和存储过程易受噪声的影响（噪声主要包括脉冲噪声和高斯噪声），针对无人机检测图像数据集的特点，本文采用高斯滤波和中值滤波方法消除图像中的噪声。

2.3.1 中值滤波

中值滤波是一种常用的去噪方法。利用无人机探测影像灰度，将相邻像素按照顺序排列，得到中心点的灰度值。中值滤波是一种基于噪声大小调节窗的方法，其计算过程如公式（5）所示。

gx，y=median[fx，y] （5）

式中：gx，y和fx，y分别为原始图像和处理后的图像；median[]为中值。

2.3.2 高斯滤波

高斯滤波器是一种常用的去除高斯白噪音的线性滤波器。高斯噪声的一个特性是服从高斯分布模态。高斯滤波器的结果是对邻近像素点进行加权平均。因为高斯函数为单数值，所以离影像中央较近的像素权较大。高斯函数双向旋转对称且沿各个方向光滑，其计算过程如公式（6）所示。

式中：（x，y）为横轴、纵轴的点坐标；σ为标准差。

滤波器的平滑效果和宽度均由参数σ决定。σ值越大，图像越平滑。过滤结果如图1所示。结果表明，过滤后的绝缘体子特征显著且其分辨率也较高，能够更好地提升今后试验模型的探测性能。

3 结果与讨论

3.1 试验数据和实验平台

实验平台使用的操作系统为Windows10，CPU为英特尔酷睿i7-10700KF，主频为3.80GHz，内存为64GB，GPU为英伟达™（NVIDIA®）GeForceRTX3080，显存为8GB。本试验中的深度学习模型训练采用CUDA加速，每周期对4000幅图像进行一次迭代训练，周期在4个GPU上进行迭代训练。在训练过程中，学习率设置为2×10-2，权重衰减值设置为0.0005。在获取训练样本的过程中，每幅图像采样256次，正、负样本的比例设置为1∶1。利用深度学习模型，将区域生成网络提取的正样本IOU（评估模型预测的边界框）的最小值设为0.7，负样本IOU的最大值设为0.3。完成试验筛选后，如果正样本不足，就由负样本填补，并使用组归一化对深度学习模型参数进行全局归一化。

3.2 绝缘子检测性能比较

为进一步探究绝缘子检测性能，本文将深度学习算法模型、随机森林算法与蚂蚁算法的检测精度、时间、准确率进行比较。深度学习算法模型与随机森林、蚂蚁算法等不同算法检测模型的检测性能比较见表1。由表1可知，蚂蚁算法的检测精度为94.31%，随机森林算法的检测精度为85.27%，比深度学习算法模型增加2.19%、11.83%，深度学习算法模型的绝缘子缺陷检测精度高于随机森林算法和蚂蚁算法。深度学习算法模型的绝缘子识别准确率略高于蚂蚁算法，而随机森林算法的识别准确率较低，仅为88.52%，进一步表明深度学习算法和随机森林算法对图像特征识别效率较高，可准确识别绝缘子。蚂蚁算法对绝缘子缺陷的检测精度较高，但是蚂蚁算法模型结构较复杂，会延长检测时间，导致蚂蚁算法检测时间高达65.21 ms。深度学习算法模型的检测时间仍优于随机森林算法和蚂蚁算法，最小检测时间为55.32 ms，可见深度学习算法模型具有较好的性能，可满足绝缘子实时检测要求。

3.3 图像对比试验结果分析

深度学习算法模型与随机森林算法对同一图像的检测效果对比如图2所示，图2（a）为随机森林算法的检测结果，图2（b）为深度学习算法检测结果。

比较最上面一行图像的结果可以看出，随机森林算法虽然能有效识别绝缘子，但是没有效检测到绝缘子左端的缺陷故障，从而影响维修工作效率。而深度学习算法模型可以准确检测出绝缘体故障区域，显著提高故障检测效率。比较第二排图片的结果可以看出，深度学习算法模型与随机森林算法均可有效识别绝缘子，主要原因是第二排图片分辨率较高，绝缘子特征识别效果较好。比较第三行图像的结果可以看出，随机森林算法无法识别图中右侧的绝缘子，其主要原因是绝缘子易被障碍物所遮挡，导致图像识别效果不佳，严重影响了电力系统的运行安全。但当绝缘子被遮挡时，深度学习模型仍然能够对绝缘子进行有效识别，还可以准确识别图像左端绝缘子的故障区域。综上所述，利用深度学习算法模型可以有效识别绝缘子故障。

3.4 检测时间和计算内存比较分析

为进一步验证深度学习算法模型在输电线路绝缘子检测中的效果，本文将深度学习模型算法模型与其他检测模型（YOLOv3、YOLOv4和YOLOv5）的检测时间和计算内存进行比较，试验结果见表2。由表2可知，YOLOv3和YOLOv4节点数量为608和638个，模型节点数量越多，检测时间就越长。受实际输电线路绝缘子检测环境影响，较多的节点会进一步降低检测准确率。而深度学习模型算法的节点数量仅为121个，比YOLOv3和YOLOv4分别减少80.9%、81.03%。而YOLOv3和YOLOv4计算内存分别为227.88MB和238.62MB，深度学习模型算法的计算内存比YOLOv3和YOLOv4分别减少80%和81%。同时可观察到深度学习模型算法在检测时间方面具有较好的性能，检测时间仅为10s，与YOLOv3和YOLOv4算法的检测时间相比，深度学习模型的检测时间分别减少50%和30%。而YOLOv5的检测时间最长，比深度学习模型增加120%，进一步表明深度学习模型算法模型具有较高的检测效率。

4 结论

蚂蚁算法的检测精度为94.31%，随机森林算法的检测精度为85.27%，比深度学习算法模型增加2.19%、11.83%，深度学习算法模型的绝缘子缺陷检测精度高于随机森林算法和蚂蚁算法。

随机森林算法虽然可有效识别绝缘子，但是没有效检测到绝缘子左端的缺陷故障，会进一步影响维修工作效率。而深度学习算法模型可以准确检测出绝缘体故障区域，显著提高故障检测效率。

参考文献

[1]霍一凡，衣丽葵，李佳玉，等.基于改进深度学习模型的输电线路绝缘子外部缺陷检测方法研究[J].沈阳工程学院学报（自然科学版），2024，20（2）：54-59，67.

[2]王伯涛，周福强，吴国新，等.基于改进深度学习模型的输电线路绝缘子识别检测研究[J].电子测量技术，2023，46（23）：127-134.

[3]胡梦雪，王勇.基于改进型YOLOv4的输电线路绝缘子识别与故障检测[J].微型电脑应用，2023，39（9）：19-22.

[4]苟军年，杜愫愫，刘力.基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测[J].电工技术学报，2023，38（1）：47-59.

[5]刘开培，李博强，秦亮，等.深度学习目标检测算法在架空输电线路绝缘子缺陷检测中的应用研究综述[J].高电压技术，2023，49（9）：3584-3595.

[6]张弢，郭志勇.基于改进FasterRCNN的输电线路绝缘子检测研究[J].电子产品世界，2021，28（10）：63-67，77.

[7]刘超，李英娜，杨莉.基于改进YOLOv5s的绝缘子缺陷检测算法研究[J].陕西理工大学学报（自然科学版），2024，40（3）：26-34.

[8]程仲汉，俞劭凯，赖怡欣.一种基于YOLOv5s的绝缘子自爆轻量化检测方法[J].湖北师范大学学报（自然科学版），2024，44（2）：45-51.

[9]刘宁波，张静鑫，舒莹.基于有限状态机的绝缘子检测机器人越障控制[J].机械与电子，2024，42（4）：66-70.