久久88香港三级台湾三级中文-久久91-久久91精品国产91久-久久91精品国产91久久-久久91精品国产91久久户

絕緣子是輸電線路重要的組成部分，架空線通過(guò)絕緣子實(shí)現(xiàn)對(duì)桿塔和大地的絕緣。絕緣子在過(guò)電壓作用下會(huì)出現(xiàn)閃絡(luò)，是故障多發(fā)元件，傳統(tǒng)的巡線方式是人工巡線，可用熱紅外成像技術(shù)方法檢測(cè)缺陷。由于無(wú)人機(jī)巡線具有更高效、更安全等優(yōu)勢(shì)，近年來(lái)無(wú)人機(jī)巡線迅速發(fā)展，利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)拍攝的絕緣子航拍圖進(jìn)行分析成為研究的熱點(diǎn)問(wèn)題。

傳統(tǒng)的絕緣子自爆缺陷檢測(cè)算法主要先利用圖像分割技術(shù)從航拍圖中分割出絕緣子串，得到絕緣子的輪廓特征，再按照人工設(shè)計(jì)的特征判斷是否存在缺陷，其中Otsu方法等技術(shù)得到了充分應(yīng)用和發(fā)展。然而航拍得到的圖像的背景多為桿塔、農(nóng)田、山巒等復(fù)雜場(chǎng)景，且不同環(huán)境條件下得到的圖像差異較大。傳統(tǒng)圖像處理方法應(yīng)用于航拍圖像時(shí)，難以獲得滿足算法要求的分割結(jié)果，造成準(zhǔn)確率低的問(wèn)題。

神經(jīng)網(wǎng)絡(luò)已被應(yīng)用于多個(gè)領(lǐng)域，在圖像領(lǐng)域中卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）能夠?qū)崿F(xiàn)端到端的學(xué)習(xí)，且得到的特征相比于傳統(tǒng)的人工設(shè)計(jì)的特征具有更強(qiáng)的泛化性，已有國(guó)內(nèi)外學(xué)者將深度學(xué)習(xí)方法應(yīng)用于絕緣子自爆缺陷檢測(cè)。應(yīng)用于絕緣子自爆檢測(cè)的深度學(xué)習(xí)方法按處理步驟可分為兩種：?jiǎn)坞A段方法和雙階段方法。單階段方法直接在航拍圖上進(jìn)行自爆缺陷檢測(cè)；雙階段方法則先得到絕緣子串所在區(qū)域，再對(duì)絕緣子串區(qū)域進(jìn)行進(jìn)一步處理。

單階段方法采用的算法可分為兩種，一種是采用區(qū)域提名或回歸分類的目標(biāo)檢測(cè)算法直接對(duì)自爆缺陷進(jìn)行檢測(cè)。然而自爆缺陷在航拍圖像中所占比例較小，屬于小目標(biāo)檢測(cè)，由于目標(biāo)檢測(cè)算法中多次使用下采樣，在多次下采樣后自爆缺陷區(qū)域的特征圖變得很小，丟失圖像特征，因而采用目標(biāo)檢測(cè)算法的單階段方法準(zhǔn)確率較低。第二種是先由滑動(dòng)窗口對(duì)航拍圖片進(jìn)行裁剪，再對(duì)裁剪得到的圖片塊進(jìn)行分類。

雙階段方法在檢測(cè)絕緣子串所在區(qū)域時(shí)所用方法多為目標(biāo)檢測(cè)算法；在檢測(cè)自爆缺陷時(shí)或使用目標(biāo)檢測(cè)算法進(jìn)行檢測(cè)，或使用滑動(dòng)窗口裁剪絕緣子串區(qū)域后再對(duì)得到的圖片塊進(jìn)行分類。但是，雙階段方法中非級(jí)聯(lián)網(wǎng)絡(luò)需要訓(xùn)練多個(gè)網(wǎng)絡(luò)以分別實(shí)現(xiàn)絕緣子串定位和自爆缺陷檢測(cè)，加大了模型的訓(xùn)練難度；級(jí)聯(lián)網(wǎng)絡(luò)由于需要實(shí)現(xiàn)兩個(gè)功能，參數(shù)量和需要的計(jì)算量都較大，對(duì)硬件要求較高。

基于上述分析，東北石油大學(xué)電氣信息工程學(xué)院的研究人員選擇對(duì)由滑動(dòng)窗口裁剪后得到的圖片塊進(jìn)行分類的方法，用一個(gè)網(wǎng)絡(luò)實(shí)現(xiàn)絕緣子自爆缺陷檢測(cè)。考慮到無(wú)人機(jī)在航拍過(guò)程中易受天氣等因素干擾導(dǎo)致圖像模糊，影響圖像的質(zhì)量和信息，造成檢測(cè)算法漏檢，研究人員在實(shí)現(xiàn)自爆缺陷檢測(cè)的同時(shí)實(shí)現(xiàn)對(duì)模糊圖像的識(shí)別。

圖1 對(duì)正常絕緣子圖像進(jìn)行圖像處理

圖2 雙串仿真絕緣子

相對(duì)于背景，自爆絕緣子與正常絕緣子的區(qū)分難度更大，研究人員提出一種基于層次多任務(wù)深度學(xué)習(xí)的絕緣子自爆缺陷檢測(cè)模型，使用專用的卷積神經(jīng)網(wǎng)絡(luò)區(qū)分自爆絕緣子和正常絕緣子，提高分類準(zhǔn)確率。針對(duì)層次分類中的路徑錯(cuò)誤問(wèn)題，研究人員將層次分類模型與多任務(wù)學(xué)習(xí)算法相結(jié)合以增加粗粒度類別分類準(zhǔn)確率，從而減少路徑錯(cuò)誤問(wèn)題。

此外，由于目前沒(méi)有標(biāo)準(zhǔn)的自爆絕緣子數(shù)據(jù)集，而航拍圖片中存在自爆缺陷的絕緣子數(shù)量、形態(tài)有限，導(dǎo)致卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的自爆缺陷特征不足。卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的特征決定了模型的性能，若學(xué)習(xí)到的特征不足將導(dǎo)致模型泛化能力弱，發(fā)生過(guò)擬合問(wèn)題，因此需要對(duì)自爆絕緣子類別進(jìn)行數(shù)據(jù)增強(qiáng)。

傳統(tǒng)的數(shù)據(jù)增強(qiáng)方法主要是翻轉(zhuǎn)、隨機(jī)裁剪、亮度變換等。在此基礎(chǔ)上，有學(xué)者提出了使用3D軟件進(jìn)行正常絕緣子建模的方法，但背景純凈的絕緣子圖片失去了絕緣子航拍圖像的背景復(fù)雜的特點(diǎn)。有學(xué)者提出運(yùn)用U-Net將破損絕緣子串分割出來(lái)，再與復(fù)雜背景圖融合的方法進(jìn)行數(shù)據(jù)增強(qiáng)，然而只是更換了背景和進(jìn)行旋轉(zhuǎn)，自爆缺陷特征并未有效增加，并且由于圖像分割的精度有限，絕緣子圖像周圍存在背景的殘余像素。

研究人員結(jié)合兩種方法，提出將仿真自爆缺陷絕緣子與復(fù)雜背景融合得到合成圖片以實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)。

圖3 制作合成航拍圖過(guò)程

圖4 真實(shí)絕緣子圖像與合成絕緣子圖像

研究人員針對(duì)層次分類模型中的路徑錯(cuò)誤問(wèn)題，在層次分類模型中引入多任務(wù)學(xué)習(xí)，減少路徑錯(cuò)誤。實(shí)驗(yàn)結(jié)果顯示，合成數(shù)據(jù)實(shí)現(xiàn)了數(shù)據(jù)增強(qiáng)，有效地防止了網(wǎng)絡(luò)出現(xiàn)過(guò)擬合問(wèn)題；選擇合適的權(quán)重綜合任務(wù)2和任務(wù)3的結(jié)果后減少了路徑錯(cuò)誤；層次多任務(wù)學(xué)習(xí)模型的自爆絕緣子分類召回率達(dá)到97.21%，F(xiàn)1分值達(dá)到0.9831，相比于平面分類模型和普通層次模型更高，說(shuō)明采用層次多任務(wù)模型的特征學(xué)習(xí)能力更強(qiáng)。

研究人員表示，下一步將收集覆冰絕緣子等其他絕緣子缺陷類型圖像，實(shí)現(xiàn)對(duì)各種絕緣子缺陷的有效檢測(cè)。

本文編自《電工技術(shù)學(xué)報(bào)》，作者為徐建軍、黃立達(dá)、閆麗梅、伊娜，論文標(biāo)題為“基于層次多任務(wù)深度學(xué)習(xí)的絕緣子自爆缺陷檢測(cè)”。