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，架空線通過絕緣子實現對桿塔和大地的絕緣。絕緣子在過電壓作用下會出現閃絡，是故障多發元件，傳統的巡線方式是人工巡線，可用熱紅外成像技術方法檢測缺陷。由于無人機巡線具有更高效、更安全等優勢，近年來無人機巡線迅速發展，利用計算機視覺技術對拍攝的絕緣子航拍圖進行分析成為研究的熱點問題。

傳統的絕緣子自爆缺陷檢測算法主要先利用圖像分割技術從航拍圖中分割出絕緣子串，得到絕緣子的輪廓特征，再按照人工設計的特征判斷是否存在缺陷，其中Otsu方法等技術得到了充分應用和發展。然而航拍得到的圖像的背景多為桿塔、農田、山巒等復雜場景，且不同環境條件下得到的圖像差異較大。傳統圖像處理方法應用于航拍圖像時，難以獲得滿足算法要求的分割結果，造成準確率低的問題。

神經網絡已被應用于多個領域，在圖像領域中卷積神經網絡（Convolutional Neural Networks，CNN）能夠實現端到端的學習，且得到的特征相比于傳統的人工設計的特征具有更強的泛化性，已有國內外學者將深度學習方法應用于絕緣子自爆缺陷檢測。應用于絕緣子自爆檢測的深度學習方法按處理步驟可分為兩種：單階段方法和雙階段方法。單階段方法直接在航拍圖上進行自爆缺陷檢測；雙階段方法則先得到絕緣子串所在區域，再對絕緣子串區域進行進一步處理。

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

雙階段方法在檢測絕緣子串所在區域時所用方法多為目標檢測算法；在檢測自爆缺陷時或使用目標檢測算法進行檢測，或使用滑動窗口裁剪絕緣子串區域后再對得到的圖片塊進行分類。但是，雙階段方法中非級聯網絡需要訓練多個網絡以分別實現絕緣子串定位和自爆缺陷檢測，加大了模型的訓練難度；級聯網絡由于需要實現兩個功能，參數量和需要的計算量都較大，對硬件要求較高。

基于上述分析，東北石油大學電氣信息工程學院的研究人員選擇對由滑動窗口裁剪后得到的圖片塊進行分類的方法，用一個網絡實現絕緣子自爆缺陷檢測。考慮到無人機在航拍過程中易受天氣等因素干擾導致圖像模糊，影響圖像的質量和信息，造成檢測算法漏檢，研究人員在實現自爆缺陷檢測的同時實現對模糊圖像的識別。

圖1 對正常絕緣子圖像進行圖像處理

圖2 雙串仿真絕緣子

相對于背景，自爆絕緣子與正常絕緣子的區分難度更大，研究人員提出一種基于層次多任務深度學習的絕緣子自爆缺陷檢測模型，使用專用的卷積神經網絡區分自爆絕緣子和正常絕緣子，提高分類準確率。針對層次分類中的路徑錯誤問題，研究人員將層次分類模型與多任務學習算法相結合以增加粗粒度類別分類準確率，從而減少路徑錯誤問題。

此外，由于目前沒有標準的自爆絕緣子數據集，而航拍圖片中存在自爆缺陷的絕緣子數量、形態有限，導致卷積神經網絡學習到的自爆缺陷特征不足。卷積神經網絡學習到的特征決定了模型的性能，若學習到的特征不足將導致模型泛化能力弱，發生過擬合問題，因此需要對自爆絕緣子類別進行數據增強。

傳統的數據增強方法主要是翻轉、隨機裁剪、亮度變換等。在此基礎上，有學者提出了使用3D軟件進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雜的特點。有學者提出運用U-Net將破損絕緣子串分割出來，再與復雜背景圖融合的方法進行數據增強，然而只是更換了背景和進行旋轉，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。

研究人員結合兩種方法，提出將仿真自爆缺陷絕緣子與復雜背景融合得到合成圖片以實現數據增強。

圖3 制作合成航拍圖過程

圖4 真實絕緣子圖像與合成絕緣子圖像

研究人員針對層次分類模型中的路徑錯誤問題，在層次分類模型中引入多任務學習，減少路徑錯誤。實驗結果顯示，合成數據實現了數據增強，有效地防止了網絡出現過擬合問題；選擇合適的權重綜合任務2和任務3的結果后減少了路徑錯誤；層次多任務學習模型的自爆絕緣子分類召回率達到97.21%，F1分值達到0.9831，相比于平面分類模型和普通層次模型更高，說明采用層次多任務模型的特征學習能力更強。

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，實現對各種絕緣子缺陷的有效檢測。

本文編自《電工技術學報》，作者為徐建軍、黃立達、閆麗梅、伊娜，論文標題為“基于層次多任務深度學習的絕緣子自爆缺陷檢測”。