基于深度學習模型與稀疏表示的絕緣子狀態分類

龐春江 張鵬程

摘 要：在輸電線路中絕緣子的狀態直接影響整個輸電系統的可靠性，然而復雜背景和不同光照條件下對于絕緣子的狀態檢測十分困難。如今計算機視覺輔助方法已被廣泛應用于電力系統中。提出一種基于深度學習模型與稀疏表示進行絕緣子狀態分類的方法，對于待檢測的絕緣子圖像，通過Faster-RCNN定位后，采用深度殘差網絡（ResNet）提取圖像特征，最后利用稀疏表示進行絕緣子狀態分類。該方法與傳統方法相比，對于絕緣子的狀態分類具有更高的準確率，準確率可達98.67%。

關鍵詞：深度學習；卷積神經網絡；絕緣子；稀疏表示；分類

DOI：10.11907/rjdk.172724

中圖分類號：TP301

文獻標識碼：A 文章編號：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

在高壓輸電線系統中，絕緣子是不可或缺的設備，其具有電氣絕緣與連接導體的功能。絕緣子故障是引發輸電系統事故的主要原因[1]。為保證高壓輸電線系統的穩定性，定期對絕緣子進行巡檢是一個基本的維護程序，而這些任務只能由專業人員執行，并且伴有巨大的安全風險[2]。此外，由于大多數絕緣子暴露在野外，而缺陷絕緣子則混雜在大量的正常絕緣子中，依靠人工識別缺陷絕緣子非常耗時，且會造成漏檢[3]。

迄今為止，最常見與有效的巡檢方法是通過駕駛直升機或遙控無人機，沿輸電線路進行巡檢，從而獲得海量視頻和圖像[4]。因此，對這些數據圖像進行自動狀態評估可以大大提高電力巡檢效率。

1 絕緣子狀態檢測研究現狀

如今，圖像處理技術和計算機視覺輔助技術已廣泛應用于電力巡檢中的識別和檢測。輸電線路絕緣子狀態檢測任務可分為兩方面：①檢測：檢測出絕緣子，定位其在所獲得航拍圖像中的位置；②分類：診斷絕緣子狀態。

絕緣子檢測定位是進行絕緣子狀態分類的必要前提。一旦絕緣子位置確定，對其狀態進行分類也會相對簡單。近年來，國內外學者對于絕緣子的狀態評估進行了大量研究。然而目前大多仍采用傳統人工設計的特征，如HOG [5]、SIFT [6]、輪廓提取算法[7]等。常用的方法是利用絕緣子顏色形態學特征，利用閾值分割算法對其進行分割提取[8]。但這些方法往往針對特定場景，準確率低，不具備擴展性。因此，魯棒狀態分類方法是十分必要的，而傳統的人工特征方法難以勝任。近年來深度神經網絡，尤其是卷積神經網絡在大規模圖像分類任務的性能上顯示出頂尖水準，其能夠自動學習特征的特性，能夠從圖像中獲取更多有用特征。同時，稀疏表示具有高精度以及處理遮擋的優良性能。受此啟發，本文提出一種基于深度學習模型與稀疏表示的絕緣子狀態分類方法。

2 絕緣子狀態分類方法

受卷積神經網絡的啟發，任務從利用卷積特征定位絕緣子開始，采用Faster-RCNN定位絕緣子位置，并將其裁剪出來，之后通過ResNet提取圖像特征，最后利用稀疏表示分類器進行絕緣子狀態分類。

2.1 基于Faster-RCNN的絕緣子檢測

為了消除輸電線路復雜背景的影響，需要對絕緣子部件進行目標檢測，而基于區域選擇的RCNN系列算法是當前進行目標檢測的經典算法[9]。RCNN算法可分為4個步驟：①對每個樣本圖像產生大量矩形候選區域； ②將每個候選區域輸入CNN網絡進行特征提取；③將特征向量送入分類器進行分類，判別該區域是目標還是背景；④對候選框進行回歸，修正位置與大小。

其中，在步驟①中，RCNN采用視覺方法（Selective Search）產生大小不同的候選區域；在步驟③中，根據候選框和標定框的重疊比例（IOU）進行類別判斷。當IOU的值大于0.5時，即認為候選框屬于該類別；當IOU的值小于0.3時，則被認為是負樣本。雖然RCNN取得了很好的效果，但也存在一些明顯缺點，比如候選框數量太大，訓練時間長，而且很多候選框相互重疊，造成重復計算。對此，學者們陸續提出了改進的 RCNN 方法。Fast-RCNN[10]采用自適應尺度池化，能夠對整個網絡進行調優，從而提高深層網絡識別的準確率；Faster-RCNN[11]通過構建精巧的區域提議網絡，代替時間開銷大的選擇性搜索方法，從而打破了計算區域提議時間開銷大的瓶頸問題，使實時識別成為可能。本文利用Faster-RCNN算法，并選用已于Imagenet上預訓練過的ZFnet[12] 模型進行絕緣子檢測。

2.2 絕緣子狀態分類

為進一步對絕緣子進行狀態分類，必須獲取較好的圖像特征。近年來，卷積神經網絡由于其生物機理，在大規模圖像分類任務中獲得了較高準確率。在2015年的ImageNet競賽上，Kaiming He[13]提出的深度殘差網絡（ResNet）奪得第一。最近研究表明，網絡深度是至關重要的，然而常規的網絡堆疊（plain network）在網絡很深時，效果卻越來越差。因此，ResNet引入了殘差網絡結構（residual network），通過殘差網絡，可以將網絡層構造得很深，最終的網絡分類效果也非常好。殘差網絡的基本結構如圖1所示。

通過在輸入和輸出之間引入一個shortcut connection，而不是簡單的堆疊網絡，可以解決由于網絡深度而出現的梯度消失問題，進而可以把網絡構造的很深，使網絡模型錯誤率大大降低，同時計算復雜度也保持在很低的程度。

Razavian等[14]提出在Imagenet大規模圖像上，訓練出來的卷積神經網絡針對不同任務能夠提取更多具有代表性的特征。因此，相比于在數量較少的各種狀態絕緣子圖像上進行訓練，本文直接使用經過Imagenet預訓練的模型為絕緣子狀態分類任務提取特征。將圖像送入預訓練的ResNet網絡中，提取位于softmax層之前pool5層的2 048維特征，然后通過稀疏表示框架進行分類。

稀疏表示是在壓縮感知基礎上發展而來的，目的是在樣本空間中用盡可能少的原子表示一幅圖像，由此獲得更為簡潔的表示方式，從而更容易地獲取信號中蘊含的信息，以方便進一步對信號進行加工處理，如稀疏編碼等。基本思想是假設該圖像能由預先定義的超完備字典中的極少數原子線性表示。設x∈RM是一幅圖像的向量表示，D=[D1，D2，…，D＼-N]∈RM×N是一個M×N維矩陣，其中M遠小于N，由于D的行數遠小于列數，字典D一般稱為超完備字典，字典中的每個列向量稱為字典D的原子。圖像x表示為：

其中α=[0 … 0 αi 0 … 0]T∈RN （0

以此求解最優范式，而對于圖像分類任務多采用圖像特征創建超完備字典。本文則是利用稀疏表示對于遮擋和光照變化都具有一定魯棒性的特性，對絕緣子圖像進行狀態分類。

3 實驗結果與分析

本文實驗通過Faster—RCNN算法對絕緣子圖像進行訓練，檢測并定位絕緣子在圖像中的位置，將其從原圖像中裁剪出來。而由于稀疏表示分類器需要嚴格配準的特性，直接采用絕緣子串進行狀態分類效果不佳，因此將裁剪的絕緣子串分割為單個盤片，對其進行校準后，使絕緣子串二值化，獲得絕緣子串的直方圖，然后以波谷為分割線將絕緣子串分割為單個盤片。過程如圖2所示。

由于目前還沒有公開的絕緣子數據集，為了使用稀疏表示分類器進行相應絕緣子狀態分類，需要構建絕緣子單個盤片各狀態的樣本庫。由于其它狀態的絕緣子狀態較為稀缺，本文構建了掉串與正常狀態下的絕緣子樣本庫，部分示例圖像如圖3所示。

將樣本庫中的圖像采用預訓練ResNet模型進行特征提取，提取pool5層2 048維特征。然而由于2 048維特征過大，以及卷積神經網絡提取特征的稀疏性，可對其進行PCA降維，降至128維以構建超完備字典。對待檢測圖像所分割的單個盤片，進行同樣的特征提取，降維后輸入到稀疏表示分類器中計算其與正常盤片及掉串盤片的殘差，并對應殘差較小的分類。當所有盤片檢測完成，如存在掉串，將其歸類為掉串絕緣子串，反之則為正常絕緣子串。

本文方法與傳統BOF（Bag of Feature）[15]手工特征相比，具有較高準確率，其絕緣子狀態分類對比結果如表1所示。

由實驗結果可以看出，深度學習模型對于圖像處理具有很好的性能，能夠為分類任務提供更好的特征，同時稀疏表示的魯棒性也為狀態分類的準確性提供了保證。

4 結語

隨著智能電網的發展，對于設備狀態識別的準確性與實時性提出了更高要求。傳統對于巡檢圖像分析采用人工方法，成本高，效率低。因此，采用圖像處理技術進行絕緣子狀態的自動分類是十分必要的。本文充分利用深度學習模型與稀疏表示的優點，成功實現了絕緣子的狀態分類。下一步工作將進行樣本庫擴充，從而實現更多狀態絕緣子的分類，以及嘗試采用其它網絡模型和算法，以提高魯棒性和實用性。

參考文獻：

[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，金立軍，閆書佳.航拍圖像中絕緣子的識別與故障診斷[J].機電工程，2015，32（2）：274-278.

[6] 苑津莎，崔克彬，李寶樹.基于ASIFT算法的絕緣子視頻圖像的識別與定位[J].電測與儀表，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] 黃宵寧，張真良.直升機巡檢航拍圖像中絕緣子圖像的提取算法[J].電網技術，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.

（責任編輯：黃 健）