面向圖像的絕緣子自爆缺陷檢測算法綜述

趙慶林， 陳湘萍

（貴州大學 電氣工程學院， 貴陽 550025）

0 引 言

電網的快速發展使得輸電線路越來越復雜。 為了保障輸電線路正常穩定運行，電力巡檢人員需要對輸電線路進行巡視，并檢查其電力設備是否存在故障。 絕緣子是電力網絡輸電線路中重要的絕緣器件，其工作狀態直接影響電力系統的可靠性和安全性。 根據有關數據表明，輸電線路中占有最高故障率的就是絕緣子故障，因此定期檢查絕緣子的運行狀態是非常重要和必須的。 傳統人工巡檢方式中所存在人力物力消耗大、安全性差、巡檢效率低等問題。 近年來，機器視覺、圖像檢測以及深度學習的快速發展，面向圖像的絕緣子自爆缺陷檢測技術愈加被關注。 這種新型的面向圖像的絕緣子自爆缺陷檢測技術不僅快速、準確，還適用于背景比較復雜環境，并且提高了檢測的正確率和效率。

面向圖像的絕緣子自爆缺陷檢測已經取得了一些研究成果，傳統方法往往基于外部輪廓特征、紋理特征、顏色特征或這些特征的組合來檢測絕緣子。文獻［1］采用邊緣檢測的方法，完成了絕緣子圖像的邊緣輪廓檢測，來識別絕緣子故障；文獻［2］先將絕緣子圖像灰度化、圖像增強和去噪等預處理，通過改進的Hough 變換來檢測絕緣子；文獻［3］通過邊緣方向信息提取絕緣子的紋理特征，有效的對絕緣子進行識別。 傳統的圖像特征提取是由人工設定提取特征，隨著數據量的增加無法提取出更多的信息，對于多樣的復雜環境也再難以適用。 近年來，人們將深度學習技術廣泛應用于絕緣子自爆缺陷檢測，文獻［4］使用Faster R-CNN 二階段目標檢測算法實現自爆缺陷的定位；文獻［5］使用主流的單階段目標檢測算法YoloV3 來檢測絕緣子缺陷。 基于監督學習的絕緣子自爆缺陷檢測都需要大量的缺陷圖像樣本來訓練網絡，但實際應用中絕緣子缺陷樣本數量比較少，文獻［6］提出了一種基于改進生成對抗網絡的無監督絕緣子自爆缺陷檢測方法。

本文以面向絕緣子自爆缺陷檢測算法為中心，結合了最新的研究進展對絕緣子自爆缺陷檢測算法進行了總結，分析了在絕緣子自爆缺陷檢測中面臨的挑戰，并進行了展望。

1 絕緣子自爆缺陷檢測

絕緣子自爆缺陷檢測方法分為：人工檢測法、傳統圖像檢測法、深度學習檢測法。 人工檢測主要通過人工觀察的方法進行檢查，通常會帶來人為因素影響和誤差，檢測時可能發生漏檢或者誤檢；傳統圖像檢測法提取目標特征時以人為設計，且該方法利用檢測目標的顏色、形狀等特征信息進行檢測與識別，故存在計算量大、準確率低等問題，基于深度學習的絕緣子自爆缺陷檢測方法則能在很大程度上改善傳統的絕緣子圖像檢測的不足，但在檢測速度和準確率上仍有待提高。 面向圖像的絕緣子自爆缺陷檢測可以分為5 個步驟：絕緣子圖片的獲取、預處理階段、特征提取、分類識別、輸出結果。面向圖像的絕緣子自爆缺陷檢測過程如圖1 所示。

圖1 面向圖像的絕緣子自爆缺陷檢測過程Fig. 1 The process of insulator self-explosion defect detection for images

絕緣子圖像數據集一般由人工巡檢和無人機巡檢，由攝像頭、相機等設備采集；圖像預處理就是去除非目標區域，提取圖像中絕緣子區域；特征提取是對圖像中絕緣子的顏色、紋理、形狀等相關特征進行提取；分類是通過分類器將提取的絕緣子特征進行分類并進行絕緣子缺陷的檢測；最后，輸出絕緣子缺陷圖像的檢測結果。

2 預處理

預處理階段通過識別絕緣子像素，并分析符合條件的區域來確定輸入圖像的感興趣區域。 由于圖像在拍攝過程中包含了大量噪聲，給圖像特征提取帶來了干擾，需要對絕緣子圖像進行一定的預處理。 常用的預處理技術有基于邊緣的圖像分割技術和基于區域的圖像分割技術。

2.1 基于邊緣的圖像分割

基于邊緣的圖像分割是把確定的邊緣像素連接起來，得到目標區域邊界。 文獻［11］使用Canny 算子邊緣檢測求得絕緣子的邊緣圖像后，再對邊緣圖像進行邊緣處理，去除邊緣圖像中的無關信息，并將部分斷裂邊緣重新連接，最后橢圓擬合得到絕緣子的輪廓；文獻［12］使用Sobel 算子進行邊緣檢測，但其檢測的邊緣較粗，只對水平和垂直兩個方向的灰度梯度變化敏感，對噪音的影響較為敏銳，在應用過

程中可能無法得到連續的、不存在斷裂的封閉邊緣，并且存在大量的碎邊緣；文獻［13］提出結合Canny邊緣特征和SURF 點特征的絕緣子識別算法，該算法能在有背景干擾、小幅度旋轉的目標圖像中準確識別出絕緣子；文獻［14］使用了斜坡模型，實現圖像中絕緣子和背景的分割；文獻［15］提出了一種新的邊緣提取方法，在絕緣子圖像的邊緣提取中使用了非下采樣輪廓波變換技術，提取效果更好。 由于實際獲取的絕緣子圖像背景較為復雜，為了使絕緣子邊緣檢測效果更好，將絕緣子原圖像的灰度范圍映射到另一灰度范圍上，以突出絕緣子圖像中絕緣子的灰度區間，從而抑制絕緣子圖像背景的灰度區間。 灰度變換的數學表達式（1）為：

其中：（，） 表示原圖像的灰度；（，） 表示變換后的灰度；M、M分別表示原圖像和變換后灰度的最大值；、表示灰度分段點；、表示變換后的分段點。

2.2 基于區域的圖像分割

當絕緣子圖像的背景比較復雜時，圖像中絕緣子的輪廓不是特別明顯，可以使用基于區域的分割方法，基于區域的分割方法是將圖像中相似的目標區域進行區域劃分，該方法從絕緣子圖像中某一個或某一類像素開始，尋找與該像素具有相同特征的像素來進行區域增長，最終實現絕緣子圖像的分割。

絕緣子的顏色信息與圖像背景中農田、山川等的顏色信息具有一定的差別，因此可以根據絕緣子圖像在不同顏色空間上的分布，區分絕緣子與其復雜的背景物。 常用的顏色空間模型有RGB、HSV、HSI 等，文獻［17］采用了RGB 模型描述了絕緣子的顏色特征，但RGB 模型的3 個分量受到光照的影響，所以此模型得到的顏色特征易不穩定。 由于RGB 與HSV 和HIS 等顏色空間模型存在一定的線性或非線性的關系，可以通過其所對應的關系將其轉換到其它顏色空間，再進行圖像分割，從而獲取絕緣子圖像的目標區域。 文獻［18］將絕緣子圖像的RGB 轉換到HSI 空間，再進行二值化處理，利用形態學方法腐蝕絕緣子圖像中的噪聲點，再使用連通分支方法分割絕緣子圖像；文獻［19］將絕緣子圖像轉換為HSI 模型后，使用基于區域的圖像分割的閾值分割算法將絕緣子從背景復雜圖像中分割出來；文獻［20］則先提取絕緣子圖像HSV 色彩空間中的分量進行輪廓匹配，然后再進行圖像分割；文獻［21］在絕緣子的色調、色飽和度、亮度顏色空間分別對色調和色飽和度分量運用最大類間方差法分割絕緣子圖像，將絕緣子輪廓分割提取出來；文獻［22］將絕緣子圖像轉為HSV 模型，再用小波變換處理通道，再二值化，最后對圖像進行分割。 HSV模型中通道表示絕緣子圖像的顏色信息，其取值為0°～360°，能有效地區分絕緣子圖像中絕緣子和背景的顏色。 RGB 圖到通道的轉換公式（2）：

其中，、、分別表示圖像紅綠藍3 個通道的值，max、min 分別表示紅綠藍3 個通道中的最大值和最小值。

3 特征提取

在輸電線路中絕緣子圖像特征提取的目的是將絕緣子圖像邊緣特征最大限度地提取出來，同時盡可能去除復雜背景邊緣。 因絕緣子具有顏色、紋理、形狀等特征，所以可以通過提取絕緣子的不同特征來進行絕緣子的自爆缺陷檢測。

3.1 顏色特征

絕緣子的顏色信息是一個重要的視覺信息。 在絕緣子顏色特征提取中需選擇適合的顏色模型，常用的有YUV、CIELab、HSV 等顏色度量模型。 文獻［23］提出一種基于顏色空間變量的絕緣子圖像特征提取方法，根據不同顏色空間的變量值與絕緣子背景特征的關系，總結出絕緣子顏色特征提取方法；文獻［24］將絕緣子圖像從RGB 空間轉換到LAB 空間后，提取絕緣子的特征；文獻［25］ 通過改進GrabCut 算法實現絕緣子特征提取，采用形態學處理法對絕緣子進行缺陷檢測；文獻［26］提出了一種改進色差方法，通過分析光照補償后絕緣子的顏色特征對絕緣子特征進行提取。

3.2 紋理特征

絕緣子的紋理特征分析是一種有效的絕緣子自爆缺陷檢測方法，紋理特征表示絕緣子圖像目標區域的表面特性。 文獻［27］提出了一種新的紋理特征提取算法，該算法將提取的絕緣子紋理特征信息分為兩類，一類的紋理特征區分度高，另一類則區分度低，最終都是將絕緣子的輪廓特征提取出來；文獻［28］在提取絕緣子紋理特征時使用了邊緣直方圖的方法檢測絕緣子缺陷；文獻［29］采用灰度共生矩陣和局部二值模式來提取絕緣子的紋理特征，該方法能有效提取絕緣子區域的特征；文獻［30］在紋理分析時考慮到絕緣子的背景區域與絕緣子有相似的紋理特征，進一步構造特征空間，在特征空間上進行紋理分析，實現絕緣子的檢索。 由于玻璃絕緣子沿著絕緣子串的方向呈現明顯的規律性變化，將規律性變化中突變的紋理特征作為判斷自爆缺陷的依據。 絕緣子紋理特征量提取過程如圖2 所示。

3.3 形狀特征

絕緣子的形狀特征是一種重要特征，經過大量數據分析，塔桿上安裝的絕緣子一般有4 個方向，分別是水平、垂直、斜上和斜下，安裝角度不同會對形狀特征提取產生影響。 文獻［31］通過十字梯度模板有效地檢測絕緣子的自爆缺陷，該模板可以檢測水平方向和垂直方向的線特征，同時也可以檢測在傾斜狀態下的形狀特征；文獻［32］使用改進的邊緣直方圖方法，提取絕緣子的邊緣形狀特征；文獻［33］在絕緣子缺陷檢測中，先將絕緣子圖片灰度化，再進行圖像增強和形態學腐蝕，最后利用Hough 變換矯正傾斜絕緣子圖像，提取絕緣子的形態特征，從而判斷是否存在絕緣子自爆缺陷。 對于形狀特征提取，容易受到圖像背景的影響，絕緣子的檢測仍存在一些困難。

圖2 絕緣子紋理特征量提取過程Fig. 2 The process of insulator texture feature extraction

3.4 HOG 特征

方向梯度直方圖（Histogram of oriented gradient，HOG）算法是通過計算圖像中絕緣子所在的局部區域的梯度方向直方圖來構建絕緣子的特征。 主要步驟：先通過檢測窗口和過歸一化圖像處理，再計算梯度和細胞中投影，最后對比度歸一化處理，組成樣本的特征。 HOG 特征常用來表征絕緣子區域特征，常與向量機相結合進行絕緣子檢測。 文獻［34］使用了絕緣子的HOG 特征與支持向量機相結合的方法，對絕緣子的異常狀態進行了檢測識別，效果較好。

4 分類識別

4.1 分類器檢測

分類器識別是指通過提取絕緣子自爆缺陷的相關特征形成特征數據集，用于訓練分類器，再將用于測試的絕緣子自爆缺陷數據輸入到分類器中進行判斷，然后再輸出是否為有缺陷絕緣子。 支持向量機和AdaBoost 常被作為絕緣子自爆缺陷檢測中的分類器。

4.1.1 支持向量機

支持向量機（Support Vector Machine， SVM）模型是一種常用的分類器。 與其它機器學習模型相比，其能保證在樣本訓練數據較少的情況下，得到一個較高的預測精度。 文獻［35］在提取絕緣子特征后，將提取的特征數據用于支持向量機分類器訓練，取得了較好的分類效果；文獻［36］使用背景抑制和伽柏特征相結合來提取絕緣子特征，并將提取的特征送入SVM 進行分類。 單一使用支持向量機已不能滿足要求，文獻［37］提出了基于梯度方向直方圖特征量提取和SVM 分類器相結合的絕緣子缺陷識別與定位方法；文獻［38］利用周期圖法和Welch 法功率譜密度估計作為特征提取方法，并用支持向量機進行正常絕緣子和自爆缺陷絕緣子二分類。

4.1.2 Adaboost 算法

Adaboost 算法是一個迭代學習算法，其核心思想是對同一個訓練集訓練不同的弱分類器，把這些弱分類器集合起來構成一個強分類器。 文獻［39］對絕緣子圖像進行分割，提取絕緣子特征后，使用Adaboost 分類器定位缺陷絕緣子的位置；文獻［40］在已有的絕緣子采樣算法中引入了三維模型，即Haar 特征和AdaBoost 特征，該方法能夠成功地從航空圖像中提取絕緣子。 Adaboost 算法分類過程如圖3 所示。

圖3 Adaboost 算法分類過程Fig. 3 The process of Adaboost algorithm classification

4.2 多特征融合檢測

單獨提取絕緣子的某一個特征進行識別，比如利用顏色直方圖、紋理特征、形狀特征，識別效果較差。 通過分析絕緣子的多種特征并進行有效的結合，能夠進一步提高對絕緣子識別的準確率。 文獻［41］提出一種基于多種特征的絕緣子識別方法，包括絕緣子灰度、 形狀和紋理特征，最后進行缺陷絕緣子的識別；文獻［42］利用多種絕緣子特征相結合的信息融合算法對絕緣子缺陷進行了檢測，實現了絕緣子缺陷的識別與狀態檢測。 為了更加直觀展現絕緣子自爆缺陷檢測效果，圖4 給出了不同場景下的絕緣子自爆缺陷檢測的例子。

4.3 深度學習網絡模型

近年來，深度卷積網絡成為了目標檢測的研究熱點。 通過深層次的網絡結構自動從原始圖像中學習特征，無需人為干預，網絡將特征提取與分類識別融 為 一 體， 如： Faster R - CNN、 SSD、 YOLO、YOLO9000 等目標檢測方案，結合目前最新的分類深度神經網絡，如：VGG、Resnet、GoogLeNet 等，在精度方面比傳統方法具有明顯地提升。 現有基于深度學習的絕緣子爆裂故障識別模型包括兩類：雙階段（Two stage）的目標檢測模型，將絕緣子檢測分為特征提取和特征分類兩部分；單階段（One stage）目標檢測模型，將絕緣子檢測轉化為回歸問題。

圖4 不同場景下的絕緣子自爆缺陷檢測例子Fig. 4 Examples of insulator self-explosion defect detection under different scenes

4.3.1 雙階段檢測模型

雙階段目標檢測模型通過生成一個樣本候選框，利用深度學習網絡在候選框中對樣本分類，實現目標的檢測與識別。 常用的算法有區域卷積神經網絡（R-CNN）、快速區域卷積神經網絡（Faster RCNN）等。 文獻［44］利用Faster R-CNN 網絡創建了識別絕緣子的模型，再利用CNN 算法對絕緣子圖像進行缺陷識別；文獻［45］使用Faster R-CNN 模型對航拍絕緣子圖像進行檢測，檢測的平均精度為90.5%，雖然其檢測的準確率較高，但是其每秒處理幀數較低；文獻［46］采用多尺度特征融合方法改進傳統的Faster R-CNN 方法，實現了圖像絕緣子小目標的精準識別，再結合圖像處理技術實現自爆缺陷絕緣子的識別與定位。

4.3.2 單階段檢測模型

單階段目標檢測模型輸入圖像后，得到不同層、不同尺寸的特征圖，不使用候選框，將目標邊框定位轉化成回歸問題進行處理，檢測速度較快。 單階段方法采用的算法可分為兩種，第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。 文獻［47］利用在線困難樣本挖掘、樣本優化等方法改進基于區域的全卷積網絡，實現對包括絕緣子自爆缺陷在內的多種目標的檢測。 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。 文獻［48］在用滑動窗口裁剪航拍圖片后，在分類模型中添加空間金字塔池化模塊對絕緣子圖像塊進行分類。

單次多框檢測器（Single Shot Multibox Detector，SSD）網絡是目標檢測中經典的單階段檢測網絡之一，同其他單階段網絡一樣，SSD 直接在圖片上回歸目標的類別和位置，可以進行端到端的訓練。 不同的是SSD 可以在多個特征尺寸上進行結果預測，在圖像的分辨率較低時，也能保證一定的檢測精度。 文獻［49］提出了基于平衡特征融合SSD 的絕緣子缺陷檢測方法，該方法具有較好的檢測精度；文獻［50］提出改進SSD 算法提取絕緣子所在的區域，對絕緣子的自爆缺陷進行快速準確的定位。 對于絕緣子缺陷目標中小目標的漏檢問題，對SSD 的骨干網絡中的特征層進行平衡特征融合，提升網絡對細節信息的捕獲能力，解決了部分小目標漏檢問題。 另一類流行的單階段算法YOLO 是最先使用回歸的方法，而且其檢測速度大約是雙階段檢測模型Faster R-CNN 的3 倍。 文獻［51］提出了一種基于YOLOv2 網絡模型，能夠對輸電線路絕緣子進行在線定位和缺陷檢測，其識別平均精度為90%；文獻［52］使用YOLOv3 模型對輸電線路上的絕緣子進行檢測，其識別平均精度為90.2%，該模型每秒處理幀數較多；文獻［53］使用基于YOLOv4和改進的分水嶺相結合的算法，對絕緣子圖像進行了精確識別及缺陷檢測，提升在背景復雜的情況下識別的能力，檢測效果表明該方法可以快速地識別出絕緣子的主體和缺陷的位置。 在絕緣子圖像數據集較少的情況下，還可以對數據集進行擴充，文獻［54］采用超分辨卷積神經網絡對待檢測數據集進行超分辨率重建，通過YOLOv4 算法對航拍絕緣子圖像進行識別。 不同深度學習網絡模型的圖像絕緣子缺陷檢測結果見表1。

表1 不同深度學習網絡模型的圖像絕緣子缺陷檢測結果Tab. 1 Insulator self-explosion defect detection results for images based on different deep learning network models

5 結束語

傳統的絕緣子自爆缺陷檢測算法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。 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，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。近年來，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能夠實現端到端的學習，且提取的特征適應性更好，國內外學者將深度學習方法應用于絕緣子自爆缺陷檢測，有很好的檢測效果。

基于圖像的絕緣子自爆缺陷檢測算法已經取得一些成果，但仍有待繼續完善。 結合常用的絕緣子檢測算法方法，考慮無監督學習、改進圖像分割技術以及建立完備的數據庫等方面進一步提高算法的精度、速度、準確度以及實用性。

（1）建立完備的絕緣子數據庫。 由于目前數據來源的局限性，絕緣子缺陷的樣本很少，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，發生過擬合等問題。 傳統的數據增強還不夠，需要進一步提出新的數據增強方法，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。

（2）改進圖像分割和特征提取算法。 在絕緣子自爆缺陷檢測中常用的傳統圖像分割方法是基于閾值的分割方法和基于深度學習的分割方法；特征提取則基于顏色、紋理、形狀特征提取。 目前采集的絕緣子圖像具有復雜的背景，包括樹木、山川、建筑等干擾物，導致圖像分割和特征提取的準確性不高，在后續的研究中可以進一步改進絕緣子圖像分割和特征提取算法，提高缺陷檢測效果。（3）考慮無監督學習。 卷積神經網絡的快速發展，能夠很好的對自爆缺陷絕緣子進行檢測，但都是基于監督學習的研究，需要大量包含缺陷的絕緣子樣本來訓練網絡，而現實場景中缺陷樣本數量相對少，采集難度大。 無監督學習對樣本數據的要求不高，下一步可考慮采用無監督學習方法。