雙目仿鷹眼視覺下混合輸電線路鳥害故障識別探究

【關(guān)鍵詞】雙目；仿鷹眼視覺；超分辨；混合輸電線路；鳥害；故障識別

引言

結(jié)合國內(nèi)外近年來的統(tǒng)計數(shù)據(jù)顯示，鳥害導(dǎo)致輸電線路出現(xiàn)故障這一問題，已經(jīng)變成電力系統(tǒng)出現(xiàn)跳閘故障的核心原因，鳥害直接影響電力系統(tǒng)的工作狀態(tài)[1-2]。所以，在輸電線路安全運檢時[3-4]，有必要研究輸電線路鳥害故障識別方法。

分析近幾年輸電線路鳥害故障識別方面的研究資料可知，在識別輸電線路鳥害故障時，陳瀚翔等人[5]將鳥鳴信號作為鳥害故障識別目標(biāo)，在對鳥鳴信號進(jìn)行去噪之后，提取鳥鳴信號特征，輸入高斯混合模型，便可識別輸電線路上的鳥類類型。此方法未提取輸電線路興趣區(qū)域圖像，無法準(zhǔn)確識別輸電線路鳥害故障。

為解決以上問題，本文研究一種基于雙目仿鷹眼視覺與超分辨的混合輸電線路鳥害故障識別方法，此方法能夠以雙目仿鷹眼視覺的方式，有效提取需識別鳥害故障的輸電線路興趣區(qū)域，并增強(qiáng)此區(qū)域的分辨率。

一、混合輸電線路鳥害故障識別方法

（一）基于雙目仿鷹眼視覺的興趣區(qū)域提取方法

輸電線路巡檢圖像分為背景區(qū)域、目標(biāo)區(qū)域，其中目標(biāo)區(qū)域可看作興趣區(qū)域，則針對所采集的輸電線路巡檢圖像，主要使用基于雙目仿鷹眼視覺的興趣區(qū)域提取方法，提取需要識別鳥害故障的目標(biāo)興趣區(qū)域。

將S（x，y）的像素對比度設(shè)為顯著信息。像素對比度主要分為亮度、紋理以及顏色對比度。

為運算亮度對比度，將各個像素設(shè)成中心，建立亮度對比度運算窗口。因為視覺刺激狀態(tài)并不受圖像絕對灰度值影響，但是相對灰度值對其影響較大。設(shè)置相對灰度值是J的像素點亮度對比度J_CM（x，y）。通過像素的灰度方差運算S（x，y）的紋理對比度H_CM（x，y）。

仿鷹眼視網(wǎng)膜中，鷹眼顏色空間存在的三個維度：亮度通路、紅綠拮抗通路、藍(lán)黃拮抗通路。亮度通路中各個像素點的亮度值不存在差異，飽和度與色調(diào)存在差異。隨機(jī)一種顏色在鷹眼顏色空間里，都能夠通過一個三維矢量描述。此三維矢量里，色調(diào)值可描述亮度值的變化，J的最大值與最小值依次是180°、-180°；顏色矢量的模值就是顏色飽和度R，飽和度最大值是1，原點飽和度是0。不同像素點、U₁=（T₁，R₁，J₁）、U₂₌（T₂，R₂，J₂）"之間的顏色也存在不同，顏色對比度的差異是D_CM（x，y），將J_CM（x，y）、H_CM（x，y）、D_CM（x，y）這3個特征融合便可獲取顯著圖。因為顯著區(qū)域一般都是圖像里顏色突出的區(qū)域，所以將各個像素點特征融合為多維特征向量，提取興趣區(qū)域G（x，y）。

（二）基于自注意力生成對抗網(wǎng)絡(luò)的超分辨率重建模型

1.超分辨圖像重構(gòu)模型

考慮到無人機(jī)在采集混合輸電線路圖像時，雙目成像時，左右攝像頭成像質(zhì)量會因成像距離的差異而出現(xiàn)圖像清晰度不均勻問題，為此，使用基于自注意力生成對抗網(wǎng)絡(luò)的超分辨率重建模型，完成超分辨率重建，優(yōu)化圖像質(zhì)量。

將網(wǎng)絡(luò)參數(shù)設(shè)為ξ，此生成器網(wǎng)絡(luò)的輸入與輸出依次是G（x，y）、G＇（x，y），下文直接簡稱為G、G＇，G＇就是重建的超分辨率興趣區(qū)域圖像。特征提取主要由3個尺寸不一樣的卷積核完成，可從多尺度提取圖像特征；自注意力模塊結(jié)合提取的圖像特征，構(gòu)建注意力圖 后，在超分辨重建模塊，將像素擴(kuò)增比例參數(shù) 和 相乘，由此生成超分辨率圖像。

2.損失函數(shù)

使用Huber loss損失函數(shù)，當(dāng)損失函數(shù)為最小值時，便可結(jié)束超分辨率重建。

（三）基于深度殘差網(wǎng)絡(luò)的鳥害故障識別模型

在殘差模塊的作用下，提取圖像特征信息，將獲取的圖像信息以全局平均池化的方式，將特征壓縮變成一維向量。然后通過Softmax分類器，以二分類的方式，識別G＇是否屬于鳥害故障類圖像。

深度殘差網(wǎng)絡(luò)結(jié)構(gòu)詳情如表1所示：

表1 深度殘差網(wǎng)絡(luò)結(jié)構(gòu)詳情

表1中，多個殘差模塊不會隨著網(wǎng)絡(luò)層數(shù)變大而出現(xiàn)性能退化問題，可在不同尺度全面提取重建后的輸電線路圖像G＇特征信息，將輸電線路圖像G＇特征信息，導(dǎo)入全局平均池化層中壓縮后，使用Softmax分類器識別鳥害故障：

在訓(xùn)練模型的網(wǎng)絡(luò)結(jié)構(gòu)時，遷移學(xué)習(xí)主要是將典型的鳥害故障圖像先輸入深度殘差網(wǎng)絡(luò)結(jié)構(gòu)，使用訓(xùn)練環(huán)節(jié)步驟完成網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練結(jié)束主要以訓(xùn)練環(huán)節(jié)中對鳥害故障圖像的識別精度為標(biāo)準(zhǔn)，當(dāng)精度大于0.90之后便可停止訓(xùn)練。

二、實驗分析

為分析本文方法應(yīng)用效果，對表2所示的混合輸電線路鳥害故障數(shù)據(jù)集進(jìn)行識別。

表2 實驗所用數(shù)據(jù)集

表2中，以人工標(biāo)注的方式，使用已知為鳥害故障的輸電線路巡檢圖像作為訓(xùn)練樣本，訓(xùn)練深度殘差神經(jīng)網(wǎng)絡(luò)后，將無鳥害、有鳥害故障的測試樣本集合作為本文方法的識別目標(biāo)。

使用損失函數(shù)μ分析重建后興趣區(qū)域的失真情況，μ數(shù)值較大，則失真度較大。測試結(jié)果如圖1所示。

如圖1所示，本文方法重建后，興趣區(qū)域?qū)Ρ认拢瑩p失函數(shù)小于0.2，則失真度小于0.2，失真問題不凸顯，說明本文方法重建的超分辨率圖像對原始圖像特征的保護(hù)能力顯著。

為了分析本文方法通用性，以表2中樣本為例，其中A1鳥巢類故障圖像5張、A2鳥糞類故障圖像5張、A3鳥類身體接觸類故障圖像10張、A4鳥啄絕緣子類故障圖像3張、A5無鳥害故障圖像5張，則本文方法的識別結(jié)果如圖2所示。

如圖2所示，本文方法對鳥巢類故障、鳥糞類故障、鳥類身體接觸類故障圖像、鳥啄絕緣子類故障圖像、無鳥害故障圖像的識別數(shù)量符合實際，說明本文方法對多種鳥害故障均具有較好識別效果，且對無鳥害的圖像識別結(jié)果也沒有出錯，不存在誤識問題。

結(jié)論

針對此類巡檢圖像的識別問題，本文研究一種基于雙目仿鷹眼視覺與超分辨的混合輸電線路鳥害故障識別方法，可在巡檢圖像中鎖定興趣區(qū)域，以超分辨重建的方式優(yōu)化興趣區(qū)域的圖像質(zhì)量，提高興趣區(qū)域的清晰度后，由基于深度殘差網(wǎng)絡(luò)的鳥害故障識別模型，以圖像特征提取、特征二分類模式，完成鳥害故障圖像識別，具備鳥害故障識別的可用性。