基于深度學(xué)習(xí)的用電網(wǎng)絡(luò)絕緣子識別定位技術(shù)

中圖分類號：TP319 文獻(xiàn)標(biāo)志碼：A 文章編號：2095-2945（2025）20-0007-05

Abstract：Atpresent，mostoftheidentificationandpositioningofpower lineinsulatorsrelyonmanualwork，whichiscostly andineficient.Thedevelopmentofdeplearningtheoryhasgreatlypromotedtheintellgentidentificationandpositioningof insulators.Thispaper takes theimagerecognitionofinsulatorsinpowersupplynetworksastheresearchobject.Basedonthe deeplearningmethodandcombinedwiththeapplicationcharacteristicsofthepowersupplysafetydetectionandmonitoring devicesystem，theaplicationinintellgentrecognitionofpowersupplysafetydetectionandmoniringimagesisstudiedInthis paper，twoconvolutionalnetworksarecombined.Thenewalgorithmreduces thegenerationofredundantwindowsandusesa moreintellgentslidingmechanismtoimprovepositioningaccuracyThisimprovementmakestheunmannedmonitoringprocesof insulatorsmoreeficient，andtoacertainextentprovidestechnicalsupprtforunmannedreal-timemonitoringof powernetworks.

Keywords： electricity network;contact line; insulator; deep learning;positioning and identification

一般輸電線路或鐵路接觸網(wǎng)中極為重要的組件—一絕緣子，扮演著機(jī)械支撐和電氣隔離的雙重角色。然而，由于其常年暴露于外界環(huán)境中，絕緣子極易受到自然災(zāi)害、機(jī)械壓力及人為破壞的影響，成為了缺陷頻發(fā)的部件之一，因此對絕緣子進(jìn)行巡檢是保證線路正常運(yùn)行的關(guān)鍵，其中對絕緣子的識別定位是實(shí)現(xiàn)巡檢的基本前提，尤其是近年來應(yīng)用較多的無人智能化巡檢4。本文將對用電網(wǎng)絡(luò)絕緣子的識別定位展開研究。

近年來，隨著機(jī)器視覺和深度學(xué)習(xí)理論的發(fā)展，用電網(wǎng)絡(luò)絕緣子的識別定位技術(shù)主要采用機(jī)器視覺、神經(jīng)網(wǎng)絡(luò)等。傳統(tǒng)的基于圖像處理的目標(biāo)檢測方法很大程度上依靠人工提取特征[6-8]，該過程復(fù)雜，并且檢測精度較低，對圖像質(zhì)量及特征提取上魯棒性不高-10]，并且對外界環(huán)境的復(fù)雜性適應(yīng)較差，難以適用復(fù)雜的領(lǐng)域1。有別于傳統(tǒng)方法，深度學(xué)習(xí)理論克服了以上不足，針對目標(biāo)檢測，深度學(xué)習(xí)方法有更高的檢測精度[2]，尤其能夠更好地適應(yīng)多變的復(fù)雜場景（如雨霧天氣、強(qiáng)弱光照、昏暗光線等條件）[13]。

針對以上問題，本文聚焦于電力網(wǎng)絡(luò)中絕緣子圖像識別的研究，應(yīng)用深度學(xué)習(xí)方法，并基于供電安全監(jiān)測裝置系統(tǒng)的特性，探討了智能識別技術(shù)在供電安全監(jiān)測圖像中的應(yīng)用。研究中，文中構(gòu)建了一個由2個卷積神經(jīng)網(wǎng)絡(luò)融合而成的模型，該模型通過減少冗余窗口的產(chǎn)生，并采用更為精巧的滑動機(jī)制，顯著提高了定位的準(zhǔn)確性，從而大幅增強(qiáng)了絕緣子識別與定位技術(shù)的實(shí)用性和效率。

1辨識理論及方法闡述

1.1 絕緣子部件介紹

本文主要研究絕緣子定位的智能識別，其中接觸網(wǎng)絕緣子及其相關(guān)部件的詳細(xì)介紹如圖1所示。

在拍攝絕緣子時，輸電線路的復(fù)雜背景常導(dǎo)致目標(biāo)與背景混淆。此外，天氣、光照和拍攝角度等因素也會影響數(shù)據(jù)采集，給后期判別帶來困難，降低識別效率和準(zhǔn)確率。同時，使用高分辨率和高幀率相機(jī)拍攝會生成大量像素，占用大量內(nèi)存，并延長模型訓(xùn)練時間。因此，為了提高訓(xùn)練效率并保證精度，需要在輸入網(wǎng)絡(luò)前對待檢測圖像進(jìn)行預(yù)處理。圖像縮放作為調(diào)整數(shù)字圖像大小的關(guān)鍵步驟，需在處理效率、平滑度和清晰度之間找到平衡。實(shí)驗(yàn)表明，采用最鄰近插值法能有效提升圖像縮放效果。最近鄰插值法將原始圖像中的像素點(diǎn)在 x 和 y 方向上擴(kuò)展到相應(yīng)的像素點(diǎn)（ Φ_x1 y₁） ，其縮放系數(shù)為 k_x，k_y ，變換矩陣如下

在成像過程中，由于拍攝角度或距離的影響，常會出現(xiàn)透視扭曲，導(dǎo)致圖像形變，出現(xiàn)“遠(yuǎn)小近大\"的效果，從而影響識別。常用的校正方法是通過仿射變換來改善圖像，以便于人眼或機(jī)器識別。

仿射變換是一種在空間直角坐標(biāo)系中進(jìn)行的變換，其將一個二維坐標(biāo)系轉(zhuǎn)換為另一個二維坐標(biāo)系。作為一種線性變換，仿射變換保持了圖像的“平行性”和“平直性”，即變換前的直線和平行線在變換后依然保持不變。常見的仿射變換包括平移、縮放、翻轉(zhuǎn)、旋轉(zhuǎn)和剪切。

在二維平面圖像空間中，點(diǎn) 通過仿射變換得到點(diǎn) （x^′，y^′） 的過程可表示為

其中，變換矩陣可以拆成2部分， 表示線性變換， 用于平移。

經(jīng)過仿射變換后，圖像通常呈現(xiàn)為平行四邊形。由于仿射變換的方程組包含6個未知數(shù)，因此需要3組映射點(diǎn)來確定一個二維平面。已知3個對應(yīng)點(diǎn)后，可以求出變換公式。圖2展示了原始圖像中的平腕臂絕緣子與經(jīng)過仿射變換歸一化后的結(jié)果，變換后的絕緣子角度接近水平，并且圖像分辨率保持一致，為絕緣子的識別奠定了基礎(chǔ)。

1.2技術(shù)實(shí)施前置條件

圖像在形成過程中，由于車速變化、光照強(qiáng)度波動、車體振動及相機(jī)傳感器等因素，常會疊加噪聲。此外，圖像在計算機(jī)處理時也可能引入噪聲。這些噪聲會削弱圖像細(xì)節(jié)，導(dǎo)致特征模糊或丟失，從而影響后續(xù)的自標(biāo)檢測。因此，有必要對噪聲進(jìn)行過濾和處理。常見的濾波算法包括均值濾波、中值濾波和雙邊濾波。在輸入圖像之前，采用最臨近插值法、雙邊濾波及色域扭曲等方法進(jìn)行增強(qiáng)。同時，考慮到絕緣子樣本的不平衡問題，通過隨機(jī)平移、翻轉(zhuǎn)和剪切等方式擴(kuò)充數(shù)據(jù)集。

當(dāng)樣本數(shù)據(jù)集較小時，通常有2種處理方法：第一，進(jìn)行無監(jiān)督預(yù)訓(xùn)練后再進(jìn)行強(qiáng)監(jiān)督的參數(shù)調(diào)整；第二，使用在大規(guī)模數(shù)據(jù)集（如ImageNet）上預(yù)訓(xùn)練的模型進(jìn)行網(wǎng)絡(luò)初始化，再進(jìn)行參數(shù)調(diào)整。一般來說，第二種方法更為常用，因?yàn)槠洳僮骱啽恪⒂?xùn)練難度較低，并且在調(diào)參時更容易收斂。本章使用的是公共數(shù)據(jù)集VOC2007的預(yù)訓(xùn)練權(quán)重。V0C2007作為標(biāo)準(zhǔn)數(shù)據(jù)集，是評估圖像分類識別能力的基準(zhǔn)，F(xiàn)asterR-CNN、YOLO系列等算法均在該數(shù)據(jù)集上展示性能。部分?jǐn)?shù)據(jù)集如圖3所示。

在實(shí)驗(yàn)階段，將采用不同的算法對采集到的數(shù)據(jù)進(jìn)行檢測，為使其他算法能方便使用該數(shù)據(jù)集數(shù)據(jù)，并使用GitHub的開源標(biāo)注工具對圖形進(jìn)行標(biāo)記，以得到符合PASCALVOC數(shù)據(jù)集標(biāo)準(zhǔn)的xml格式文件，并把文件放入對應(yīng)的文件夾。在本文中按照8：1：1的比例將數(shù)據(jù)集分成訓(xùn)練集、測試集、驗(yàn)證集。

1.3 接觸網(wǎng)絕緣子識別流程研究

首先在吊索圖像中定位絕緣子，然后識別絕緣子。作為關(guān)鍵組件之一，絕緣子通過與其他關(guān)鍵組件相同的Faster R-CNN （Faster Region-based ConvolutionalNeuralNetwork，）網(wǎng)絡(luò)進(jìn)行定位。FasterR-CNN網(wǎng)絡(luò)包括2個卷積神經(jīng)網(wǎng)絡(luò)：區(qū)域提議網(wǎng)絡(luò)（RegionProposalNetwork，RPN）和FastR-CNN自標(biāo)檢測網(wǎng)絡(luò)，如圖4所示。這2個深度神經(jīng)網(wǎng)絡(luò)共享全圖卷積層，從而提高了檢測效率。

RPN是一個完全卷積網(wǎng)絡(luò)，以圖像為輸入，直接生成可能包含待檢測物體的區(qū)域提議。其通過滑動共享的卷積層特征圖，使用 3×3 的空間窗口，在每個位置預(yù)測 k 個不同尺度和長寬比的錨框。對于大小為 W×H 的卷積特征圖，總共生成 W×H×k 個錨框。然后，根據(jù)錨框的得分，選擇前300個錨框作為區(qū)域提議，并將其輸入到FastR-CNN的區(qū)域興趣（ROI）池化層

池化層使用最大池化將區(qū)域提議的特征轉(zhuǎn)換為固定長度的特征向量。最后，通過全連接層輸出激活函數(shù)概率和每類的邊界框回歸偏移量。訓(xùn)練完成后，這2個網(wǎng)絡(luò)形成了一個統(tǒng)一的FasterR-CNN網(wǎng)絡(luò)，用于絕緣子。

開源的FasterR-CNN目標(biāo)檢測框架中，網(wǎng)絡(luò)雖然比VGG16更簡潔、速度更快，但精度不如VGG16。因此，本文對FasterR-CNN方法進(jìn)行改進(jìn)，提出了基于VGG16的FasterR-CNN算法，以實(shí)現(xiàn)更高的準(zhǔn)確率。其整體模型網(wǎng)絡(luò)結(jié)構(gòu)圖如圖4所示。

改進(jìn)的FasterR-CNN利用RPN網(wǎng)絡(luò)來計算候選框。RPN結(jié)構(gòu)如圖5所示，其以共享著積層輸出的featuremap為輸入，輸出一系列矩形區(qū)域提名，每個區(qū)域都分別對應(yīng)目標(biāo)數(shù)和位置信息。

RPN的核心思想是通過卷積神經(jīng)網(wǎng)絡(luò)直接生成建議區(qū)域。其設(shè)計巧妙，只需在共享卷積層輸出的特征圖上滑動一次，利用anchor機(jī)制和邊框回歸，可以獲得多尺度和多長寬比的建議區(qū)域。RPN采用二分類，僅區(qū)分背景和物體，不預(yù)測具體類別，因此是class-agnostic。在訓(xùn)練過程中，需要將先驗(yàn)框與真實(shí)框進(jìn)行匹配，以便同時預(yù)測坐標(biāo)值。

1.4絕緣子視覺定位技術(shù)

通過自標(biāo)識別，可以獲得絕緣子的像素坐標(biāo)，但絕緣子辨識定位需要其三維定位信息。通過分析像素坐標(biāo)與世界坐標(biāo)之間的映射關(guān)系，可以實(shí)現(xiàn)對識別果實(shí)的三維定位。除了像素坐標(biāo)系和空間坐標(biāo)系，相機(jī)成像模型中還包括圖像坐標(biāo)系和相機(jī)坐標(biāo)系。各個坐標(biāo)系的關(guān)系如圖6所示，接下來將分析各個坐標(biāo)系之間的變換關(guān)系，從而推導(dǎo)像素坐標(biāo)與世界坐標(biāo)的變換關(guān)系。

1.4.1圖像像素坐標(biāo)系 （u，v） 與圖像物理坐標(biāo)系 （x，y） 的變換關(guān)系

圖像像素坐標(biāo)系度量單位為像素，圖像物理坐標(biāo)系度量單位為毫米，需要對兩者坐標(biāo)關(guān)系進(jìn)行轉(zhuǎn)化，2個坐標(biāo)系共面關(guān)系如圖6所示。假設(shè)圖像物理坐標(biāo)系下的原點(diǎn) o 在像素坐標(biāo)系下的坐標(biāo)為 （u₀，v₀） ，每個像素在 x，y 軸上的大小分別為 dx，dy ，則2個坐標(biāo)系的轉(zhuǎn)換關(guān)系為

識別絕緣子后，經(jīng)過上述變換能夠精準(zhǔn)得出目標(biāo)絕緣子位置信息，并將該信息傳導(dǎo)至終端，以便于位置的辨識，完成對絕緣子的更換、安裝作業(yè)

2 仿真實(shí)驗(yàn)

采用上述神經(jīng)網(wǎng)絡(luò)，對輸入圖片中的絕緣子進(jìn)行識別，識別結(jié)果如圖7所示。為凸顯本文所提算法的魯棒性和適應(yīng)性，仿真實(shí)驗(yàn)部分采用一般的高壓輸電網(wǎng)絡(luò)絕緣子。實(shí)驗(yàn)結(jié)果表明，針對復(fù)雜背景環(huán)境中的多個絕緣子，所提方法能夠準(zhǔn)確無誤悉數(shù)檢測出來；

針對拍攝視角的不同，所提網(wǎng)絡(luò)能夠提取絕緣子特征信息，將縮小的后絕緣子檢測出來。由此可見本文網(wǎng)絡(luò)策略的可行性，實(shí)驗(yàn)結(jié)果圖如圖7所示。

成功檢測出絕緣子后，根據(jù)相機(jī)拍攝的焦距、角度、縮放比例等數(shù)據(jù)信息，計算出標(biāo)簽內(nèi)相片絕緣子位置信息，代入式（1）至式（9）便可計算得出現(xiàn)實(shí)中絕緣子三維信息，將三維信息輸入內(nèi)置計算器，完成絕緣子識別、定位任務(wù)。

在仿真計算中，將本文提出的改進(jìn)FasterR-CNN網(wǎng)絡(luò)方法和傳統(tǒng)FasterR-CNN方法的計算準(zhǔn)確率進(jìn)行對比分析，計算結(jié)果如圖8所示。

圖8的計算結(jié)果表明，文中提出的改進(jìn)FasterR-CNN的準(zhǔn)確率相較傳統(tǒng)FasterR-CNN方法有較為明顯的提升。

3結(jié)論

本文研究中，通過引入更先進(jìn)的圖像處理技術(shù)，能夠精準(zhǔn)區(qū)分絕緣子及其他設(shè)備。這種增強(qiáng)的背景區(qū)分能力不僅提升了檢測的可靠性，還減小了誤報和漏報的可能性，保障了用電網(wǎng)絡(luò)運(yùn)行的安全性。針對傳統(tǒng)算法在低維特征應(yīng)用中的不足，采用了更復(fù)雜的特征提取方法，使得算法能夠獲取更豐富的高維特征信息。研究了一套較為適用的檢測框架，針對多類型用電網(wǎng)絡(luò)上的絕緣子，本文所提算法表現(xiàn)出較好的魯棒性和適應(yīng)性，同時文中提出的改進(jìn)FasterR-CNN方法的辨識準(zhǔn)確率也有了一定程度的提高。文中所研究的絕緣子識別定位技術(shù)，不僅簡化了辨識方法的開發(fā)流程，也減少了對技術(shù)人員的培訓(xùn)需求，為線路巡檢及定位辨識提供了一定技術(shù)支持，較大程度上提高了用電網(wǎng)絡(luò)系統(tǒng)的運(yùn)營效率。

參考文獻(xiàn)：

[1]田升平.電氣化鐵路接觸網(wǎng)瓷絕緣子運(yùn)行狀態(tài)評估方法研究[J].電氣化鐵道，2022，33（S1）：62-65.

[2]王景致，劉剛，袁嘉彬，等.電力巡檢中的圖像融合技術(shù)與應(yīng)用[J].自動化技術(shù)與應(yīng)用，2019，38（8）：111-114.

[3]劉仕兵，周詩涵，但業(yè)光.基于改進(jìn)YOLOv5算法的接觸網(wǎng)絕緣子定位方法[J].華東交通大學(xué)學(xué)報，2024，41（1）：105-112.

[4]彭向陽，易琳，錢金菊，等.大型無人直升機(jī)電力線路巡檢系統(tǒng)實(shí)用化[J].高電壓技術(shù)，2020，46（2）：384-396.

[5]陳文浩，姚利娜，李豐哲.無人機(jī)電網(wǎng)巡檢中的絕緣子缺陷檢測與定位[J].計算機(jī)應(yīng)用，2019，39（S1）：210-214.

[6] BARZEL B，BARABASI A. Universality in network dynamics[J.Nature Physics，2013，9（10）： 673-681.

[7] GEL， TAN Y. Cauliflower seedling recognitionusingstereovision andK -Medoidsalgorithm underweedyconditions [C]//Journal of Physics： Conference Series.IOPPublishing，2020，1621（1）：012056.

[8] XUS，ZHANGY，DONG W，et al.Early identificationandlocalization algorithm for weak seedlingsbasedonphenotype detection and machine learning [J]. Agriculture，2023，13（1）：212.

[9]莫云，郭巖，莫禾勝，等.基于特征過濾和PCA降維的混合特征選擇方法[J].桂林航天工業(yè)學(xué)院學(xué)報，2022，27（2）：145-151.

[10]厲彥福.基于SURF特征提取和Brute-Force搜索的圖像匹配算法[J].北京測繪，2019，33（11）：1352-1355.

[11]胡靖逸，郭雪亮，李會軍，等.目標(biāo)檢測算法R-CNN在現(xiàn)實(shí)場景數(shù)字檢測任務(wù)中的應(yīng)用[J].電子技術(shù)與軟件工程，2018（24）：90.

[12]李柯泉，陳燕，劉佳晨，等.基于深度學(xué)習(xí)的目標(biāo)檢測算法綜述[J].計算機(jī)工程，2022，48（7）：1-12.

[13]張子健，馬吉恩，李旭峰，等.基于深度學(xué)習(xí)與 Hu 不變矩的絕緣子故障檢測[J].鐵道學(xué)報，2021，43（2）：71-77.