基于深度学习的智能绝缘子识别技术.docx

?

?

基于深度学习的智能绝缘子识别技术

?

?

罗浩天罗锦严智敏宋晓雪

摘要为保证电力系统的稳定运行，输电线路的巡检是必不可少的。随着相关技术的发展，传统的人工巡检被无人机远程拍摄而取代，利用无人机携带的高清摄像机可以安全快捷的进行输电线路的日常巡检，将采集到的图像信息传输到终端并加以处理就可以了解各个输电塔的状况。为了便于对无人机采集的数据进行处理分析，本文利用深度学习技术对图片进行处理：首先为生成数据集，对图像进行预处理，并统一大小方便进行训练；再利用FCN算法，利用制作好的数据集，训练网络，调整参数；而后进行连通域的标定和绝缘子自爆位置的检测。通过深度学习算法，可以极大的减少人工成本，减少因疲劳而导致的错误

关键词图像预处理语义分割FCN连通域算法目标检测YOLO算法

：TM73：A：1007-0745（2020）02-0001-07

1基于深度学习的智能绝缘子识别技术

1.1研究背景及意义

在输电系统中，输电塔和高压线是其中主要的部分。在输电塔上，绝缘子是维修的关键部位。绝缘体通常由陶瓷或玻璃制成，以支撑导体并防止电流返回地面。然而，由于野外环境的多变，绝缘子极易损坏，常见的原因有污秽，高温，湿润，尘土等。若发生故障则不能保证电力系统的正常运转。

通过深度学习技术的应用，可以实现在复杂背景下针对绝缘子串的识别分割及绝缘子自爆故障的检测，有利于保证电力系统的安全稳定的运转。

1.2研究内容和技术路线

1.2.1研究内容

电力系统中的传输链路主要由架空输电线路实现。输电塔由若干部件组成：杆塔、电线、绝缘子、避雷针、开关、电缆、及其连接装置。内容繁多，过程复杂。为了有效完成对电力系统的检查，采用无人机设备对其进行全方位的拍摄。以完成绝缘子自爆的检测。利用深度学习技术对无人机采集到的图像进行分析处理，完成相应的任务要求。

1.2.2技术路线

本文通过无人机拍摄到的绝缘子图片，依据现有国内外对绝缘子的检测和自爆缺陷的识别发展现状，基于深度学习技术对获得的图片进行预处理、分割和识别，并检测出自爆绝缘子的位置。其中分为：

a）数据集的生成。本文使用官方的测试数据和Github公開的数据集作为绝缘子图像数据集。

b）绝缘子图像预处理。为增加数据集的图片量，采用旋转的方式将现有图片进行变形。为保证图片的大小一致，通过缩放方式将图片统一大小，为之后的深度学习提供数据集。

c）绝缘子的分割。利用FCN算法，利用制作好的数据集，训练网络。用测试数据生成的测试集进行测试，最后通过调参提高分割的成功率。

d）绝缘子连通域检测。

e）绝缘子自爆的识别。通过Yolov3对绝缘子的自爆故障进行定位，流程图如下：（如图1）

2绝缘子图像数据的采集和预处理

2.1采集数据

因为电路中的绝缘子通常建立在环境恶劣的地方，没有工具很难到达。大部分由无人机捕获和存储。无人机的任务包括自主设定计划、执行任务、对地面的监控，并且要对无人机的图像进行处理。无人机自动总要目标的检查、飞行控制、图像捕获和存储等一系列操作，最终获得较好的绝缘子状况。

2.2图像预处理

对图像进行一定的提取准备，可以减少噪声，使图像特征更明显，使得图像蕴含的信息得到较好的保存，从而提高后续处理的准确度。[1]

2.2.1图像切分

现有原始图片分辨率大致为7360×4912-3632×2624，每张图片大小大约都在7MB上。这些数据保存会耗费一定的储存空间，并且现有分辨率对进行图像处理和深度学习都过大，会大大增加计算的时间。因此本文采取先将采集到的750张图片切分为640×480大小，并打乱顺序，随机分布，减少原图过大带来的存储空间和后期计算耗时问题。

2.2.2基于Keras的图像变换

Keras封装了很多高层的神经网络模块，例如全连接层（Dense），卷积层（Conv2D），长短时记忆模型（LSTM）等等。利用Keras框架进行数据增强，进行上下，镜像翻转，以及随机修剪、色彩抖动、平移变换、尺寸变换，新增样本图片，将这些图片作为后续语义分割的训练集。

3基于语义分割的图像处理

3.1神经网络算法介绍

3.1.1R-CNN算法

CNN是Region-CNN的缩写。AlexNet是卷积神经网络的一种，主要包含8层，其中前五层为卷积层，后三层为全连接层。虽然R-CNN有着较高的准确度，但是它的识别效率较低，主要原因是它要提取说以的特征，计算的冗余量很大。所以将采用Fast-RCNN模型。Fast-RCNN在原来的基础上新增了回归性，将融合的地方化成一个模型。

下方为FasterRCNN结构流程图：（如图2）

3.1.2FCN算法

3.1.4模型建立

RCNN基本步骤为：

（1）通过对显著性进行校验获得2000个较为重要