基于DCNN 的输电线路隐患区域图像识别方法

居一峰，高弋淞，陈俊安，陈蔚卓，滕启韬

（1.海南电网有限责任公司海口供电局，海南海口 570105；2.昆明能讯科技有限责任公司，云南昆明 650217）

我国幅员辽阔，电网规模庞大，输电线路越来越长，电网维护工作难以开展。特别是随着电网企业超高压、特高压技术的快速发展，输电线路的保护显得尤为重要。在不同的输电线路故障中，如何有效地识别隐患区域成为一个热门话题[1-2]。

文献[3]优先采集输电线路图像，同时采用RGB色彩通道对图像的故障区域和非故障区域进行划分，完成图像识别。文献[4]优先建立了一个有效区域筛选模型，利用Mask-CNN 提取全部图像中的有效区域，将提取结果放置到GoogleNet 进行训练，构建图像识别模型。

上述方法在识别过程中没有对图像进行去噪处理，导致识别率降低、识别时间延长，对此，提出一种基于深度卷积神经网络(Deep Convolutional Neural Network,DCNN)的输电线路隐患区域图像识别方法，使其能够较短的时间和较高的识别精度下完成输电线路隐患识别。

1 识别方法

1.1 输电线路图像去噪

在拍摄图像的过程中，光线在不同角度下呈现的画面不同，导致输入和输出数据为非线性[5-6]，对此，设定输电线路图像的灰度为f，入射光强度为L，两者之间的输出信号关系能够表示为：

式中，c表示任意常数。

其中，输电线路图像中的灰度值和实际光照强度两者之间为非线性关系，需要将其转换为线性关系。式（2）给出了详细的非线性转换过程：

式中，g表示转换后的输电线路图像灰度值；k表示任意常数。

如果输电线路灰度图像的分辨率为m×n，则图像对应的平均灰度特征gˉ为：

式中，f(i,j)表示点(i,j)上的灰度值。

由于地形、环境等因素的影响，图像会严重变形或模糊，图像的整体质量下降。为了提高图像质量，需要对退化图像进行处理。其中，实际获取的退化图像g(x,y)可以通过退化模型进行描述，具体的表达形式如下：

式中，H()表示变换函数；f(x,y)表示输电线路的真实图像；n(x,y)表示加入噪声的输电线路图像。

通过上述分析，将函数H()转换为线性算子进行使用，则结合线性理论能够获取线性函数全新H[f(x,y)]的计算公式：

式中，δ(x,y)表示输电线路图像对应的单位冲击图像。

噪声是影响图像质量的核心因素。对采集到的传输线图像进行处理时，会产生不同类型的噪声，需要对其进行去噪处理[7-8]。假设噪声是由多个不同的随机变量组成，则输电线路图像对应的高斯噪声PDF 分布p(z)表示为：

式中，z表示输电线路的灰度级；σ表示图像的方差。

以下给出计算灰度值的平均值μ和方差σ对应计算公式：

式中，zi表示图像S中的灰度值；p(zi)表示经过响应后的归一化直方图值。

当进行输电线路图像采集时，由于摄像机是不稳定的，会产生比较严重的模糊现象。在实际应用的过程中，可以忽略全部外来因素，通过式（9）获取采集到的模糊输电线路图像，即：

式中，x0(t)表示输电线路图像在x方向的运动分量；y0(t)表示传输线路图像在y方向的运动分量；T表示采集总时长。

假设输电线路一直在一个方向上保持匀速直线运动，则经过退化处理后的传递函数H(u,v)为：

式中，u表示拍摄到的输电线路图像总数；v表示图像的采集速度；a和b表示任意常数[9-11]；j表示图像的标准差估计值。

结合上述分析，通过改进的维纳滤波算法对采集到的输电线路图像进行去噪处理[12]，其中改进后的维纳滤波算法操作流程如图1 所示。

图1 中，维纳滤波算法的核心是得到最佳滤波器，通过滤波器将图像中的均方差降至最低，并在算法中加入像质评价函数E，提升维纳滤波效果和图像质量，即：

图1 改进的维纳滤波算法操作流程

1.2 输电线路隐患区域图像识别

基于DCNN 的输电线路隐患区域图像识别方法主要划分为两个不同的阶段，具体如下所示。

1）训练阶段

在组建的数据集中随机选取5 000 张图像，将其设定为测试集，包含多种类型的输电线路图像。将训练集中的全部图像进行预处理，统一规格，同时，将其输入到DCNN 中进行深度特征提取。经过深度学习的一系列卷积操作后，获取对应的特征向量，同时，将特征向量输入到SVM 分类器中，获取最终的特征识别模型[13-14]。

2）测试阶段

测试阶段通过获取的识别模型对任意大小的图像进行处理，其中图像越小，处理速度就越快；反之，则速度越慢。

优先对数据集中的全部数据进行训练，才能够获取合适的模型，同时更好完成输电线路隐患区域图像识别。设定U表示人工选择且标记过的图像集合，I表示已经标记过的图像，对训练集中的全部特征进行提取，获取模型Γ。针对已经给定的图像I，需要优先提取输电线路图像对应的视觉特征，并且在模型Γ 中获取全部相似特征，更好完成图像检索。通过公式（12）获取联合视觉空间中相似特征的图像S(I)：

式中，ψ表示标记过的相邻视觉空间；Ii表示相似图像总数。

在相似性特征检索过程中，通过式（13）有效降低训练阶段形成得到误差：

为了获取更加精准的识别效果，需要借助SVM对分类器进行优化。设定函数hθ(x)为：

式中，x表示输入图像的特征向量；g表示logistic函数；θT表示图像映射后的取值。

将式（14）进行简化处理，同时进行简单的映射，则能够获取如下的映射关系：

将完成划分的样本全部输入到DCNN 中进行训练[15-16]，通过改进的SVM 分类器，组建输电线路图像分类模型。同时将测试图像输入到模型中，完成输电线路隐患区域图像识别。

2 实例分析

为了验证所提基于DCNN 的输电线路隐患区域图像识别方法的有效性，进行模拟实验测试。

设置两种测试环境：

测试环境1：在某地区的3—8 月份，雷雨天气易出现雷击，浓雾天气绝缘子污闪，输电线路负荷过重且存在导线接头接触不良的问题，暴风天气耐张杆距离较小的接续引线放电，引发了接头发热烧断故障，应用移动终端技术，辅助巡检人员快速获取故障区域，采集故障图像。

测试环境2：在该地区的某个输电线路上，此处为鸟害引起的线路跳闸，鸟在杆塔上筑巢或在线路的杆塔上停落，造成了线路故障，属于偶发性故障，采集此类图像，进行输电线路隐患图像识别。

分别采取三种不同方法对不同环境下的输电线路隐患进行识别，具体测试结果如图2 所示。

分析图2 中的实验数据可知，所提方法能够精准识别输电线路的隐患区域，而文献[3]方法和文献[4]方法并未识别到隐患区域，充分验证了所提方法的优越性。

识别时间也是验证识别性能的一项重要指标，以下实验测试对比不同方法的识别时间，具体实验结果如图3 所示。

图2 不同环境下各个方法的输电线路隐患区域图像识别性能测试

分析图3 中的实验数据可知，由于所提方法通过改进的维纳滤波算法对输电线路图像进行去噪处理，有效增加了图像质量，加快图像识别速度，以低于另外两种方法的时间完成输电线路隐患区域图像识别。

3 结束语

文中提出一种基于DCNN 的输电线路隐患区域图像识别方法，以输电线路图像数据集为输入，在深度卷积神经（DCNN）中训练，同时，以改进的SVM 分类器优化训练过程，结合像质评价函数，动态识别输电线路隐患区域，保证其能够以较快的识别速度和较高的识别率完成图像识别。

图3 不同方法的识别时间对比结果