基于图像增强与CNN的输电线路破损绝缘子识别

张庆　霍婷婷　苗海东　刘运节

摘  要：输电线路是电力系统中电能传输的关键，近年来无人机技术和机器视觉的快速发展为电力线路绝缘子识别提供了便捷。基于无人机拍摄的输电线路破损绝缘子自动识别能有效降低人工巡检的成本和安全隐患。无人机拍摄的绝缘子图像存在目标相对背景较小、目标特征不明显、绝缘子破损区域较小识别难度大等困难。为降低上述影响，基于图像灰度均衡化和SRCNN超分辨率图像增强技术，设计了一种基于CNN的输电线路破损绝缘子识别算法，并在权威数据集上验证了所提算法的有效性。

关键词：破损绝缘子识别；灰度均衡化；SRCNN；CNN

中图分类号：TP391.4；TP18 文献标识码：A 文章编号：2096-4706（2023）19-0151-05

Identification of the Defective Insulators of Power Transmission Lines Based on Image Enhancement and CNN

ZHANG Qing， HUO Tingting， MIAO Haidong， LIU Yunjie

（Ningxia Normal University， Guyuan  756099， China）

Abstract： Power transmission lines are the key to the transmission of electrical energy in power systems. With the rapid advancement of drone technology and machine vision， it has provided convenience for the identification of insulation on power transmission lines. The automatic identification of defective insulators on power transmission lines captured by UAVs， can effectively reduce the cost and safety hazards of manual inspection. The insulator images captured by UAVs exist some difficulties such as relatively small target backgrounds， unclear target features， and difficulty of identifying small defective insulator areas. To reduce the aforementioned impacts， an identification algorithm of defective insulators of power transmission lines based on CNN is designed， which is based on image grayscale equalization and SRCNN super-resolution enhancement. And the effectiveness of the proposed algorithm is verified on the authoritative dataset.

Keywords： identification of defective insulator; grayscale equalization; SRCNN; CNN

0  引  言

輸电线路承载着电能的传输，对电力系统的安全稳定运行起到了十分关键的作用。对于输电线路来讲，电力绝缘子是必不可少的，其发挥了对输电线路的支撑和保护作用[1]。长时间暴露在自然环境下，绝缘子不可避免会出现许多损伤[2]，定期对绝缘子进行巡检并及时发现绝缘子的破损是保障安全、稳定的重要举措。特别是远距离输电情况下，输电线路存在地势、气候变化带来的困难，这就给人工检测绝缘子带来了较大的困难。传统的人工巡检需要人员逐一检查每个绝缘子，耗费大量的时间和人力资源。人工巡检容易受到环境、人员主观因素的影响，存在漏检、误检等问题。而自动识别技术可以基于大数据和深度学习等算法，准确分析绝缘子的状态和缺陷，避免由于人为因素导致的误判，提高了巡检的准确性。面对复杂的地势、气候时，人工巡检不仅消耗大量人力物力，同时也会产生诸多安全隐患。随着现代化技术的发展，利用自动识别绝缘子的方法可以提高对绝缘子监测的效率和准确性，具有重要的研究背景和意义。自动识别绝缘子还有助于及时检测绝缘子的损坏和缺陷。绝缘子在使用过程中可能会受到灰尘、腐蚀、干扰等因素的影响，进而导致绝缘子的降解、断裂等问题。利用自动识别技术可以实时监测绝缘子的状态，及时发现潜在的问题，以便进行维修和更换，提高输电线路的可靠性和安全性。因此，本文基于深度学习算法设计了一种自动识别破损绝缘子的算法，并在数据集上验证了所设计算法的有效性。

随着深度学习的迅速发展与应用，自动实现无人机拍摄图像的破损绝缘子识别变得高效、便捷。针对破损绝缘子的自动识别一般包括两部分内容：绝缘子目标检测和破损识别。目标检测算法能够实现对图像中绝缘子对象进行定位，典型的算法网络包括SSD[3]和YOLO系列[4，5]。破损绝缘子识别采用算法实现图像特征提取，运用分类器实现破损绝缘子与正常绝缘子分类，进而识别出破损绝缘子，为电网的稳定运行与维修提供了便捷。

颜宏文等基于YOLOv3模型，改进了损失函数，设计了一种绝缘子串诊断方法，集合迁移学习实现了有效应对数据集小带来的过拟合问题，提高了诊断精确度[6]。孙晗等结合CenterNet网络加深了特征的提取能力，并结合迁移学习实现了学习效率的提升[7]。针对绝缘子漏检的情况，文献[7]中采取金字塔池化模块，在降低漏检率上取得了较好的效果。陈奎等针对YOLOv5参数多、计算量大的问题，设计ShuffleNetV2-Stem-SPP（3S）为主干网络，并采取图像增强和CIoU损失函数来降低轻量化网络造成的精确度损失，有效提高了检测精确度，降低了参数量，提高了检测速度[8]。

针对破损绝缘子检测，本文进一步深入研究，发现无人机拍摄的绝缘子照片中背景干扰对绝缘子检测较大。基于无人机拍摄的绝缘子破损检测无须担忧地形或交通限制，无人机能够快速覆盖整个输电线路，完成绝缘子巡检任务。与传统的人工巡检相比，无人机识别绝缘子破损更加高效便捷，节省了大量时间和人工成本。通过无人机上的摄像设备，可以从高空俯瞰输电线路和绝缘子，获取全面、细致的图像信息。这种俯瞰视角有助于发现地面上隐蔽的绝缘子破损，如细小的裂纹、腐蚀和污垢等，可帮助人员在早期发现问题，避免事故的发生。通过实时传输图像和视频数据，无人机能够实时监测绝缘子的状态变化。一旦发现绝缘子出现破损或异常情况，可以立即报警或采取相应措施，及时修复或更换绝缘子，提高输电线路的可靠性和安全性。无人机收集的图像数据可以结合大数据处理技术进行分析和挖掘，建立绝缘子破损的数据库。通过大数据分析，可以提取出绝缘子的破损特征、趋势和规律，为预测和预防绝缘子破损提供科学依据。同时结合计算机视觉和图像处理算法，无人机能够自动识别绝缘子的破损情况。这种自动化识别减轻了人工巡检的负担，并减少人为主观因素对识别结果的影响，提高了识别的准确性和可靠性。综上所述，无人机识别输电线路绝缘子破损具有高效便捷、高空视角、实时监测、大数据处理和自动化识别等优势。这种技术将为输电线路绝缘子的巡检和维护提供可靠、高效的解决方案。为了提高破损绝缘子的检测精度，针对数据集中的图像，先进行图像增强处理，增加图像对比度，使其更清晰，然后结合卷积神经网络（Convolutional Neural Network， CNN）实现破损绝缘子识别。

1  算法框架

在破损绝缘子识别过程中，原始图像存在背景干扰较大等问题，如图1所示。首先采用灰度均衡化突出细节特征，然后采用超分辨率卷积神经网络（Super-Resolution Convolutional Neural Network， SRCNN）对图像进行超分辨率重建，从而实现图像增强来优化数据集。最后，训练CNN实现分类，达到破损绝缘子识别的功能。

1.1  灰度均衡化

灰度均衡化是通过扩展图像的灰度分布范围，从而实现增加对比度的一种图像增强方法[9]。图像灰度均衡化如式（1）所示。经式（1）可以均衡化图像，然后四舍五入取整处理：

8位二进制图像像素灰度值属于[0，255]，当原始图像中灰度值分布范围没有完全分布满[0，255]或分部较集中时，经灰度均衡化处理则可以实现像素灰度值在[0，255]范围内更加均衡分布。彩色图像为三通道图像，按照R、G、B通道分别进行灰度均衡化，再合成为一幅图像。彩色图像灰度均衡化如图1所示。从图1中可以看出，灰度均衡化之后的图像对比度增强，对应的灰度均衡化图像直方像素分布范围更宽、更均匀。

1.2  SRCNN圖像增强

图像超分辨率重建是一种将输入的低分辨率图像重建为高分辨率图像的增强算法，通过超分辨率重建后的图像细节更加真实，边缘更加清晰。SRCNN是一种基于深度学习网络模型的超分辨率重建模型。SRCNN超分辨率重建算法是2014年被提出的，在提高图像分辨率、图像细节特征质量上取得了非常显著的效果[10]。SRCNN网络结构如图2所示，分为特征提取层、非线性映射层和图像重建层三部分。特征提取层采用卷积核实现图像卷积运算，得到图像特征图。非线性映射层对输入的特征图进行卷积核过滤，增加了网络的非线性程度。图像重建层上采样恢复高分辨率图像。

1.3  卷积神经网络

CNN属于深度学习模型的一种，在图像处理上具有优秀的特征提取性能，目前已被广泛应用。作为一种重要的图像处理的网络模型，近些年研究者们针对CNN改进出了许多的变体，并在诸多领域取得了惊人的卓越性能[11]。为了客观验证所设计算法的有效性，采用训练CNN实现特征提取与识别。搭建的CNN模型包括3层卷积层、3层池化层、1层展开层和2层全连接层。为了能够充分提取图像特征信息，提高识别精度，卷积核尺寸选择3×3，池化层选取最大池化运算。

1.4  破损绝缘子识别算法

采用无人机等设备采集的绝缘子图像具有抖动大、背景复杂、噪音多、图像质量易受气候影响等特点，给绝缘子破损信息的识别带来了很大难度。传统的图像处理方式难以满足复杂情况下的高效识别，为此，选择采用训练CNN深度学习模型实现破损绝缘子识别。输电线路绝缘子数据集选用的是中国输电线路绝缘子数据集（Chinese Power Line Insulator Dataset， CPLID）[12]，该数据集是由无人机拍摄的绝缘子图像组成，包括正常绝缘子图像和合成的缺陷绝缘子。数据集中正常的绝缘子600张，有缺陷的绝缘子248张。

基于深度学习的电力破损绝缘子识别方法流程图如图3所示，主要包括以下6个内容：

1）数据集建立。数据集选用CPLID数据集，图像为三维彩色图像，包括正常绝缘子和有缺损绝缘子两类，图像格式为jpg格式。

2）灰度均衡化图像增强。灰度均衡化处理能够将8位图像像素值在[0，255]范围内进行分布，像素值分布更均匀，局部特征增强，图像更清晰。在彩色图像的RGB通道都采用灰度均衡化增强。

3）SRCNN超分辨率图像增强。将图像输入已提前训练好的SRCNN模型中，重建输出增强后的图像。

4）搭建CNN模型。CNN模型包括3层卷积层、3层池化层、1层展开层和2层全连接层。卷积核尺寸选择3×3，池化层选取最大池化运算。

5）训练CNN模型。经图像增强后的图像对CNN模型进行训练，通过多周期迭代实现参数的优化。

6）特征提取与破损绝缘子识别。在验证集上验证训练好的CNN模型对输电线路破损绝缘子的识别精度。

2  实验结果与分析

研究实验在Windows 10操作系统下进行，计算机配置为Intel（R） Core（TM） i7-6700HQ CPU处理器（2.60 GHz，8核心）、8 GB内存和1 TB硬盘。图像处理部分使用Jupyter Notebook和MATLAB R2017b。在CPLID数据集中随机选取了训练集包含700张图像，验证集包含74张图像。原始数据集中图像背景较为复杂，为了能突出细节特征和图像分辨率，先对原始数据集图像进行图像增强，包括彩色图像的灰度均衡化处理和SRCNN超分辨率增强，具体结果分别如图4所示。

经图像增强后的图像组成的数据集，为了提高训练速度和降低对计算机内存的需求，首先将图像尺寸标准化为（150，200，3），然后训练CNN模型实现绝缘子图像特征的提取和破损绝缘子识别，识别结果如图5所示。

从图5中可以看出经过训练后，CNN模型在训练集和验证集上都能够趋于收敛，在训练集和验证集上的识别精度都能达到90%以上。训练集上的精度较优秀，这是因为训练集和验证集样本是原始数据集中不重复图像，CNN模型就是在训练集上训练的，因此验证集上的识别精度略低于训练集。训练集上CNN模型的损失值低于验证集，而且更加平稳，说明训练达到了较为优秀的效果。虽然训练样本数较少，但是所提出的破损绝缘子识别算法在验证集上取得的精度十分接近训练集精度，说明此算法有效克服了样本少产生的过拟合问题。在验证集上损失值还存有波动较大的情况，因为数据集样本数较少，但整体上已经取得了较为优秀、稳定的识别性能。

3  结  论

目前输电线路绝缘子数据集还较少，无人机采集的绝缘子图像目标相对背景较小、目标特征不明显，绝缘子破损区域一般较小从而识别难度大。为此基于CNN模型设计了一种破损绝缘子识别算法，通过灰度均衡化和SRCNN超分辨率增强来降低上述不良影响，进一步在彩色图像上实现了上述图像增强的目的。利用图像增强处理后的数据集训练CNN模型，从而实现了高精确度识别破损绝缘子的目的。

参考文献：

[1] 郝帅，马瑞泽，赵新生，等.基于超分辨深度残差网络的玻璃绝缘子自爆故障检测算法 [J].高电压技术，2022，48（5）：1817-1825.

[2] 柳方圆，任东，王露等.高分辨率的航拍输电线路绝缘子检测 [J/OL].电子测量技术：1-11（2023-09-13）.http：//kns.cnki.net/kcms/detail/11.2175.tn.20230221.1659.008.html.

[3] LIU W，ANGUELOV D，ERHAN D，et al. SSD： Single Shot MultiBox Detector [C]//Computer Vision——ECCV 2016.Amsterdam：Springer，2016：21-37.

[4] REDMON J，FARHADI A. YOLOv3： An Incremental Improvement [J/OL].arXiv： 1804.02767 [cs.CV].（2018-04-08）.https： //arxiv.org/abs/1804.02767.

[5] BOCHKOVSKIY A，WANG C-Y，LIAO H-Y M. YOLOv4： Optimal Speed and Accuracy of Object Detection [J/OL].arXiv： 2004.10934 [cs.CV].（2020-04-23）.https：//arxiv.org/abs/2004.10934.

[6] 颜宏文，陈金鑫.基于改进YOLOv3的绝缘子串定位与状态识别方法 [J].高电压技术，2020，46（2）：423-432.

[7] 孙晗，邹宽胜.基于改进CenterNet网络的绝缘子检测方法 [J].计算机技术与发展，2023，33（3）：57-62.

[8] 陈奎，刘晓，贾立娇，等.基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测 [J/OL].高电压技术：1-14（2023-02-15）.https：//doi.org/10.13336/j.1003-6520.hve.20221652.

[9] 马林涛，陈德勇.基于Matlab程序的图像灰度均衡化及其边缘检测 [J].广西师范学院学报：自然科学版，2012，29（2）：37-42.

[10] DONG C，CHEN C L，HE K，et al. Learning a Deep Convolutional Network for Image Super-Resolution [C]//Computer Vision–ECCV 2014.Zurich：Springer，2014：184-199.

[11] ZHANG Q，YAN Y，LIN Y，et al. Image Security Retrieval Based on Chaotic Algorithm and Deep Learning [J].IEEE Access，2022，10：67210-67218.

[12] TAO X，ZHANG D P，WANG Z H，et al. Detection of Power Line Insulator Defects Using Aerial Images Analyzed With Convolutional Neural Networks [J].IEEE Transactions on Systems，Man，and Cybernetics： Systems，2020，50（4）：1486-1498.

作者簡介：张庆（1989—），男，汉族，河南永城人，讲师，硕士，研究方向：深度学习、电力巡视识别；霍婷婷（1985—），女，汉族，宁夏固原人，讲师，硕士，研究方向：智能交通、人工智能；苗海东（1992—），男，汉族，宁夏固原人，讲师，硕士，研究方向：电力系统、电气控制；刘运节（1989—），男，汉族，安徽安庆人，讲师，硕士，研究方向：计算机网络。

收稿日期：2023-06-25

基金项目：宁夏自然科学基金项目（2022AAC03302）；宁夏师范学院本科教学项目（NJYJSJY2307）