基于图像增强与迁移学习的破损绝缘子识别

摘" 要： 输电线路是电力系统中电能传输的关键，随着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图像识别，能有效降低人工巡检的成本和安全隐患。为了提高绝缘子识别精确度，提出一种基于图像灰度均衡化和超分辨率卷积神经网络的图像增强算法。灰度均衡化算法能够改善图像的对比度，提高图像清晰度；超分辨率卷积神经网络图像增强算法实现了图像的超分辨率重建，从而使图像清晰度更高、真实度更强。通过使用VGG16作为特征提取和分类器，结合迁移学习实现模型的训练，对增强后的彩色图像数据集进行训练，进一步提高了识别精度。在权威数据集CPLID上验证了所提出算法的有效性与高识别精度，并比较了不同算法模型的精确度，所提出的深度迁移学习算法在实际应用中能有效降低人工巡检的成本和安全隐患。

关键词： 破损绝缘子； 无人机； 图像识别； 灰度均衡化； 超分辨率增强； 卷积神经网络； 深度学习； 迁移学习

中图分类号： TN919.8⁃34； TP391.9" " " " " " " " " " 文献标识码： A" " " " " " " " "文章编号： 1004⁃373X（2024）05⁃0075⁃05

Defective insulator identification based on image enhancement and transfer learning

ZHANG Qing1， MIAO Haidong1， YAN Yong2， HUO Tingting1， LI Yan1

（1. School of Physics and Electronic Information Engineering， Ningxia Normal University， Guyuan 756099， China;

2. School of Mechanical and Electrical Engineering， North University of China， Taiyuan 030051， China）

Abstract： Power transmission lines play a key component in the power system for transmitting electricity. With the rapid development of UAV technology and machine vision， identifying damaged insulators in power transmission lines has become more convenient. The identification of defective insulator image captured by UAV in power transmission lines can effectively reduce the cost and safety hazards of manual inspections. In order to improve the accuracy of insulator identification， an image enhancement algorithm based on image grayscale equalization and super⁃resolution convolutional neural network （SRCNN） is proposed. Grayscale equalization algorithm can improve the contrast and sharpness of the image. The image enhancement algorithm based on SRCNN can realize the super⁃resolution reconstruction of the image， which makes higher sharpness and authenticity. By using VGG16 as the feature extractor and classifier and incorporating transfer learning for model training， the accuracy of the identification is further improved by training the enhanced color image dataset. The effectiveness and high recognition accuracy of the proposed algorithm are validated on the authoritative CPLID （Chinese power line insulator dataset）， and the accuracy of different algorithm models is compared. The deep transfer learning algorithm proposed can effectively reduce the cost and safety risks of manual inspections in practical applications.

Keywords： defective insulator; UAV; image identification; grayscale equalization; super⁃resolution enhancement; CNN; deep learning; transfer learning

0" 引" 言

电力是国家的重要基础设施，输电线路是电能传输的重要通道，电力系统的安全稳定运行与之密不可分[1]。在输电线路中，电力绝缘子作为支撑和保护结构，发挥着极为关键的作用[2]。然而，由于长期暴露于自然环境中，绝缘子会不可避免地出现一些损伤和故障[3]。及时发现绝缘子的破损对于保障电力系统的运行安全和稳定至关重要，定期的绝缘子巡检是重要的手段。人工巡检消耗大量人力，安全隐患较大[4]。随着大数据算力的提升，许多深度学习被应用在图像处理领域，并取得了十分显著的成效[5]。因此，结合深度迁移学习算法，提出了一种算法实现破损绝缘子识别，并在CPLID上验证有效性。该算法可以显著提高绝缘子破损的检测效率和准确率，对于保障电力系统的稳定运行具有重要的意义。

随着深度迁移学习技术的迅猛发展和广泛应用[6]，基于无人机拍摄的破损绝缘子识别广泛应用，包括破损识别和目标检测[7]，常见模型有SSD[8]和YOLO系列[9⁃10]等。通过自动识别算法的创新性和实用性，可以有效地提高破损绝缘子的检测精度和准确率，为电力系统的安全运行和维护提供了有力的技术支撑。

在绝缘子自动识别领域，研究人员提出了各种创新性的方法和技术来解决检测精度和效率的问题。文献[11]通过改进YOLOv3损失函数，采用迁移学习技术降低了过拟合影响。文献[12]结合迁移学习技术和CenterNet网络提升了检测的精度和速度。对于绝缘子漏检的问题，文献[12]创新性地采用了金字塔池化，另一方面，文献[13]改善了轻量化网络带来的检测精度下降问题。这些方法持续发展和完善，为绝缘子自动识别提供了技术支持和指导。

针对绝缘子细微的破损情况，受背景干扰的影响更为严重，导致检测精度下降。为此，本文采用图像增强处理技术，先对数据集中的图像进行对比度增强，使绝缘子的边缘更加清晰明显，以提高后续卷积神经网络的识别效果，并结合CNN和深度迁移学习实现了破损绝缘子的自动检测，在实验中得到了令人满意的结果。这些研究成果和技术方法的继续完善和发展，将有助于进一步提高绝缘子自动检测的精度和效率。

1" 算法框架

本文的研究重点在于破损绝缘子的自动检测和识别，采用灰度均衡化突出细节特征，如图1所示。同时，结合超分辨率卷积神经网络（Super⁃Resolution Convolutional Neural Network， SRCNN）[14]进行图像重建，以实现图像增强。本文采用CNN进行分类训练，以达到破损绝缘子的自动检测和识别功能。这种研究方法可以显著提高破损绝缘子的识别精度和准确性，具有重要的应用价值和推广意义。

1.1" 灰度均衡化

灰度均衡化是一种常见的图像增强方法，通过扩展灰度分布，增加对比度，从而使图像更加清晰明确[15]。采用下式进行计算并四舍五入取整，以实现灰度均衡化处理。

[sk=roundL-1M⋅Ni=0kni，" " k=0，1，2，…，L-1]

式中：[sk]表示均衡化后的像素值；[L]表示像素灰度级数；[M]表示图像的行数；[N]表示图像的列数；[n]表示原始图像中与像素灰度值相同的像素数；[k]表示像素值在[0，255]间的整数。

8位二进制图像像素灰度值的范围为[0，255]，如果原始图像中的像素灰度值分布范围集中或者没有完全使用这个范围，就会导致图像对比度较差、视觉效果不理想。为了解决这个问题，本文采用灰度均衡化处理方法，旨在使得图像中的像素灰度值更加均衡地分布在[0，255]的范围内。对于彩色图像，先分解成灰度通道，分开计算后再逆向合成。如图1所示，彩色图像经过灰度均衡化处理之后，图像对比度有了明显的提升，同时灰度像素的分布范围也更加均匀宽广，从而增强了图像的视觉效果[16]。通过灰度均衡化处理，可以显著地提升图像质量，使其更容易被识别和分析。

1.2" SRCNN图像增强

SRCNN基于深度学习模型，能有效提高图像分辨率和质量[17]，如图2所示。实现了特征提取和非线性映射之后，图像重建层将进行上采样，以恢复重建的高分辨率图像。SRCNN通过深度学习与卷积神经网络的结构相结合，实现了超分辨率重建，从而使图像清晰度更高、真实度更强。

1.3" 卷积神经网络

CNN模型在图像分类、目标检测和人脸识别等方面性能优异[18]。作为一种重要的图像处理网络模型，近些年研究者们针对CNN积极改进，并在诸多领域取得了十分惊人的性能[19]。与传统的神经网络相比，CNN在保留输入数据空间关系的基础上，通过卷积层、池化层和全连接层进行特征提取和分类[20]。在卷积层中，卷积核通过滑动窗口对输入图像进行卷积运算，提取图像的低级特征。不同卷积核提取的特征不同[21]，这样组合不同的卷积核就可以提取出更高层次的特征。卷积层还可以使用填充和步长等技术来控制输出大小和特征提取的速度。池化层通常跟随在卷积层后面，通过缩小特征图的大小来减少参数数量，降低过拟合风险，同时保留最重要的特征。全连接层将上一层的特征图展开成一维向量，再将其映射为输出参数。CNN能够自动提取高级抽象特征而无需手动提取，支持位移、旋转、缩放等操作，具有一定的不变性，有较好的泛化能力，可降低过拟合风险。

1.4" 基于CNN的破损绝缘子识别算法

选取中国输电线路绝缘子数据集（Chinese Power Line Insulator Dataset， CPLID）[22]进行实验验证，图像分为正常和缺陷两类，识别算法如图3所示。

1.5" 基于深度迁移学习的破损绝缘子识别算法

CPLID数据集中样本数较少，在对深度神经网络进行训练的过程中容易出现过拟合、精度低等问题。为此，本文结合深度迁移学习，设计了一种基于深度迁移学习的破损绝缘子识别算法。采用的深度学习模型是提前在权威数据集上训练完成的VGG16模型，在此基础上采用CPLID数据集训练深度学习模型，从而取得更加优秀的识别效果。拟固定深度学习模型的部分层，其余层参数在原有网络模型基础上继续用CPLID数据集进行训练。

2" 实验结果与分析

数据集中灰度均衡化以及SRCNN超分辨率增强结果示例如图4所示。

将图像尺寸标准化为（150，200，3），预训练CNN实现特征提取和识别，破损绝缘子的识别结果如图5所示。

通过观察图5的结果，虽然训练集和验证集的样本少，但可以发现预训练CNN在训练集和验证集上识别精度均超过了90%。此外，虽然在验证集上的损失值存在较大波动，但总体上已经取得了较为优秀和稳定的识别效果。

为了对本文提出算法的有效性进行客观、全面的分析，基于深度迁移学习理论进行了实验。对于训练好的VGG16网络固定全部的卷积层和池化层，只对全连接层在CPLID数据集上进行训练，在训练的过程中更新全连接层参数，实验结果如图6所示。

从图6中可以看出，精确度曲线和损失值曲线都达到了较为稳定的值，精确度相对于训练初始化CNN模型有明显改进。在VGG16模型上进一步对可训练结构进行了研究，将最后两层卷积与池化层、全连接层设置为可训练参数网络层。在CPLID数据集上训练，结果如图7所示。

为了能更加客观地评价本文的模型性能，每次实验将数据集随机分为700张训练样本、148张验证样本。按照上述数据集分类方式，通过10次实验进行交叉验证，将每次识别精确度取平均值，平均识别精确度如表1所示。

经多次交叉实验验证，从表1中数据可看出，前期预训练完成的VGG16模型迁移到绝缘子数据集中进一步训练和识别，实现了比初始训练CNN模型更加优秀的性能。可微调VGG16模型比VGG16模型的识别精度更高，收敛更稳定，这是因为原训练VGG16的数据集与CPLID有一定的差异，通过适当放宽可训练结构进行训练能提高识别性能。

3" 结" 论

在本文的研究过程中，针对数据集样本少的问题，本文结合深度迁移学习，设计了一种破损绝缘子识别算法。首先对CPLID数据集图像进行灰度均衡化和SRCNN增强等操作，以降低识别难度大等影响；接着将预训练的VGG16模型迁移到数据集上，采用经过增强后的彩色图像数据集继续训练，在CPLID数据集上验证了所提出算法对破损绝缘子的高精度识别。

注：本文通讯作者为张庆。

参考文献

[1] 刘冬兰，马雷，刘新，等.基于深度学习的电力大数据融合与异常检测方法[J].计算机应用与软件，2018，35（4）：61⁃64.

[2] 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.

[3] 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].电子测量技术，2023，46（13）：102⁃109.

[4] 何宁，史旺旺.电力巡检中绝缘子缺失故障检测的图像处理方法研究[J].现代电子技术，2022，45（23）：45⁃48.

[5] 汪赟杰，谭爱红.基于深度学习的雷达交通目标检测研究[J].现代电子技术，2023，46（21）：134⁃140.

[6] 张骋.被动式太赫兹人体安检图像小目标检测方法研究[D].广州：广东工业大学，2020.

[7] 张庆，霍婷婷，苗海东，等.基于图像增强与CNN的输电线路破损绝缘子识别[J].现代信息科技，2023，7（19）：151⁃154.

[8] LIU W， ANGUELOV D， ERHAN D， et al. SSD： Single shot multibox detector [C]// European Conference on Computer Vision. Heidelberg， Germany： Springer， 2016： 21⁃37.

[9] REDMON J， FARHADI A. YOLOv3： An incremental improvement [EB/OL]. [2018⁃08⁃13]. http：//arxiv.org/abs/1804.02767.

[10] BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： Optimal speed and accuracy of object detection [EB/OL]. [2020⁃04⁃28]. https：//arxiv.org/abs/2004.10934.

[11] 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.

[12] 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.

[13] 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.

[14] 葛鹏，游耀堂.基于稀疏表示的光场图像超分辨率重建[J].激光与光电子学进展，2022，59（2）：94⁃100.

[15] 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.

[16] 高雪飞，张晓杰.基于TMS320DM642实现图像的灰度均衡处理[J].数字技术与应用，2012（5）：238.

[17] DONG C， CHEN C L， HE K M， et al. Learning a deep convolutional network for image super⁃resolution [C]// ECCV 2014： Proceedings of 13th European Conference on Computer Vision. Heidelberg， Germany： Springer， 2014： 184⁃199.

[18] 邹聪，梁永全.基于YOLOv3算法的输电线路鸟类检测[J].计算机应用与软件，2021，38（10）：164⁃167.

[19] 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.

[20] 廖金，董国芳，刘畅.基于深度学习的架空线路绝缘子掉串识别研究[J].现代电子技术，2022，45（2）：167⁃171.

[21] 张建伟，许蕊，张忠闯，等.基于卷积神经网络的撞击流反应器浓度场混合特性[J].化工进展，2023，42（2）：658⁃668.

[22] TAO X， ZHANG D， WANG Z， 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.