基于深度學(xué)習(xí)的輸電線路關(guān)鍵部件視覺檢測(cè)方法的研究進(jìn)展

趙振兵，崔雅萍

(華北電力大學(xué) 電氣與電子工程學(xué)院，河北 保定 071003)

0　引言

輸電線路作為電力工業(yè)的重要基礎(chǔ)設(shè)施，是電網(wǎng)的重要組成部分，其安全穩(wěn)定運(yùn)行關(guān)系到電力系統(tǒng)的可靠性和國民經(jīng)濟(jì)的持續(xù)發(fā)展。輸電線路關(guān)鍵部件主要包括絕緣子、金具及桿塔等，若部件出現(xiàn)問題會(huì)危及整個(gè)電網(wǎng)運(yùn)行的穩(wěn)定性，因此，對(duì)關(guān)鍵部件缺陷的智能檢測(cè)變得尤為重要。利用直升機(jī)、無人機(jī)巡線，可以減少運(yùn)檢人員登桿檢查操作的工作量，快速且準(zhǔn)確地判斷缺陷情況并提供幫助[1]，已成為輸電線路常態(tài)化的巡檢方式，利用搭載的照相或攝像設(shè)備獲取輸電線路航拍多傳感器的圖像數(shù)量日益增多[2]。由于人員配置數(shù)量問題，目前，輸電線路智能巡檢技術(shù)實(shí)施的主要矛盾已轉(zhuǎn)化為日益增長的輸電線路航拍圖像缺陷檢測(cè)需求與人工檢測(cè)精度、效率不匹配、不平衡之間的矛盾?！笆濉逼陂g國家電網(wǎng)公司將新增110 kV及以上線路40.1萬km(較“十二五”末增長45%)[3]，且外部環(huán)境更加復(fù)雜，面對(duì)輸電專業(yè)基層一線運(yùn)檢人員數(shù)量無法同步增長的情況下，影響電網(wǎng)安全的風(fēng)險(xiǎn)因素將長期存在。傳統(tǒng)運(yùn)檢模式難以適應(yīng)電網(wǎng)發(fā)展及體制變革要求，探求一種可提高其缺陷檢測(cè)的準(zhǔn)確性，并使直升機(jī)、無人機(jī)巡線系統(tǒng)更為高效和智能的輸電線路航拍圖像的處理方法是破解智能運(yùn)檢發(fā)展難題的必由之路。

國務(wù)院于2017年7月20號(hào)印發(fā)的《新一代人工智能發(fā)展規(guī)劃》中指出：“人工智能發(fā)展進(jìn)入新階段，成為國際競(jìng)爭的新焦點(diǎn)，是經(jīng)濟(jì)發(fā)展的新引擎，帶來社會(huì)建設(shè)的新機(jī)遇”。十九大報(bào)告也提出“推動(dòng)互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實(shí)體經(jīng)濟(jì)深度融合”。國家電網(wǎng)公司積極響應(yīng)，支持傳統(tǒng)產(chǎn)業(yè)優(yōu)化升級(jí)，不斷推進(jìn)人工智能與電網(wǎng)巡檢工作的融合開展。深度學(xué)習(xí)[4]是人工智能的一項(xiàng)關(guān)鍵技術(shù)且在近幾年公共數(shù)據(jù)集的目標(biāo)檢測(cè)任務(wù)中都有出色的表現(xiàn)?；谥鄙龣C(jī)、無人機(jī)和深度學(xué)習(xí)的航拍輸電線路關(guān)鍵部件的視覺檢測(cè)方法研究是非常有必要的。

因此，面向智能電網(wǎng)和能源互聯(lián)網(wǎng)建設(shè)需求，將深度學(xué)習(xí)技術(shù)引入到輸電線路航拍圖像處理中，并充分挖掘大數(shù)據(jù)中輸電線路關(guān)鍵部件的先驗(yàn)專業(yè)知識(shí)，具有重要的實(shí)用價(jià)值，從技術(shù)層面上保障了電網(wǎng)的安全穩(wěn)定運(yùn)行，提高了輸電線路巡檢的效率。

1　研究現(xiàn)狀

1.1　深度模型檢測(cè)方法研究現(xiàn)狀

目前常用、效果較好的目標(biāo)視覺檢測(cè)方法，均依賴深度模型對(duì)目標(biāo)進(jìn)行檢測(cè)[5]。在基于PASCAL VOC[6]、ImageNet[7]等世界公共數(shù)據(jù)集的挑戰(zhàn)賽中，表現(xiàn)突出、效果優(yōu)異的目標(biāo)檢測(cè)算法也都紛紛采用深度模型的方法來完成。

在PASCAL VOC挑戰(zhàn)賽上將檢測(cè)準(zhǔn)確率從35.1%提升到53.7%的R-CNN(Regions with CNN Features)架構(gòu)[8]，就是將選擇性搜索[9]與卷積神經(jīng)網(wǎng)絡(luò)CNN (Convolutional Neural Network)[10]進(jìn)行結(jié)合。首先，在圖像中生成多個(gè)候選目標(biāo)區(qū)域，進(jìn)而將這些區(qū)域設(shè)置為固定尺寸送入CNN中進(jìn)行特征的提取和分類，最終實(shí)現(xiàn)目標(biāo)檢測(cè)的目的。文獻(xiàn)[10]提出了基于AlexNet的圖像分類與識(shí)別方法，它是對(duì)LeNet[11]的一種擴(kuò)展方法，并且已取得了ImageNet競(jìng)賽的冠軍。AlexNet能夠?qū)W習(xí)更大、更復(fù)雜的目標(biāo)層次的神經(jīng)網(wǎng)絡(luò)。AlexNet網(wǎng)絡(luò)提出后，許多工作開始關(guān)注改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，相比于理論研究工作，深度學(xué)習(xí)模型的結(jié)構(gòu)優(yōu)化涌現(xiàn)出了更多更有代表性的工作。如在最初的若干個(gè)卷積層的模型基礎(chǔ)上采用更小尺寸的卷積核與卷積步長[12]，采用多尺度的訓(xùn)練與測(cè)試數(shù)據(jù)[13]。在淺層卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，文獻(xiàn)[14]通過可視化神經(jīng)網(wǎng)絡(luò)的中層特征，分析分類器參數(shù)對(duì)結(jié)果的影響，提出了ZF-net，該模型提取到的特征含有的語義信息更豐富，并在ImageNet上的分類精度超越了AlexNet。牛津大學(xué)提出的視覺幾何組VGG (Visual Geometry Group)模型是對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)DCNN (Deep Convolutional Neural Network)的一次系統(tǒng)嘗試，在2014年ILSVRC競(jìng)賽中取得了優(yōu)異成績。與傳統(tǒng)的5～7層的淺層網(wǎng)絡(luò)相比，其網(wǎng)絡(luò)層數(shù)加深，模型復(fù)雜度增加，計(jì)算量加大，VGG模型將淺層網(wǎng)絡(luò)中一個(gè)卷積核尺寸為7的卷積層拆分為3個(gè)卷積核尺寸為3的卷積層，使得模型的參數(shù)減少，增加了特征的區(qū)分度，提高了模型的判別準(zhǔn)確性。文獻(xiàn)[15]進(jìn)一步縮小卷積核尺寸，在對(duì)卷積層感受野不產(chǎn)生任何影響的情況下改善了決策函數(shù)的非線性。如圖1所示為近年來目標(biāo)檢測(cè)深度基礎(chǔ)模型發(fā)展過程圖，2013年發(fā)表在國際計(jì)算機(jī)視覺與模式識(shí)別會(huì)議CVPR (IEEE Conference on Computer Vision and Pattern Recognition)的R-CNN取得了準(zhǔn)確率為58%的成績之后，在此基礎(chǔ)上進(jìn)行的很多后續(xù)工作如Fast R-CNN[16]、Faster R-CNN[17]、SSD(Single Shot multibox Detector)[18]、YOLO(You Only Look Once)[19]、R-FCN(Region-based Fully Convolutional Networks)[20]等近幾年在公共數(shù)據(jù)集的目標(biāo)檢測(cè)任務(wù)中都有突出的表現(xiàn)。

圖1　目標(biāo)檢測(cè)深度基礎(chǔ)模型發(fā)展過程圖

1.2　輸電線路關(guān)鍵部件檢測(cè)方法研究現(xiàn)狀

輸電線路部件的傳統(tǒng)圖像檢測(cè)研究從2000年開始陸續(xù)展開，最初是基于經(jīng)典圖像處理算法的思路，主要集中在針對(duì)目標(biāo)的形狀特征(如邊緣、輪廓)檢測(cè)方法上取得了一定的進(jìn)展。如對(duì)于防振錘，可利用圖像邊緣信息采用改進(jìn)的基于存在概率圖的圓/橢圓檢測(cè)方法和分層決策機(jī)制[21]；可提取邊緣圖像中某些圖形基元并施加結(jié)構(gòu)約束[22]；也可利用隨機(jī)Hough變換檢測(cè)防振錘的圓形部分[23]，實(shí)現(xiàn)對(duì)防振錘的檢測(cè)。文獻(xiàn)[24]采用小波與中值濾波相結(jié)合對(duì)桿塔圖像進(jìn)行降噪處理，再通過特征提取及匹配的方法對(duì)輸電線路桿塔類型及狀態(tài)進(jìn)行識(shí)別；文獻(xiàn)[25]提出了基于顯著圖的圖像拼接方法，通過顯著性檢測(cè)算法得到桿塔圖像中的感興趣區(qū)域，減少圖像匹配過程特征點(diǎn)提取的數(shù)量，提高了桿塔的拼接精度；文獻(xiàn)[26]使用結(jié)合直方圖均衡化、形態(tài)學(xué)處理和RGB的彩色模型，通過防震錘正常與銹蝕情況的對(duì)比來判斷防震錘是否存在銹蝕缺陷；文獻(xiàn)[27]利用灰度平均梯度與拉普拉斯算子建立形變模型，通過輪廓特征對(duì)分割后的間隔棒進(jìn)行檢測(cè)，但由于背景復(fù)雜，難以把間隔棒的邊緣清晰地分割出來，同時(shí)二值圖像使得信息丟失過多，導(dǎo)致漏檢漏判。

近年來，利用深度學(xué)習(xí)方法檢測(cè)線路部件的主要進(jìn)展有：將類Haar特征與級(jí)聯(lián)AdaBoost算法應(yīng)用于輸電線路防振錘的識(shí)別，可解決單一防振錘的識(shí)別問題[28]。文獻(xiàn)[29]提出基于過完備字典稀疏表示來進(jìn)行巡檢圖像缺陷檢測(cè)的方法，把巡檢圖像是否有缺陷的問題轉(zhuǎn)化為巡檢圖像能否能用過完備字典稀疏表示的問題。文獻(xiàn)[30]于2017年提出了利用層次模型“與或圖”對(duì)目標(biāo)進(jìn)行分解表達(dá)，建立部件之問的約束關(guān)系，構(gòu)建多向的判別路徑的方法。文獻(xiàn)[31]研究了深度學(xué)習(xí)在電力部件識(shí)別中的應(yīng)用，以及采用優(yōu)化算法對(duì)參數(shù)進(jìn)行調(diào)優(yōu)，針對(duì)電力小部件識(shí)別問題分析了不同算法的效果和性能，驗(yàn)證了利用RCNN等深度學(xué)習(xí)算法對(duì)電力小部件識(shí)別的準(zhǔn)確性和效率。

在輸電線路的巡檢中結(jié)合深度學(xué)習(xí)的方法，不僅可以大幅度減少運(yùn)檢人員數(shù)量，提高工作效率，而且還可以實(shí)現(xiàn)對(duì)電網(wǎng)更加準(zhǔn)確有效的狀態(tài)評(píng)估。但是，由于電力系統(tǒng)的特殊性以及航拍圖像復(fù)雜的特點(diǎn)，直接將深度模型應(yīng)用在輸電線路關(guān)鍵部件的檢測(cè)中仍存在較大的問題。挖掘適合輸電線路關(guān)鍵部件的特征表達(dá)，構(gòu)建專業(yè)的關(guān)鍵部件知識(shí)圖譜對(duì)實(shí)現(xiàn)輸電線路關(guān)鍵部件自動(dòng)檢測(cè)具有重要的指導(dǎo)意義。

2　發(fā)展方向

基于航拍圖像的輸電線路部件檢測(cè)方法，目前很多是在實(shí)驗(yàn)室環(huán)境下進(jìn)行的，具有很大的局限性。來源于輸電線路的航拍圖像具有如下特點(diǎn)：①輸電線路中絕緣子、桿塔、金具等關(guān)鍵部件之間相連或相互遮擋；②來自視頻中的圖像或紅外圖像分辨率相對(duì)較低；③圖像背景十分復(fù)雜，經(jīng)常包含森林、山川、田地、房屋、河流、道路等不同自然景物，且隨著四季的更迭背景外觀會(huì)隨時(shí)改變。輸電線路航拍圖像如圖2所示：圖(a)展示了航拍輸電線路關(guān)鍵部件之間相互遮擋的實(shí)例；圖(b)展示了紅外圖像分辨率較低，主要部件特征不明顯的實(shí)例；圖(c)展示了航拍輸電線路關(guān)鍵部件圖像背景復(fù)雜的實(shí)例。

圖2　不同傳感器所獲得的航拍圖像

這些特點(diǎn)會(huì)導(dǎo)致輸電線路關(guān)鍵部件目標(biāo)在圖像中不夠突出，且增加了對(duì)關(guān)鍵部件檢測(cè)處理的難度，很難獲得具有普適性的自動(dòng)檢測(cè)方法。所以直接用現(xiàn)有算法檢測(cè)航拍輸電線路關(guān)鍵部件，不能獲得滿意的效果，必須結(jié)合輸電線路關(guān)鍵部件圖像的特性，從理論體系和技術(shù)方法等方面對(duì)其自動(dòng)檢測(cè)方法進(jìn)行更深入的探索和研究。

文獻(xiàn)[32-34]研究表明，使用DCNN對(duì)目標(biāo)進(jìn)行特征提取，然后利用提出的基于方位角檢測(cè)和二值形狀先驗(yàn)知識(shí)對(duì)目標(biāo)進(jìn)行定位。僅利用深度卷積神經(jīng)網(wǎng)絡(luò)作為特征提取器，測(cè)試結(jié)果遠(yuǎn)遠(yuǎn)超過特征袋[35]等手工特征，將絕緣子的固有特征與Edge Boxes進(jìn)行有效結(jié)合，使得輸出結(jié)果呈現(xiàn)出了更多的高質(zhì)量絕緣子候選目標(biāo)區(qū)域，有效地減少了干擾區(qū)域，提高了航拍巡線絕緣子圖像檢測(cè)的準(zhǔn)確率?？梢娚疃葘W(xué)習(xí)在輸電線路關(guān)鍵部件的檢測(cè)中發(fā)揮了巨大的潛力。

深度學(xué)習(xí)對(duì)模型的訓(xùn)練和測(cè)試都依賴于一定數(shù)量級(jí)的樣本圖片，要想實(shí)現(xiàn)對(duì)輸電線路航拍圖像關(guān)鍵部件的精準(zhǔn)檢測(cè)，必須需要大量的輸電線路關(guān)鍵部件圖片作為訓(xùn)練集才能在深度神經(jīng)網(wǎng)絡(luò)中學(xué)習(xí)到更加準(zhǔn)確的參數(shù)。目前深度模型的設(shè)計(jì)與應(yīng)用都針對(duì)于公共數(shù)據(jù)集，其中，包含的類別并不專注于電力系統(tǒng)中的輸電線路關(guān)鍵部件。為了能更好地學(xué)習(xí)到輸電線路關(guān)鍵部件中的深度特征，利用這些深度特征進(jìn)行巡檢圖像中關(guān)鍵部件的自動(dòng)檢測(cè)，必須構(gòu)建一個(gè)包含輸電線路關(guān)鍵部件的專業(yè)數(shù)據(jù)庫—輸電線路關(guān)鍵部件圖像檢測(cè)數(shù)據(jù)庫。這是進(jìn)行基于深度模型的航拍輸電線路關(guān)鍵部件圖像檢測(cè)研究的基礎(chǔ)。但是，由于輸電線路具有不同電壓等級(jí)，且外部環(huán)境復(fù)雜多樣；另外，部件的種類繁多，材質(zhì)、顏色多種多樣，部件間連接關(guān)系復(fù)雜多變。即使是同一種部件在實(shí)際應(yīng)用中也會(huì)因廠家及應(yīng)用場(chǎng)所的不同造成其在視覺形態(tài)中存在較大的差異。由于電力系統(tǒng)的特殊性，且標(biāo)注成本極其高昂，構(gòu)建百萬級(jí)航拍輸電線路關(guān)鍵部件圖像數(shù)據(jù)庫還需要時(shí)間，因此，仍需繼續(xù)探索更完備、更具有公信力的構(gòu)建方法。

迄今為止，將深度學(xué)習(xí)應(yīng)用到航拍輸電線路關(guān)鍵部件檢測(cè)中已經(jīng)有初步研究，但是，由于電力系統(tǒng)的特殊性，沒有大規(guī)模專業(yè)圖像數(shù)據(jù)庫，且輸電線路關(guān)鍵部件的特征也會(huì)由于生產(chǎn)廠家和地域的不同而存在差異，故為了更智能地實(shí)現(xiàn)輸電線路關(guān)鍵部件檢測(cè)及其故障判定，需要利用專業(yè)的先驗(yàn)知識(shí)，建立具有一定普適性且專業(yè)性較強(qiáng)的知識(shí)圖譜，并將其與現(xiàn)有的深度模型相融合，是實(shí)現(xiàn)航拍輸電線路關(guān)鍵部件的自動(dòng)檢測(cè)的基礎(chǔ)。航拍輸電線路關(guān)鍵部件視覺檢測(cè)可按照如圖3進(jìn)行，采用構(gòu)建的航拍輸電線路關(guān)鍵部件檢測(cè)數(shù)據(jù)庫微調(diào)已有的深度模型，對(duì)經(jīng)過微調(diào)后的深度模型從兩個(gè)方面進(jìn)行改進(jìn)。一方面增強(qiáng)特征表達(dá)，另一方面建立輸電線路關(guān)鍵部件知識(shí)圖譜，并引入到微調(diào)后的深度模型中，得到改進(jìn)后的深度模型，輸入輸電線路巡檢測(cè)試圖像，最終輸出目標(biāo)檢測(cè)結(jié)果。

圖3　航拍輸電線路關(guān)鍵部件的檢測(cè)框圖

3　結(jié)論

實(shí)現(xiàn)航拍輸電線路關(guān)鍵部件的自動(dòng)檢測(cè)，是提高電網(wǎng)安全穩(wěn)定運(yùn)行的基礎(chǔ)。深度學(xué)習(xí)在航拍輸電線路關(guān)鍵部件的檢測(cè)任務(wù)中具有很好的應(yīng)有前景，但是，若使其具有較強(qiáng)的工程應(yīng)用性仍面臨巨大的挑戰(zhàn)。本文對(duì)深度檢測(cè)模型的研究現(xiàn)狀以及輸電線路關(guān)鍵部件檢測(cè)的研究進(jìn)展進(jìn)行了總結(jié)，并從構(gòu)建航拍輸電線路關(guān)鍵部件圖像數(shù)據(jù)集、建立專業(yè)的輸電線路關(guān)鍵部件知識(shí)圖譜及知識(shí)圖譜與深度模型融合等方面分析了航拍輸電線路關(guān)鍵部件未來的發(fā)展方向。

參考文獻(xiàn)：

[1]張祥全,蘇建軍.架空輸電線路無人機(jī)巡檢技術(shù)[M].北京: 中國電力出版社,2016.

[3]國家電網(wǎng)公司運(yùn)維檢修部.智能運(yùn)檢白皮書[R].北京: 國家電網(wǎng)公司,2016,1-44.

[4]YANN LECUN,YOSHUA BENGIO,GEOFFREY HINTON.Deep learning[J].Nature,2015,521 (7553): 436-444.

[5]JAN HOSANG,RODRIGO BENENSON,PIOTR DOLLR,et al.What Makes for Effective Detection Proposals?[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2016,38(4): 814.

[6]MARK EVERINGHAM,LUC VAN GOOL,WILLIAMS CHRISTOPHER K.,et al.The pascal visual object classes (VOC) challenge[J].International Journal of Computer Vision,2010,88(2): 303-338.

[7]JIA DENG,WEI DONG,SOCHER R.,et al.Imagenet: a large-scale hierarchical image database[C].IEEE Conference on Computer Vision and Pattern Recognition (CVPR),2009: 248-255.

[8]ROSS GIRSHICK,JEFF DONAHUE,TREVOR DARRELL,et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C].IEEE Conference on Computer Vision and Pattern Recognition (CVPR),2013: 580-587.

[9]SANDE KOEN E.,UIJLINGS JASPER R.,GEVERS T.,et al.Segmentation as selective search for object recognition[C].IEEE International Conference on Computer Vision (ICCV),2012: 1879-1886.

[10]KRIZHEVSKY ALEX,ILYA SUTSKEVER,GEOFFREY HINTON.Imagenet classification with deep convolutional neural networks[J].Communications of the ACM,2012,60(2): 2012.

[11]YANN LECUN,BOTTOU LEON,BENGIO YOSHUA,et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE,1998,86(11): 2278-2324.

[12]LIN M.,CHEN Q.,YAN S.Network in network[C].Proceedings of the 30th International Conference on Learning Representations (ICLR),2014: 1-10.

[13]GONG YUNCHAO,WANG LIWEI,GUO RUIQI,et al.Multi-scale orderless pooling of deep convolutional activation features[C].European Conference on Computer Vision (ECCV),2014: 392-407.

[14]MATTHEW D.ZEILER,ROB FERGUS.Visualizing and understanding convolutional networks[C].European Conference on Computer Vision (ECCV),2014: 818-833.

[15]OQUAB MAXIME,LéON BOTTOU,LAPTEVI I.,et al.Learning and transferring mid-level image representations using convolutional neural networks[C].IEEE Conference on Computer Vision and Pattern Recognition (CVPR),2014: 1717-1724.

[16]GIRSHICK R.FAST R-CNN[C].IEEE International Conference on Computer Vision (ICCV),Santiago,Chile,2015: 1440-1448.

[17] REN SHAOQING,HE KAIMING,GIRSHICK R.,et al.Faster R-CNN: towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2015,39(6): 1137-1149.

[18]LIU WEI,ANGUELOV D.,ERHAN D,et al.SSD: single shot multibox detector[C].European Conference on Computer Vision (ECCV),2015: 21-37.

[19]REDMON JOSEPH,SANTOSH KUMAR DIVVALA,GIRSHICK R.,et al.You only look once: unified,real-time object detection[C].IEEE Conference on Computer Vision and Pattern Recognition (CVPR),2016: 779-788.

[20]DAI JIFENG,LI YI,HE KAIMING.,et al.R-FCN: object detection via region-based fully convolutional networks[C].Conference and Workshop on Neural Information Processing Systems(NIPS),2016: 379-387.

[21]張運(yùn)楚,梁自澤,傅思遙,等.基于結(jié)構(gòu)約束的架空輸電線路巡線機(jī)器人障礙識(shí)別[J].機(jī)器人,2007,29(1): 1-6.

[22]胡彩石,吳功平,曹珩,等.高壓輸電線路巡線機(jī)器人障礙物視覺檢測(cè)識(shí)別研究[J].傳感技術(shù)學(xué)報(bào),2009,21(12): 2092-2096.

[23]陳曉娟,吳英石,趙亮,等.基于隨機(jī)Hough變換的OPGW防震錘識(shí)別[J].黑龍江電力,2010,32(1): 1-2.

[24]趙君.基于航拍圖像的桿塔類型判斷及狀態(tài)識(shí)別[D].保定：華北電力大學(xué),2010.

[25]張旭,高佼,王萬國,等.基于顯著圖的輸電線路桿塔圖像拼接方法[J].計(jì)算機(jī)應(yīng)用,2015,35(4): 1133-1136.

[26]宋偉,左丹,鄧邦飛,等.高壓輸電線防震錘銹蝕缺陷檢測(cè)[J].儀器儀表學(xué)報(bào),2016,37(s1): 113-117.

[27]WU HAIBIN,XI YANPING,FANG WEIMIN,et al.Damper detection in helicopter inspection of power transmission line[C].IEEE Fourth International Conference on Instrumentation and Measurement,Computer,Communication and Control,2014:628-632.

[28]金立軍,門書佳,劉源,等.基于類Haar特征與級(jí)聯(lián)AdaBoost算法的防震錘識(shí)別[J].系統(tǒng)仿真學(xué)報(bào),2012,24(9): 1806-1809.

[29]盧君妥.飛行機(jī)器人巡檢圖像中關(guān)鍵部件缺陷[D].北京: 華北電力大學(xué),2016.

[30]付晶,邵瑰瑋,吳亮,等.利用層次模型進(jìn)行訓(xùn)練學(xué)習(xí)的線路設(shè)備缺陷檢測(cè)方法[J].高電壓技術(shù),2017,43(1): 266-275.

[31]王萬國,田兵,劉越,等.基于RCNN的無人機(jī)巡檢圖像電力小部件識(shí)別研究[J].地球信息科學(xué)學(xué)報(bào),2017,29(1): 256-263.

[32]ZHAO ZHENBING,XU GUOZHI,QI YINCHENG,et al.Multi-patch deep features for power line insulator status classification from aerial images[C].International Joint Conference on Neural Networks(IJCNN),IEEE,2016: 3187-3194.

[33]ZHAO ZHENBING,LIU NING,WANG LE.Localization of multiple insulators by orientation angle detection and binary shape prior knowledge[J].IEEE Transactions on Dielectrics and Electrical Insulation,2015,22(6): 3421-3428.

[34]ZHAO ZHENBING,ZHANG LEI,QI YINCHENG,et al.A generation method of insulator region proposals based on edge boxes[J].Optoelectronics Letters,2017,13(6):466-470.

[35]LI FEIFEI,PERONA P.A bayesian hierarchical model for learning natural scene categories[C].IEEE Conference on Computer Vision and Pattern Recognition (CVPR),2005: 524-531.