輸電線路導(dǎo)地線圖像識(shí)別算法綜述

劉道生， 賴(lài)勇耀，， 陳星蓉， 劉暉

(1. 江西理工大學(xué)電氣工程與自動(dòng)化學(xué)院， 江西 贛州 341000；2. 國(guó)網(wǎng)江西省電力有限公司贛州供電公司， 江西 贛州 341000；3. 國(guó)網(wǎng)江西省電力有限公司寧都縣供電公司， 江西 寧都 342800)

0 引言

輸電線路是傳輸電能的重要通道， 在現(xiàn)代能源供應(yīng)體系中發(fā)揮著重要的紐帶作用， 關(guān)系國(guó)家能源安全。 截至目前， 國(guó)家電網(wǎng)有限公司在運(yùn)在建輸電工程線路長(zhǎng)度達(dá)到114.2 萬(wàn)km[1]。 在輸電線路設(shè)備中， 導(dǎo)線承擔(dān)著輸送電能的重要作用， 地線對(duì)減少雷擊導(dǎo)線起著關(guān)鍵作用。 導(dǎo)地線發(fā)生故障將直接影響整個(gè)電網(wǎng)的穩(wěn)定性， 因此， 對(duì)導(dǎo)地線運(yùn)行狀態(tài)的診斷顯得尤為重要。

以往輸電線路導(dǎo)地線巡檢診斷主要依靠人工巡視， 效率低下； 現(xiàn)在依靠導(dǎo)、 地線圖像識(shí)別算法，可以及時(shí)發(fā)現(xiàn)導(dǎo)地線斷線、 散股和懸掛異物等缺陷， 提高設(shè)備巡檢的效率； 還可以減少人為因素造成的誤判和漏判， 提高設(shè)備巡檢的可靠性。 通過(guò)研究輸電線路導(dǎo)地線圖像識(shí)別算法， 為今后算法的研究帶來(lái)新思路。

1 研究現(xiàn)狀

目前輸電線路導(dǎo)地線圖像識(shí)別算法呈現(xiàn)出多樣性和綜合性， 基于各種算法的改進(jìn)與融合成為當(dāng)下研究的熱門(mén)。

基于形態(tài)學(xué)理論的研究， 趙曉鵬等[2]提出一種采用迭代閾值法對(duì)圖像進(jìn)行分割， 再使用基于輸電線圖像特征的改進(jìn)形態(tài)學(xué)濾波的算法， 可以有效提取輸電線路的輪廓， 但是當(dāng)圖像數(shù)據(jù)較大時(shí)， 算法處理時(shí)間過(guò)長(zhǎng)。 文獻(xiàn)[3] 根據(jù)感知定律， 將兩相鄰線段同時(shí)進(jìn)行近似性、 連續(xù)性、 共線性約束，將斷續(xù)線段合并為長(zhǎng)線段， 再分析長(zhǎng)線段之間的平行性， 該方法提取直線的效果較好， 提供了一種直線檢測(cè)提取的新思路。 文獻(xiàn)[4] 結(jié)合了圖像處理中導(dǎo)線的形態(tài)學(xué)特性和常用的線段檢測(cè)器， 先用快速線段檢測(cè)器產(chǎn)生一個(gè)線條池來(lái)標(biāo)記圖像中的所有線條， 然后根據(jù)導(dǎo)線特性設(shè)計(jì)了導(dǎo)線檢測(cè)器， 提高了直線檢測(cè)的速度和準(zhǔn)確性。

針對(duì)神經(jīng)網(wǎng)絡(luò)算法， 文獻(xiàn)[5－9] 涉及當(dāng)下熱門(mén)的神經(jīng)網(wǎng)絡(luò)(CNN) 算法， 文獻(xiàn)[10－11] 提出設(shè)計(jì)新的硬件系統(tǒng)并加入人工智能技術(shù)(AI)， 但是這些算法需要大量數(shù)據(jù)和時(shí)間進(jìn)行機(jī)器學(xué)習(xí)才能提高識(shí)別準(zhǔn)確性。

基于傳統(tǒng)圖像識(shí)別算法的研究， 羅永超等[12]提出一種基于Matlab 圖像識(shí)別的方法， 具有較高的可操作性， 但是識(shí)別準(zhǔn)確率不佳。 針對(duì)圖像濾波問(wèn)題， 王芝茗等[13]提出了水平和垂直方向上的濾波算子， 2 個(gè)算子分別對(duì)圖像進(jìn)行卷積計(jì)算； 然后利用該組算子分別對(duì)圖像各方向上的線狀目標(biāo)進(jìn)行增強(qiáng)， 保留其中響應(yīng)最強(qiáng)的值， 這樣無(wú)論輸電線的方向如何都可以進(jìn)行增強(qiáng)， 但是所提出的方向算子為經(jīng)驗(yàn)所得， 不具有普遍性。

結(jié)合以上研究現(xiàn)狀， 本文將介紹當(dāng)前輸電線路導(dǎo)地線圖像識(shí)別的主流算法并進(jìn)行簡(jiǎn)要分析。

2 圖像預(yù)處理

輸電線路圖像通常包含復(fù)雜的背景， 圖像預(yù)處理的作用是消除或減少圖像中的無(wú)關(guān)信息 (噪點(diǎn))， 提高圖像后期處理的精度和效率。 常見(jiàn)的圖像預(yù)處理方法有中值濾波算法和Canny 算子等邊緣檢測(cè)算法。

2.1 中值濾波

中值濾波法是一種非線性平滑技術(shù)， 在輸電線路圖像預(yù)處理上有較好的效果， 將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的中值。

中值濾波是基于排序統(tǒng)計(jì)理論的一種能有效抑制噪聲的非線性信號(hào)處理技術(shù)， 基本原理是把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替， 讓周?chē)南袼刂到咏鎸?shí)值， 從而消除孤立的噪聲點(diǎn)[14]； 方法是用某種結(jié)構(gòu)的二維滑動(dòng)模板， 將板內(nèi)像素按照像素值的大小進(jìn)行排序， 生成單調(diào)上升(或下降) 的二維數(shù)據(jù)序列。中值濾波法對(duì)消除脈沖噪聲非常有效， 在光學(xué)測(cè)量條紋圖像的相位分析處理方法中有特殊作用， 但在條紋中心分析方法中作用不大。

2.2 Canny 算子

邊緣檢測(cè)是一種高效的圖像預(yù)處理方法。 在當(dāng)下諸多邊緣檢測(cè)算法中， Canny 算子有檢測(cè)率高、定位精確、 響應(yīng)明確的優(yōu)點(diǎn)， 自提出以來(lái)一直作為一種標(biāo)準(zhǔn)的邊緣檢測(cè)算法。 Canny 算子一般分為四步: 高斯模糊、 梯度幅值和方向計(jì)算、 非極大值抑制、 雙閾值和邊緣連接[15]。

1) 高斯模糊。 邊緣檢測(cè)易受噪點(diǎn)的影響， 因此在邊緣檢測(cè)前需要進(jìn)行去噪處理。 高斯模糊是利用高斯濾波器對(duì)原始圖像進(jìn)行去噪點(diǎn)， 以便得到精確的邊緣。 二維高斯函數(shù)可表示為:

原圖像與高斯卷積核進(jìn)行卷積運(yùn)算后， 可以實(shí)現(xiàn)圖像的去噪處理。 數(shù)學(xué)表達(dá)式可以表示為:

2) 梯度幅值和方向計(jì)算。 邊緣檢測(cè)需要根據(jù)圖像梯度信息來(lái)確定圖像的邊緣， 一般采用sobel算子對(duì)圖像進(jìn)行梯度幅值與梯度方向計(jì)算。 梯度幅值G和梯度方向θ的計(jì)算公式如下所示:

3) 非極大值抑制。 非極大值抑制是在得到粗糙邊緣之后的進(jìn)一步細(xì)化。 通過(guò)保留局部最大梯度并抑制所有其他梯度值， 保留梯度變化最大的點(diǎn)，可以有效剔除大部分非邊緣點(diǎn)。

4) 雙閾值和邊緣連接。 一般的邊緣檢測(cè)算法用一個(gè)閾值來(lái)濾除噪聲或顏色變化引起的小梯度值， 而保留大梯度值。 Canny 算子應(yīng)用雙閾值， 即一個(gè)高閾值和一個(gè)低閾值， 來(lái)區(qū)分邊緣像素。 如果邊緣像素點(diǎn)梯度值大于高閾值， 則被標(biāo)記為強(qiáng)邊緣點(diǎn)； 如果邊緣像素點(diǎn)梯度值小于高閾值或大于低閾值， 則標(biāo)記為弱邊緣點(diǎn)； 小于低閾值的點(diǎn)被抑制掉， 而弱邊緣點(diǎn)如果沒(méi)有與強(qiáng)邊緣點(diǎn)連通也會(huì)被抑制掉。 通過(guò)上述過(guò)程， 被保留的邊緣點(diǎn)將被連接起來(lái)最終確定圖像邊緣。

Canny 算子抗噪能力強(qiáng)， 邊緣檢測(cè)準(zhǔn)確率較高。 但是在背景復(fù)雜的情況下， 可能會(huì)將噪點(diǎn)誤標(biāo)識(shí)為邊緣； 梯度方向歸類(lèi)不夠精細(xì)， 對(duì)某些角度下的目標(biāo)識(shí)別成功率較低； 雙閾值僅憑經(jīng)驗(yàn)設(shè)置， 對(duì)檢測(cè)結(jié)果影響較大。 鑒于Canny 算子的不足， 研究人員進(jìn)行了多種針對(duì)性的改進(jìn)。 卞榮等人提出基于改進(jìn)的Canny 算法進(jìn)行冰形識(shí)別， 借助圖像的灰度云圖尋找覆冰截面在圖像中的灰度特征信息， 然后根據(jù)該信息設(shè)置分割覆冰的上下限閾值， 并通過(guò)變換尺度來(lái)消除噪聲； 再通過(guò)圖像變換理論進(jìn)行冰形修正， 最終實(shí)現(xiàn)冰形的快速識(shí)別及測(cè)量[16]。 有研究人員針對(duì)傳統(tǒng)Canny 算子模板單一的問(wèn)題， 給出了4 個(gè)方向改進(jìn)模板并選擇傾斜角度較大值進(jìn)行梯度計(jì)算； 針對(duì)閾值選取的局限性問(wèn)題， 提出了結(jié)合截距法和人工蜂群算法的Otsu 算法的自適應(yīng)閾值選取方法[17]； 對(duì)Canny 算子進(jìn)行改進(jìn)以獲得距離測(cè)量功能的偏導(dǎo)數(shù)， 并自動(dòng)更新閾值， 以消除多級(jí)響應(yīng)[18]。 同樣基于閾值自適應(yīng)的Canny 邊緣檢測(cè)方法能夠提取輸電導(dǎo)線圖像邊緣信息， 通過(guò)kmeans 聚類(lèi)合并識(shí)別邊緣段； 最后分析輸電導(dǎo)線特征， 也能實(shí)現(xiàn)較高的導(dǎo)線識(shí)別率[19]。 基于傳統(tǒng)Canny 算子的改進(jìn)方法保留了原方法良好的邊緣檢測(cè)能力， 解決了雙閾值問(wèn)題和梯度方向問(wèn)題， 有效地提高了識(shí)別效果。

3 導(dǎo)地線提取

導(dǎo)地線提取是根據(jù)輸電線路的特征， 在預(yù)處理后的圖像中提取出導(dǎo)地線數(shù)據(jù)。 輸電線路導(dǎo)地線在圖像中可以近似看成一條較長(zhǎng)的直線， 且每條直線傾角近似相同。 目前主流的提取算法包括LSD 算法和霍夫變換(Hough)。

3.1 LSD 算法

LSD 是一種直線檢測(cè)分割算法， 能在線性時(shí)間內(nèi)達(dá)到亞像素級(jí)別精度， 并且在實(shí)際運(yùn)用中不需要任何參數(shù)設(shè)置， 所以在各種直線檢測(cè)場(chǎng)景下得到廣泛運(yùn)用[20]。 LSD 算法的具體流程如下。

1) 對(duì)圖像進(jìn)行二值化處理得到灰度圖， 并以采樣率S＝0.8 對(duì)圖像進(jìn)行高斯降采樣。

2) 針對(duì)圖像中每個(gè)像素， 計(jì)算梯度值和方向， 然后根據(jù)梯度值進(jìn)行排列。

3) 根據(jù)設(shè)置的閾值ρ， 將梯度小于ρ的像素點(diǎn)添加一個(gè)USED 狀態(tài)， 其他像素點(diǎn)添加為UNUSED。

4) 根據(jù)設(shè)置的最大容忍值τ進(jìn)行區(qū)域生長(zhǎng)Region Grow。

5) 計(jì)算通過(guò)Region Grow 算法得到的新區(qū)域的同性點(diǎn)密度D。

6) 比較截?cái)嚅撝礑0 與密度D。 如果密度DD0， 計(jì)算錯(cuò)誤控制函數(shù)NFA。

7) 將錯(cuò)誤控制函數(shù)NFA與根據(jù)錯(cuò)誤控制閾值ε比較。 如果NFA<ε， 輸出直線段數(shù)據(jù)。

8) 查看排序表是否還有UNUSED 的點(diǎn)。 如果有， 跳轉(zhuǎn)至步驟4)， 否則結(jié)束程序。

3.2 霍夫變換

霍夫變換(Hough) 于1962 年由Paul Hough提出， 是一種使用表決方式的參數(shù)估計(jì)技術(shù)， 原理是利用圖像空間(笛卡爾坐標(biāo)系) 和Hough 參數(shù)空間的線－點(diǎn)對(duì)偶性， 把圖像空間中的檢測(cè)問(wèn)題轉(zhuǎn)換到參數(shù)空間中進(jìn)行。 Hough 變換是目前使用最廣泛的直線檢測(cè)算法之一， 也是輸電線路圖像識(shí)別的研究中電力線提取的熱門(mén)算法。

在笛卡爾坐標(biāo)系中， 如果用ρ表示原點(diǎn)O到直線的距離，θ表示橫軸與ρ所在直線的夾角， 如圖1 所示， 那這條直線可以表示為:

圖1 圖像空間和Hough 空間的線－點(diǎn)對(duì)偶性

在極坐標(biāo)系中， 這條直線可以用點(diǎn)(ρ，θ)表示， 其中ρ為極徑，θ為極角。 這就是笛卡爾坐標(biāo)系和極坐標(biāo)系的線－點(diǎn)對(duì)偶性。

笛卡爾坐標(biāo)系中的一個(gè)點(diǎn)， 可看作是經(jīng)過(guò)該點(diǎn)而方向不確定的無(wú)數(shù)條直線； 以ρ和θ為參數(shù)構(gòu)建Hough 參數(shù)空間坐標(biāo)系， 在Hough 參數(shù)空間下可表示為一條曲線， 如圖2 所示。

圖2 笛卡爾坐標(biāo)系與Hough 空間的映射關(guān)系

Hough 參數(shù)空間中多條曲線交于一點(diǎn)， 可以唯一確定笛卡爾坐標(biāo)系中的一條直線， 如圖3 所示。

圖3 Hough 空間與笛卡爾坐標(biāo)系的映射關(guān)系

在Hough 參數(shù)空間內(nèi)經(jīng)過(guò)同一點(diǎn)的曲線越多，代表在圖像空間(笛卡爾坐標(biāo)系) 中所對(duì)偶的直線被越多的點(diǎn)所穿過(guò)(組成)， 在圖像中檢測(cè)出的直線可靠性也就越高。 Hough 變換是對(duì)圖像邊緣的每一個(gè)點(diǎn)都進(jìn)行一次上述檢測(cè)， 并對(duì)所有檢測(cè)結(jié)果進(jìn)行累記， 根據(jù)所設(shè)定的閾值對(duì)局部極大值進(jìn)行篩選， 從而提取出所需的直線。

由于Hough 變換良好的直線檢測(cè)性能， 在輸電線路圖像識(shí)別中應(yīng)用非常廣泛。 但是圖像中的近似目標(biāo)容易對(duì)Hough 變換運(yùn)算造成干擾， 從而檢測(cè)出多余的直線； 當(dāng)參數(shù)ρ和θ細(xì)化時(shí)， 運(yùn)算量急劇增加， 時(shí)效性較差。 基于傳統(tǒng)Hough 變換的改進(jìn)也是當(dāng)下研究的一大熱門(mén)。 文獻(xiàn)[21－24] 均采用了Hough 變換提取電力線， 并對(duì)Hough 變換進(jìn)行了一系列改進(jìn)。 例如在Hough 空間中進(jìn)行基于知識(shí)的直線聚類(lèi)， 對(duì)檢測(cè)結(jié)果進(jìn)行細(xì)化； 對(duì)輸電導(dǎo)線所處的小塊區(qū)域進(jìn)行卷積操作， 有針對(duì)性地提高了核心區(qū)域的識(shí)別效率； 使用分式查表法改進(jìn)Hough 變換， 縮短了運(yùn)算時(shí)間。 但是對(duì)于背景噪聲的去除沒(méi)有提出特別有效的算法。 同濟(jì)大學(xué)金立軍[25]等通過(guò)梯度法獲取電力線的邊緣， 選取Hough 變換累加器中局部極大值個(gè)數(shù)與最終檢測(cè)到的線路數(shù)量作為特征向量來(lái)實(shí)現(xiàn)識(shí)別功能。 目前有研究人員提出了一種P－CNN 濾波器， 使用該濾波器去除噪聲后進(jìn)行Hough 變換， 取得了不錯(cuò)的識(shí)別效果[26]。 文獻(xiàn)[27] 提出了一種基于邊界搜索變換(BSRT) 的方法， 該方法與傳統(tǒng)Hough 變換相比， 具有快速、 高效和可靠的特點(diǎn)。 基于傳統(tǒng)Hough 變換的改進(jìn)利用良好的直線檢測(cè)能力， 對(duì)參數(shù)表決方法進(jìn)行改進(jìn)， 有效縮短了運(yùn)算時(shí)長(zhǎng)。

4 缺陷識(shí)別

基于上述步驟提取的導(dǎo)地線圖像數(shù)據(jù)， 通過(guò)針對(duì)性的算法可以識(shí)別其中斷線、 散股及異物等缺陷， 提高設(shè)備巡檢的效率和可靠性。 目前采用較多的是基于YOLOv3 網(wǎng)絡(luò)算法和多種傳統(tǒng)算法融合的識(shí)別算法。

4.1 基于YOLOv3 的算法

YOLOv3 是目前落地應(yīng)用廣泛的目標(biāo)檢測(cè)網(wǎng)絡(luò)， 其骨干網(wǎng)絡(luò)為Darknet－53 網(wǎng)絡(luò)， 具有網(wǎng)絡(luò)實(shí)現(xiàn)簡(jiǎn)單、 處理速度快的特點(diǎn)。 Darknet－53 基于Resnet 的殘差網(wǎng)絡(luò)思想， 采用多尺度特征融合計(jì)算， 從中提取3 個(gè)尺度特征圖， 對(duì)不同尺度下的特征圖進(jìn)行特征融合， 實(shí)現(xiàn)對(duì)小尺度的目標(biāo)識(shí)別。 而Darknet－53 網(wǎng)絡(luò)規(guī)模大， 對(duì)硬件要求很高， 在板載計(jì)算機(jī)有限的計(jì)算能力下識(shí)別速度無(wú)法滿足實(shí)時(shí)需求。 在實(shí)際巡檢場(chǎng)景中對(duì)目標(biāo)檢測(cè)種類(lèi)數(shù)量不多，可以采用輕量級(jí)的網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)[28]。

董召杰等[29]提出了基于YOLOv3 的電力線多種關(guān)鍵部件的實(shí)時(shí)檢測(cè)方法， 但是缺少缺陷部件的數(shù)據(jù)， 目前識(shí)別準(zhǔn)確度不高。 廖如超等[30]基于YOLOv3 網(wǎng)絡(luò)， 提出了基于語(yǔ)義信息分塊的高像素導(dǎo)線缺陷目標(biāo)識(shí)別算法。 該方法首先采用語(yǔ)義信息分塊將導(dǎo)線圖像降采樣處理； 然后利用分割網(wǎng)絡(luò)獲取低像素導(dǎo)線分割區(qū)域并對(duì)其網(wǎng)格化， 裁剪出多個(gè)導(dǎo)線區(qū)域， 將導(dǎo)線區(qū)域以降采樣比例映射回高像素原圖像后， 再裁剪出多個(gè)高分辨率導(dǎo)線區(qū)域， 批次輸入YOLOv3 網(wǎng)絡(luò)進(jìn)行導(dǎo)線缺陷識(shí)別； 最后根據(jù)輸入的高精度關(guān)注區(qū)域在原圖像的相對(duì)位置獲得缺陷識(shí)別目標(biāo)區(qū)域。 該方法為輸電線路導(dǎo)、 地線缺陷識(shí)別提供了新思路。

4.2 多種傳統(tǒng)算法融合

結(jié)合Canny 算子等邊緣檢測(cè)算法、 霍夫變換等直線提取算法及形態(tài)學(xué)理論， 可以較好地實(shí)現(xiàn)缺陷識(shí)別效果。 由于單一傳統(tǒng)算法不能同時(shí)滿足多種需求， 基于多種算法的融合改進(jìn)成為當(dāng)下缺陷識(shí)別研究的熱點(diǎn)。 王萬(wàn)國(guó)等[3]通過(guò)分析導(dǎo)線表面灰度圖像的光滑性與一致性來(lái)檢測(cè)斷股或異物缺陷， 馮河清等[31]利用灰度分布曲線的方波變換 (square wave transformation， SWT) 檢測(cè)導(dǎo)線破裂缺陷， 但是當(dāng)目標(biāo)灰度值差異不大時(shí)這兩種算法效果不佳。文獻(xiàn)[32] 通過(guò)OTSU 算法分割目標(biāo)與背景， 結(jié)合形態(tài)學(xué)基于含異物的電力線與正常電力線的差異提取并定位異物的位置； 該算法不僅平均耗時(shí)短， 而且檢測(cè)率也相對(duì)較高， 具有較好的魯棒性。

5 研究展望

5.1 加強(qiáng)自適應(yīng)閾值的研究

在圖像預(yù)處理和導(dǎo)地線提取等步驟中， 相關(guān)算法都需要設(shè)定合適的閾值， 才能取得良好的效果。各種算法中大多數(shù)需要設(shè)定閾值， 而目前閾值設(shè)置主要靠經(jīng)驗(yàn)或者通過(guò)多次重復(fù)實(shí)驗(yàn)得來(lái)； 并且針對(duì)不同特征目標(biāo)的識(shí)別采用固定的閾值沒(méi)有普適性。因此， 加強(qiáng)自適應(yīng)閾值算法的研究非常有必要。 自適應(yīng)閾值算法要能滿足對(duì)多種算法中的閾值設(shè)定需要， 能統(tǒng)籌整個(gè)圖像識(shí)別過(guò)程， 并能根據(jù)不同目標(biāo)圖像自動(dòng)設(shè)置閾值， 才達(dá)到良好的識(shí)別效果。

5.2 加快構(gòu)建缺陷數(shù)據(jù)庫(kù)

在缺陷識(shí)別步驟中， 融合人工智能技術(shù)(AI)和神經(jīng)網(wǎng)絡(luò)(CNN) 的新型算法， 可以通過(guò)自主學(xué)習(xí)， 不斷提高輸電線路導(dǎo)地線缺陷識(shí)別的準(zhǔn)確率和速度， 相對(duì)于其他算法有很大的優(yōu)勢(shì)。 但目前缺陷數(shù)據(jù)較少， 造成這類(lèi)算法識(shí)別準(zhǔn)確率不高。 電力企業(yè)和相關(guān)單位應(yīng)該構(gòu)建一個(gè)統(tǒng)一、 共享的數(shù)據(jù)庫(kù)， 由全行業(yè)共同來(lái)豐富數(shù)據(jù)庫(kù)樣本， 共享數(shù)據(jù)資源。 這樣可以大大降低數(shù)據(jù)庫(kù)構(gòu)建的時(shí)間和成本，充分發(fā)揮新型算法的優(yōu)勢(shì)， 不斷提高缺陷識(shí)別的準(zhǔn)確率和速度。

6 結(jié)語(yǔ)

隨著輸電線路導(dǎo)地線巡檢要求的逐步提高， 導(dǎo)地線圖像識(shí)別算法的研究也不斷深入。 基于多種傳統(tǒng)算法融合改進(jìn)， 并加入人工智能和神經(jīng)網(wǎng)絡(luò)等新技術(shù)、 新理論， 通過(guò)機(jī)器學(xué)習(xí)不斷提高導(dǎo)地線缺陷識(shí)別準(zhǔn)確率和速度， 將是今后輸電線路導(dǎo)地線圖像識(shí)別算法研究的大趨勢(shì)。