基于DCNN 的輸電線路隱患區(qū)域圖像識(shí)別方法

居一峰，高弋淞，陳俊安，陳蔚卓，滕啟韜

（1.海南電網(wǎng)有限責(zé)任公司?？诠╇娋?，海南?？?570105；2.昆明能訊科技有限責(zé)任公司，云南昆明 650217）

我國(guó)幅員遼闊，電網(wǎng)規(guī)模龐大，輸電線路越來越長(zhǎng)，電網(wǎng)維護(hù)工作難以開展。特別是隨著電網(wǎng)企業(yè)超高壓、特高壓技術(shù)的快速發(fā)展，輸電線路的保護(hù)顯得尤為重要。在不同的輸電線路故障中，如何有效地識(shí)別隱患區(qū)域成為一個(gè)熱門話題[1-2]。

文獻(xiàn)[3]優(yōu)先采集輸電線路圖像，同時(shí)采用RGB色彩通道對(duì)圖像的故障區(qū)域和非故障區(qū)域進(jìn)行劃分，完成圖像識(shí)別。文獻(xiàn)[4]優(yōu)先建立了一個(gè)有效區(qū)域篩選模型，利用Mask-CNN 提取全部圖像中的有效區(qū)域，將提取結(jié)果放置到GoogleNet 進(jìn)行訓(xùn)練，構(gòu)建圖像識(shí)別模型。

上述方法在識(shí)別過程中沒有對(duì)圖像進(jìn)行去噪處理，導(dǎo)致識(shí)別率降低、識(shí)別時(shí)間延長(zhǎng)，對(duì)此，提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network,DCNN)的輸電線路隱患區(qū)域圖像識(shí)別方法，使其能夠較短的時(shí)間和較高的識(shí)別精度下完成輸電線路隱患識(shí)別。

1 識(shí)別方法

1.1 輸電線路圖像去噪

在拍攝圖像的過程中，光線在不同角度下呈現(xiàn)的畫面不同，導(dǎo)致輸入和輸出數(shù)據(jù)為非線性[5-6]，對(duì)此，設(shè)定輸電線路圖像的灰度為f，入射光強(qiáng)度為L(zhǎng)，兩者之間的輸出信號(hào)關(guān)系能夠表示為：

式中，c表示任意常數(shù)。

其中，輸電線路圖像中的灰度值和實(shí)際光照強(qiáng)度兩者之間為非線性關(guān)系，需要將其轉(zhuǎn)換為線性關(guān)系。式（2）給出了詳細(xì)的非線性轉(zhuǎn)換過程：

式中，g表示轉(zhuǎn)換后的輸電線路圖像灰度值；k表示任意常數(shù)。

如果輸電線路灰度圖像的分辨率為m×n，則圖像對(duì)應(yīng)的平均灰度特征gˉ為：

式中，f(i,j)表示點(diǎn)(i,j)上的灰度值。

由于地形、環(huán)境等因素的影響，圖像會(huì)嚴(yán)重變形或模糊，圖像的整體質(zhì)量下降。為了提高圖像質(zhì)量，需要對(duì)退化圖像進(jìn)行處理。其中，實(shí)際獲取的退化圖像g(x,y)可以通過退化模型進(jìn)行描述，具體的表達(dá)形式如下：

式中，H()表示變換函數(shù)；f(x,y)表示輸電線路的真實(shí)圖像；n(x,y)表示加入噪聲的輸電線路圖像。

通過上述分析，將函數(shù)H()轉(zhuǎn)換為線性算子進(jìn)行使用，則結(jié)合線性理論能夠獲取線性函數(shù)全新H[f(x,y)]的計(jì)算公式：

式中，δ(x,y)表示輸電線路圖像對(duì)應(yīng)的單位沖擊圖像。

噪聲是影響圖像質(zhì)量的核心因素。對(duì)采集到的傳輸線圖像進(jìn)行處理時(shí)，會(huì)產(chǎn)生不同類型的噪聲，需要對(duì)其進(jìn)行去噪處理[7-8]。假設(shè)噪聲是由多個(gè)不同的隨機(jī)變量組成，則輸電線路圖像對(duì)應(yīng)的高斯噪聲PDF 分布p(z)表示為：

式中，z表示輸電線路的灰度級(jí)；σ表示圖像的方差。

以下給出計(jì)算灰度值的平均值μ和方差σ對(duì)應(yīng)計(jì)算公式：

式中，zi表示圖像S中的灰度值；p(zi)表示經(jīng)過響應(yīng)后的歸一化直方圖值。

當(dāng)進(jìn)行輸電線路圖像采集時(shí)，由于攝像機(jī)是不穩(wěn)定的，會(huì)產(chǎn)生比較嚴(yán)重的模糊現(xiàn)象。在實(shí)際應(yīng)用的過程中，可以忽略全部外來因素，通過式（9）獲取采集到的模糊輸電線路圖像，即：

式中，x0(t)表示輸電線路圖像在x方向的運(yùn)動(dòng)分量；y0(t)表示傳輸線路圖像在y方向的運(yùn)動(dòng)分量；T表示采集總時(shí)長(zhǎng)。

假設(shè)輸電線路一直在一個(gè)方向上保持勻速直線運(yùn)動(dòng)，則經(jīng)過退化處理后的傳遞函數(shù)H(u,v)為：

式中，u表示拍攝到的輸電線路圖像總數(shù)；v表示圖像的采集速度；a和b表示任意常數(shù)[9-11]；j表示圖像的標(biāo)準(zhǔn)差估計(jì)值。

結(jié)合上述分析，通過改進(jìn)的維納濾波算法對(duì)采集到的輸電線路圖像進(jìn)行去噪處理[12]，其中改進(jìn)后的維納濾波算法操作流程如圖1 所示。

圖1 中，維納濾波算法的核心是得到最佳濾波器，通過濾波器將圖像中的均方差降至最低，并在算法中加入像質(zhì)評(píng)價(jià)函數(shù)E，提升維納濾波效果和圖像質(zhì)量，即：

圖1 改進(jìn)的維納濾波算法操作流程

1.2 輸電線路隱患區(qū)域圖像識(shí)別

基于DCNN 的輸電線路隱患區(qū)域圖像識(shí)別方法主要?jiǎng)澐譃閮蓚€(gè)不同的階段，具體如下所示。

1）訓(xùn)練階段

在組建的數(shù)據(jù)集中隨機(jī)選取5 000 張圖像，將其設(shè)定為測(cè)試集，包含多種類型的輸電線路圖像。將訓(xùn)練集中的全部圖像進(jìn)行預(yù)處理，統(tǒng)一規(guī)格，同時(shí)，將其輸入到DCNN 中進(jìn)行深度特征提取。經(jīng)過深度學(xué)習(xí)的一系列卷積操作后，獲取對(duì)應(yīng)的特征向量，同時(shí)，將特征向量輸入到SVM 分類器中，獲取最終的特征識(shí)別模型[13-14]。

2）測(cè)試階段

測(cè)試階段通過獲取的識(shí)別模型對(duì)任意大小的圖像進(jìn)行處理，其中圖像越小，處理速度就越快；反之，則速度越慢。

優(yōu)先對(duì)數(shù)據(jù)集中的全部數(shù)據(jù)進(jìn)行訓(xùn)練，才能夠獲取合適的模型，同時(shí)更好完成輸電線路隱患區(qū)域圖像識(shí)別。設(shè)定U表示人工選擇且標(biāo)記過的圖像集合，I表示已經(jīng)標(biāo)記過的圖像，對(duì)訓(xùn)練集中的全部特征進(jìn)行提取，獲取模型Γ。針對(duì)已經(jīng)給定的圖像I，需要優(yōu)先提取輸電線路圖像對(duì)應(yīng)的視覺特征，并且在模型Γ 中獲取全部相似特征，更好完成圖像檢索。通過公式（12）獲取聯(lián)合視覺空間中相似特征的圖像S(I)：

式中，ψ表示標(biāo)記過的相鄰視覺空間；Ii表示相似圖像總數(shù)。

在相似性特征檢索過程中，通過式（13）有效降低訓(xùn)練階段形成得到誤差：

為了獲取更加精準(zhǔn)的識(shí)別效果，需要借助SVM對(duì)分類器進(jìn)行優(yōu)化。設(shè)定函數(shù)hθ(x)為：

式中，x表示輸入圖像的特征向量；g表示logistic函數(shù)；θT表示圖像映射后的取值。

將式（14）進(jìn)行簡(jiǎn)化處理，同時(shí)進(jìn)行簡(jiǎn)單的映射，則能夠獲取如下的映射關(guān)系：

將完成劃分的樣本全部輸入到DCNN 中進(jìn)行訓(xùn)練[15-16]，通過改進(jìn)的SVM 分類器，組建輸電線路圖像分類模型。同時(shí)將測(cè)試圖像輸入到模型中，完成輸電線路隱患區(qū)域圖像識(shí)別。

2 實(shí)例分析

為了驗(yàn)證所提基于DCNN 的輸電線路隱患區(qū)域圖像識(shí)別方法的有效性，進(jìn)行模擬實(shí)驗(yàn)測(cè)試。

設(shè)置兩種測(cè)試環(huán)境：

測(cè)試環(huán)境1：在某地區(qū)的3—8 月份，雷雨天氣易出現(xiàn)雷擊，濃霧天氣絕緣子污閃，輸電線路負(fù)荷過重且存在導(dǎo)線接頭接觸不良的問題，暴風(fēng)天氣耐張桿距離較小的接續(xù)引線放電，引發(fā)了接頭發(fā)熱燒斷故障，應(yīng)用移動(dòng)終端技術(shù)，輔助巡檢人員快速獲取故障區(qū)域，采集故障圖像。

測(cè)試環(huán)境2：在該地區(qū)的某個(gè)輸電線路上，此處為鳥害引起的線路跳閘，鳥在桿塔上筑巢或在線路的桿塔上停落，造成了線路故障，屬于偶發(fā)性故障，采集此類圖像，進(jìn)行輸電線路隱患圖像識(shí)別。

分別采取三種不同方法對(duì)不同環(huán)境下的輸電線路隱患進(jìn)行識(shí)別，具體測(cè)試結(jié)果如圖2 所示。

分析圖2 中的實(shí)驗(yàn)數(shù)據(jù)可知，所提方法能夠精準(zhǔn)識(shí)別輸電線路的隱患區(qū)域，而文獻(xiàn)[3]方法和文獻(xiàn)[4]方法并未識(shí)別到隱患區(qū)域，充分驗(yàn)證了所提方法的優(yōu)越性。

識(shí)別時(shí)間也是驗(yàn)證識(shí)別性能的一項(xiàng)重要指標(biāo)，以下實(shí)驗(yàn)測(cè)試對(duì)比不同方法的識(shí)別時(shí)間，具體實(shí)驗(yàn)結(jié)果如圖3 所示。

圖2 不同環(huán)境下各個(gè)方法的輸電線路隱患區(qū)域圖像識(shí)別性能測(cè)試

分析圖3 中的實(shí)驗(yàn)數(shù)據(jù)可知，由于所提方法通過改進(jìn)的維納濾波算法對(duì)輸電線路圖像進(jìn)行去噪處理，有效增加了圖像質(zhì)量，加快圖像識(shí)別速度，以低于另外兩種方法的時(shí)間完成輸電線路隱患區(qū)域圖像識(shí)別。

3 結(jié)束語

文中提出一種基于DCNN 的輸電線路隱患區(qū)域圖像識(shí)別方法，以輸電線路圖像數(shù)據(jù)集為輸入，在深度卷積神經(jīng)（DCNN）中訓(xùn)練，同時(shí)，以改進(jìn)的SVM 分類器優(yōu)化訓(xùn)練過程，結(jié)合像質(zhì)評(píng)價(jià)函數(shù)，動(dòng)態(tài)識(shí)別輸電線路隱患區(qū)域，保證其能夠以較快的識(shí)別速度和較高的識(shí)別率完成圖像識(shí)別。

圖3 不同方法的識(shí)別時(shí)間對(duì)比結(jié)果