雙目仿鷹眼視覺(jué)下混合輸電線路鳥(niǎo)害故障識(shí)別探究

【關(guān)鍵詞】雙目；仿鷹眼視覺(jué)；超分辨；混合輸電線路；鳥(niǎo)害；故障識(shí)別

引言

結(jié)合國(guó)內(nèi)外近年來(lái)的統(tǒng)計(jì)數(shù)據(jù)顯示，鳥(niǎo)害導(dǎo)致輸電線路出現(xiàn)故障這一問(wèn)題，已經(jīng)變成電力系統(tǒng)出現(xiàn)跳閘故障的核心原因，鳥(niǎo)害直接影響電力系統(tǒng)的工作狀態(tài)[1-2]。所以，在輸電線路安全運(yùn)檢時(shí)[3-4]，有必要研究輸電線路鳥(niǎo)害故障識(shí)別方法。

分析近幾年輸電線路鳥(niǎo)害故障識(shí)別方面的研究資料可知，在識(shí)別輸電線路鳥(niǎo)害故障時(shí)，陳瀚翔等人[5]將鳥(niǎo)鳴信號(hào)作為鳥(niǎo)害故障識(shí)別目標(biāo)，在對(duì)鳥(niǎo)鳴信號(hào)進(jìn)行去噪之后，提取鳥(niǎo)鳴信號(hào)特征，輸入高斯混合模型，便可識(shí)別輸電線路上的鳥(niǎo)類(lèi)類(lèi)型。此方法未提取輸電線路興趣區(qū)域圖像，無(wú)法準(zhǔn)確識(shí)別輸電線路鳥(niǎo)害故障。

為解決以上問(wèn)題，本文研究一種基于雙目仿鷹眼視覺(jué)與超分辨的混合輸電線路鳥(niǎo)害故障識(shí)別方法，此方法能夠以雙目仿鷹眼視覺(jué)的方式，有效提取需識(shí)別鳥(niǎo)害故障的輸電線路興趣區(qū)域，并增強(qiáng)此區(qū)域的分辨率。

一、混合輸電線路鳥(niǎo)害故障識(shí)別方法

（一）基于雙目仿鷹眼視覺(jué)的興趣區(qū)域提取方法

輸電線路巡檢圖像分為背景區(qū)域、目標(biāo)區(qū)域，其中目標(biāo)區(qū)域可看作興趣區(qū)域，則針對(duì)所采集的輸電線路巡檢圖像，主要使用基于雙目仿鷹眼視覺(jué)的興趣區(qū)域提取方法，提取需要識(shí)別鳥(niǎo)害故障的目標(biāo)興趣區(qū)域。

將S（x，y）的像素對(duì)比度設(shè)為顯著信息。像素對(duì)比度主要分為亮度、紋理以及顏色對(duì)比度。

為運(yùn)算亮度對(duì)比度，將各個(gè)像素設(shè)成中心，建立亮度對(duì)比度運(yùn)算窗口。因?yàn)橐曈X(jué)刺激狀態(tài)并不受圖像絕對(duì)灰度值影響，但是相對(duì)灰度值對(duì)其影響較大。設(shè)置相對(duì)灰度值是J的像素點(diǎn)亮度對(duì)比度J_CM（x，y）。通過(guò)像素的灰度方差運(yùn)算S（x，y）的紋理對(duì)比度H_CM（x，y）。

仿鷹眼視網(wǎng)膜中，鷹眼顏色空間存在的三個(gè)維度：亮度通路、紅綠拮抗通路、藍(lán)黃拮抗通路。亮度通路中各個(gè)像素點(diǎn)的亮度值不存在差異，飽和度與色調(diào)存在差異。隨機(jī)一種顏色在鷹眼顏色空間里，都能夠通過(guò)一個(gè)三維矢量描述。此三維矢量里，色調(diào)值可描述亮度值的變化，J的最大值與最小值依次是180°、-180°；顏色矢量的模值就是顏色飽和度R，飽和度最大值是1，原點(diǎn)飽和度是0。不同像素點(diǎn)、U₁=（T₁，R₁，J₁）、U₂₌（T₂，R₂，J₂）"之間的顏色也存在不同，顏色對(duì)比度的差異是D_CM（x，y），將J_CM（x，y）、H_CM（x，y）、D_CM（x，y）這3個(gè)特征融合便可獲取顯著圖。因?yàn)轱@著區(qū)域一般都是圖像里顏色突出的區(qū)域，所以將各個(gè)像素點(diǎn)特征融合為多維特征向量，提取興趣區(qū)域G（x，y）。

（二）基于自注意力生成對(duì)抗網(wǎng)絡(luò)的超分辨率重建模型

1.超分辨圖像重構(gòu)模型

考慮到無(wú)人機(jī)在采集混合輸電線路圖像時(shí)，雙目成像時(shí)，左右攝像頭成像質(zhì)量會(huì)因成像距離的差異而出現(xiàn)圖像清晰度不均勻問(wèn)題，為此，使用基于自注意力生成對(duì)抗網(wǎng)絡(luò)的超分辨率重建模型，完成超分辨率重建，優(yōu)化圖像質(zhì)量。

將網(wǎng)絡(luò)參數(shù)設(shè)為ξ，此生成器網(wǎng)絡(luò)的輸入與輸出依次是G（x，y）、G＇（x，y），下文直接簡(jiǎn)稱(chēng)為G、G＇，G＇就是重建的超分辨率興趣區(qū)域圖像。特征提取主要由3個(gè)尺寸不一樣的卷積核完成，可從多尺度提取圖像特征；自注意力模塊結(jié)合提取的圖像特征，構(gòu)建注意力圖 后，在超分辨重建模塊，將像素?cái)U(kuò)增比例參數(shù) 和 相乘，由此生成超分辨率圖像。

2.損失函數(shù)

使用Huber loss損失函數(shù)，當(dāng)損失函數(shù)為最小值時(shí)，便可結(jié)束超分辨率重建。

（三）基于深度殘差網(wǎng)絡(luò)的鳥(niǎo)害故障識(shí)別模型

在殘差模塊的作用下，提取圖像特征信息，將獲取的圖像信息以全局平均池化的方式，將特征壓縮變成一維向量。然后通過(guò)Softmax分類(lèi)器，以二分類(lèi)的方式，識(shí)別G＇是否屬于鳥(niǎo)害故障類(lèi)圖像。

深度殘差網(wǎng)絡(luò)結(jié)構(gòu)詳情如表1所示：

表1 深度殘差網(wǎng)絡(luò)結(jié)構(gòu)詳情

表1中，多個(gè)殘差模塊不會(huì)隨著網(wǎng)絡(luò)層數(shù)變大而出現(xiàn)性能退化問(wèn)題，可在不同尺度全面提取重建后的輸電線路圖像G＇特征信息，將輸電線路圖像G＇特征信息，導(dǎo)入全局平均池化層中壓縮后，使用Softmax分類(lèi)器識(shí)別鳥(niǎo)害故障：

在訓(xùn)練模型的網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，遷移學(xué)習(xí)主要是將典型的鳥(niǎo)害故障圖像先輸入深度殘差網(wǎng)絡(luò)結(jié)構(gòu)，使用訓(xùn)練環(huán)節(jié)步驟完成網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練結(jié)束主要以訓(xùn)練環(huán)節(jié)中對(duì)鳥(niǎo)害故障圖像的識(shí)別精度為標(biāo)準(zhǔn)，當(dāng)精度大于0.90之后便可停止訓(xùn)練。

二、實(shí)驗(yàn)分析

為分析本文方法應(yīng)用效果，對(duì)表2所示的混合輸電線路鳥(niǎo)害故障數(shù)據(jù)集進(jìn)行識(shí)別。

表2 實(shí)驗(yàn)所用數(shù)據(jù)集

表2中，以人工標(biāo)注的方式，使用已知為鳥(niǎo)害故障的輸電線路巡檢圖像作為訓(xùn)練樣本，訓(xùn)練深度殘差神經(jīng)網(wǎng)絡(luò)后，將無(wú)鳥(niǎo)害、有鳥(niǎo)害故障的測(cè)試樣本集合作為本文方法的識(shí)別目標(biāo)。

使用損失函數(shù)μ分析重建后興趣區(qū)域的失真情況，μ數(shù)值較大，則失真度較大。測(cè)試結(jié)果如圖1所示。

如圖1所示，本文方法重建后，興趣區(qū)域?qū)Ρ认?，損失函數(shù)小于0.2，則失真度小于0.2，失真問(wèn)題不凸顯，說(shuō)明本文方法重建的超分辨率圖像對(duì)原始圖像特征的保護(hù)能力顯著。

為了分析本文方法通用性，以表2中樣本為例，其中A1鳥(niǎo)巢類(lèi)故障圖像5張、A2鳥(niǎo)糞類(lèi)故障圖像5張、A3鳥(niǎo)類(lèi)身體接觸類(lèi)故障圖像10張、A4鳥(niǎo)啄絕緣子類(lèi)故障圖像3張、A5無(wú)鳥(niǎo)害故障圖像5張，則本文方法的識(shí)別結(jié)果如圖2所示。

如圖2所示，本文方法對(duì)鳥(niǎo)巢類(lèi)故障、鳥(niǎo)糞類(lèi)故障、鳥(niǎo)類(lèi)身體接觸類(lèi)故障圖像、鳥(niǎo)啄絕緣子類(lèi)故障圖像、無(wú)鳥(niǎo)害故障圖像的識(shí)別數(shù)量符合實(shí)際，說(shuō)明本文方法對(duì)多種鳥(niǎo)害故障均具有較好識(shí)別效果，且對(duì)無(wú)鳥(niǎo)害的圖像識(shí)別結(jié)果也沒(méi)有出錯(cuò)，不存在誤識(shí)問(wèn)題。

結(jié)論

針對(duì)此類(lèi)巡檢圖像的識(shí)別問(wèn)題，本文研究一種基于雙目仿鷹眼視覺(jué)與超分辨的混合輸電線路鳥(niǎo)害故障識(shí)別方法，可在巡檢圖像中鎖定興趣區(qū)域，以超分辨重建的方式優(yōu)化興趣區(qū)域的圖像質(zhì)量，提高興趣區(qū)域的清晰度后，由基于深度殘差網(wǎng)絡(luò)的鳥(niǎo)害故障識(shí)別模型，以圖像特征提取、特征二分類(lèi)模式，完成鳥(niǎo)害故障圖像識(shí)別，具備鳥(niǎo)害故障識(shí)別的可用性。