傳輸線(xiàn)中絕緣的狀況直接影響整個(gè)傳輸系統(tǒng)的可靠性，但是在復(fù)雜的背景條件下以及在惡劣環(huán)境下檢測(cè)絕緣狀況非常困難。
　　同的照明。在，由計(jì)算機(jī)視覺(jué)輔助的方法已廣泛應(yīng)用于電力系統(tǒng)中。們提出了一種基于深度學(xué)習(xí)模型和碎片表示的方法來(lái)對(duì)絕緣子的狀態(tài)進(jìn)行分類(lèi)：通過(guò)快速殘差網(wǎng)絡(luò)（ResNet）提取絕緣子的圖像以檢測(cè)絕緣子的圖像）之后，F(xiàn)aster-RCNN的位置和隔離器的狀態(tài)最終由碎片表示分類(lèi)來(lái)確定。傳統(tǒng)方法相比，該方法對(duì)絕緣子狀態(tài)分類(lèi)具有更高的準(zhǔn)確度，準(zhǔn)確率可達(dá)98.67％。
　　高壓傳輸線(xiàn)系統(tǒng)中，絕緣子是必不可少的設(shè)備，其功能是電隔離和連接導(dǎo)體。離器的故障是傳輸系統(tǒng)事故的主要原因[1]。了確保高壓輸電線(xiàn)路系統(tǒng)的穩(wěn)定性，定期檢查隔離器是一項(xiàng)基本的維護(hù)程序。任務(wù)只能由專(zhuān)業(yè)人員執(zhí)行，存在很大的安全風(fēng)險(xiǎn)[2]。外，由于大多數(shù)絕緣子都暴露在野外，并且有缺陷的絕緣子與大量的常規(guī)絕緣子混合在一起，因此手動(dòng)檢測(cè)有缺陷的絕緣子會(huì)花費(fèi)一些時(shí)間，并導(dǎo)致漏檢[3]。今為止，最常見(jiàn)，最有效的檢查方法是通過(guò)操作直升機(jī)或遙控?zé)o人機(jī)對(duì)傳輸線(xiàn)進(jìn)行大規(guī)模檢查，以獲得較大的視頻和圖像[4]。]。此，自動(dòng)評(píng)估這些數(shù)據(jù)圖像的狀態(tài)可以顯著提高食品檢查的效率。今，圖像處理和計(jì)算機(jī)視覺(jué)輔助技術(shù)已廣泛用于電源檢查的識(shí)別和檢測(cè)。測(cè)電力線(xiàn)隔離器狀態(tài)的任務(wù)可以分為兩個(gè)方面：檢測(cè)：絕緣子的檢測(cè)，在獲得的航拍圖像中其位置的定位；分類(lèi)：診斷絕緣子的狀態(tài)。離器的檢測(cè)和定位是絕緣子狀態(tài)分類(lèi)的必要先決條件。旦確定了絕緣的位置，就可以相對(duì)容易地對(duì)其絕緣狀態(tài)進(jìn)行分類(lèi)。年來(lái)，國(guó)內(nèi)外專(zhuān)家對(duì)狀態(tài)絕緣子的評(píng)估進(jìn)行了廣泛的研究。而，仍然使用大多數(shù)傳統(tǒng)的人工設(shè)計(jì)功能，例如HOG [5]，SIFT [6]和輪廓提取算法[7]。種常見(jiàn)的方法是使用絕緣子的形態(tài)顏色特征，使用閾值分割算法進(jìn)行分割和提取[8]。是，這些方法通常針對(duì)精度低且沒(méi)有可伸縮性的特定方案。此，魯棒的狀態(tài)分類(lèi)方法非常必要，而傳統(tǒng)的人工功能方法則很難。年來(lái)，深度神經(jīng)網(wǎng)絡(luò)（尤其是卷積神經(jīng)網(wǎng)絡(luò)）在執(zhí)行大規(guī)模圖像分類(lèi)任務(wù)中表現(xiàn)出出色的性能，能夠自動(dòng)學(xué)習(xí)特征和特征的特征。圖像中獲得更多有用的功能。時(shí)，稀缺性表示高精度和治療阻塞的優(yōu)異性能。此啟發(fā)，本文提出了一種基于深度學(xué)習(xí)模型和碎片表示的絕緣狀態(tài)分類(lèi)方法。卷積神經(jīng)元網(wǎng)絡(luò)的啟發(fā)，該任務(wù)從卷積特征定位絕緣體開(kāi)始，使用更快的RCNN定位隔離器位置，電纜然后對(duì)其進(jìn)行切割，然后通過(guò)ResNet提取圖像特征，然后使用碎片表示分類(lèi)器對(duì)隔離器的狀態(tài)進(jìn)行分類(lèi)。了消除傳輸線(xiàn)復(fù)雜背景的影響，有必要對(duì)絕緣元件進(jìn)行目標(biāo)檢測(cè)，而基于區(qū)域選擇的RCNN系列算法是傳統(tǒng)的目標(biāo)檢測(cè)算法。[9]。
　　RCNN算法可以分為四個(gè)步驟：為每個(gè)樣本圖像生成大量矩形候選區(qū)域，將每個(gè)候選區(qū)域輸入到CNN中以進(jìn)行特征提取，并將特征向量發(fā)送到分類(lèi)器以進(jìn)行分類(lèi)。定該區(qū)域是目標(biāo)還是背景；退格候選框以更正位置和大小。中，CRNN使用選擇性搜索來(lái)生成不同大小的候選區(qū)域，并基于候選幀和校準(zhǔn)幀的重疊率（IOU）執(zhí)行類(lèi)別的確定。債務(wù)的值大于0.5時(shí)，候選框被視為屬于該類(lèi)別；當(dāng)債務(wù)價(jià)值小于0.3時(shí)，則視為負(fù)樣本。管NCRN表現(xiàn)良好，但存在明顯的缺點(diǎn)，例如候選基數(shù)過(guò)多，訓(xùn)練時(shí)間長(zhǎng)以及候選基數(shù)重疊，從而導(dǎo)致重復(fù)計(jì)算。此，專(zhuān)家們相繼提出了一種改進(jìn)的NCRN方法。Fast-RCNN [10]使用自適應(yīng)比例尺陣列對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行調(diào)諧，以提高深度網(wǎng)絡(luò)識(shí)別的準(zhǔn)確性； Faster-RCNN [11]用構(gòu)造網(wǎng)絡(luò)代替了費(fèi)時(shí)的選擇。善的區(qū)域提案網(wǎng)絡(luò)。搜索方法消除了與計(jì)算計(jì)算區(qū)域的時(shí)間成本有關(guān)的瓶頸問(wèn)題，從而實(shí)現(xiàn)了實(shí)時(shí)識(shí)別。本文中，使用Faster-RCNN算法，并在Imagenet上執(zhí)行的ZFnet [12]模型用于絕緣子檢測(cè)。
　　了更好地對(duì)絕緣子進(jìn)行分類(lèi)，必須獲得更好的圖像特性。年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)由于其生物學(xué)機(jī)制而在大型圖像分類(lèi)任務(wù)中取得了很高的準(zhǔn)確性。ImageNet 2015中，他的[13]深尾礦網(wǎng)絡(luò)（ResNet）贏(yíng)得了Kaiming的冠軍。近的研究表明，網(wǎng)絡(luò)深度是必不可少的，但是當(dāng)網(wǎng)絡(luò)較深時(shí)，常規(guī)網(wǎng)絡(luò)堆棧的效率較低。

　　
　　此，ResNet引入了一種殘留的網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)允許深入構(gòu)建網(wǎng)絡(luò)層并產(chǎn)生非常令人滿(mǎn)意的最終網(wǎng)絡(luò)分類(lèi)效果。
　　差網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1所示。過(guò)在輸入和輸出之間引入縮短的連接，而不是簡(jiǎn)單地堆疊網(wǎng)絡(luò)，可以解決由于網(wǎng)絡(luò)深度而導(dǎo)致的梯度消失的問(wèn)題。決方案，可以深度構(gòu)建網(wǎng)絡(luò)，從而大大降低了網(wǎng)絡(luò)模型的錯(cuò)誤率，并可以執(zhí)行計(jì)算。雜度也保持較低。
　　Razavian和他的合作者[14]提出，在Imagenet的大型圖像上形成的卷積神經(jīng)元網(wǎng)絡(luò)可以為不同任務(wù)提取更具代表性的特征。此，與形成少量狀態(tài)絕緣圖像相比，該文檔直接使用預(yù)先形成的Imagenet模型提取絕緣子狀態(tài)分類(lèi)任務(wù)的特征。像被發(fā)送到預(yù)先形成的ResNet網(wǎng)絡(luò)，并且在softmax層被提取然后通過(guò)碎片化的表示幀進(jìn)行分類(lèi)之前，池層5的2048維特征。疏表示是在壓縮檢測(cè)的基礎(chǔ)上開(kāi)發(fā)的，以便在樣本空間中表示具有盡可能少原子的圖像，以便獲得更簡(jiǎn)潔的表示，從而有助于獲取信號(hào)中包含的信息。了便于信號(hào)的后續(xù)處理，例如稀疏編碼。本思想是假設(shè)圖像可以由預(yù)定義的多補(bǔ)體字典中的極少數(shù)原子線(xiàn)性表示。x∈RM為圖像的矢量表示，D = [D1，D2，...，DN] RM×N為維矩陣M×N，其中M比N小得多，因?yàn)榫€(xiàn)數(shù)D的列比列數(shù)小得多。典D通常被稱(chēng)為字典太完整，字典的每個(gè)列向量都被稱(chēng)為字典D的原子。中α= [0 ... 0αi0 ... 0 ]T∈RN（使用0求解最佳范例。對(duì)于圖像分類(lèi)任務(wù)，圖像特征可以創(chuàng)建完整的字典。文使用遮擋和照明變化的片段表示形式隔離器的圖像具有一定的魯棒性，可以分為狀態(tài)。據(jù)本文，F(xiàn)aster-NCRN算法學(xué)會(huì)了檢測(cè)并定位圖像中絕緣子的位置并將其切除。表明分類(lèi)器需要記錄特性嚴(yán)格，并且絕緣子鏈的狀態(tài)分類(lèi)不好。此，將切下的隔離器鏈分成一個(gè)圓盤(pán)，并在校準(zhǔn)后將其二值化以獲得絕緣子鏈。

　　方圖，然后以槽為分隔線(xiàn)將絕緣子串分成單個(gè)盤(pán)，過(guò)程如圖2所示。
　　了能夠使用片段表示分類(lèi)器，必須構(gòu)造相應(yīng)的隔離器。個(gè)磁盤(pán)每個(gè)狀態(tài)的示例庫(kù)由于絕緣體在其他狀態(tài)下的狀態(tài)很少見(jiàn)，因此本文將構(gòu)建字符串和常規(guī)字符串。隔離器樣本庫(kù)中，樣本圖像如圖3所示。本庫(kù)圖像是使用預(yù)先形成的ResNet模型提取的，然后是池維特征。別5，提取了數(shù)字048，但是由于2048尺寸和體積的過(guò)多特征。品的神經(jīng)網(wǎng)絡(luò)提取特征的分散特征，可以將PCA的尺寸減小到128個(gè)尺寸，電纜從而創(chuàng)建一個(gè)過(guò)于完整的字典，對(duì)于按檢測(cè)到的圖像分割的單個(gè)光盤(pán)，其提取的功能相同。小并輸入零散的表示。類(lèi)器計(jì)算正常磁盤(pán)和釋放的磁盤(pán)的殘差，并與殘差的分類(lèi)相對(duì)應(yīng)，當(dāng)檢測(cè)到所有磁盤(pán)時(shí)，如果有鏈，則將其分類(lèi)為絕緣子鏈，反之亦然。傳統(tǒng)的手動(dòng)功能BOF（特征包）[15]相比，該方法更加準(zhǔn)確，絕緣狀態(tài)分類(lèi)的比較結(jié)果列于表1。驗(yàn)結(jié)果表明，深度模型它為圖像處理提供了良好的性能，并且可以為分類(lèi)任務(wù)提供更好的功能，并且碎片表示的魯棒性還確保了狀態(tài)分類(lèi)的準(zhǔn)確性。態(tài)的精確和實(shí)時(shí)識(shí)別提出了更高的要求。
　　統(tǒng)上，手動(dòng)方法已用于昂貴且低效的監(jiān)視圖像分析，因此需要使用圖像處理技術(shù)來(lái)自動(dòng)對(duì)絕緣狀態(tài)進(jìn)行分類(lèi)。度學(xué)習(xí)模型和碎片表示的好處使得可以實(shí)現(xiàn)絕緣子狀態(tài)分類(lèi)。一步是開(kāi)發(fā)樣本庫(kù)，以?xún)?yōu)化狀態(tài)絕緣子的分類(lèi)，并使用其他算法和網(wǎng)絡(luò)模型來(lái)改進(jìn)實(shí)踐。
　　本文轉(zhuǎn)載自
　　電纜 http://m.yule876.com