[电缆]基于深度学习模型和碎片表示的绝缘状态分

　　传输线中绝缘的状况直接影响整个传输系统的可靠性，但是在复杂的背景条件下以及在恶劣环境下检测绝缘状况非常困难。
　　同的照明。在，由计算机视觉辅助的方法已广泛应用于电力系统中。们提出了一种基于深度学习模型和碎片表示的方法来对绝缘子的状态进行分类：通过快速残差网络（ResNet）提取绝缘子的图像以检测绝缘子的图像）之后，Faster-RCNN的位置和隔离器的状态最终由碎片表示分类来确定。传统方法相比，该方法对绝缘子状态分类具有更高的准确度，准确率可达98.67％。
　　高压传输线系统中，绝缘子是必不可少的设备，其功能是电隔离和连接导体。离器的故障是传输系统事故的主要原因[1]。了确保高压输电线路系统的稳定性，定期检查隔离器是一项基本的维护程序。任务只能由专业人员执行，存在很大的安全风险[2]。外，由于大多数绝缘子都暴露在野外，并且有缺陷的绝缘子与大量的常规绝缘子混合在一起，因此手动检测有缺陷的绝缘子会花费一些时间，并导致漏检[3]。今为止，最常见，最有效的检查方法是通过操作直升机或遥控无人机对传输线进行大规模检查，以获得较大的视频和图像[4]。]。此，自动评估这些数据图像的状态可以显着提高食品检查的效率。今，图像处理和计算机视觉辅助技术已广泛用于电源检查的识别和检测。测电力线隔离器状态的任务可以分为两个方面：检测：绝缘子的检测，在获得的航拍图像中其位置的定位；分类：诊断绝缘子的状态。离器的检测和定位是绝缘子状态分类的必要先决条件。旦确定了绝缘的位置，就可以相对容易地对其绝缘状态进行分类。年来，国内外专家对状态绝缘子的评估进行了广泛的研究。而，仍然使用大多数传统的人工设计功能，例如HOG [5]，SIFT [6]和轮廓提取算法[7]。种常见的方法是使用绝缘子的形态颜色特征，使用阈值分割算法进行分割和提取[8]。是，这些方法通常针对精度低且没有可伸缩性的特定方案。此，鲁棒的状态分类方法非常必要，而传统的人工功能方法则很难。年来，深度神经网络（尤其是卷积神经网络）在执行大规模图像分类任务中表现出出色的性能，能够自动学习特征和特征的特征。图像中获得更多有用的功能。时，稀缺性表示高精度和治疗阻塞的优异性能。此启发，本文提出了一种基于深度学习模型和碎片表示的绝缘状态分类方法。卷积神经元网络的启发，该任务从卷积特征定位绝缘体开始，使用更快的RCNN定位隔离器位置，电缆然后对其进行切割，然后通过ResNet提取图像特征，然后使用碎片表示分类器对隔离器的状态进行分类。了消除传输线复杂背景的影响，有必要对绝缘元件进行目标检测，而基于区域选择的RCNN系列算法是传统的目标检测算法。[9]。
　　RCNN算法可以分为四个步骤：为每个样本图像生成大量矩形候选区域，将每个候选区域输入到CNN中以进行特征提取，并将特征向量发送到分类器以进行分类。定该区域是目标还是背景；退格候选框以更正位置和大小。中，CRNN使用选择性搜索来生成不同大小的候选区域，并基于候选帧和校准帧的重叠率（IOU）执行类别的确定。债务的值大于0.5时，候选框被视为属于该类别；当债务价值小于0.3时，则视为负样本。管NCRN表现良好，但存在明显的缺点，例如候选基数过多，训练时间长以及候选基数重叠，从而导致重复计算。此，专家们相继提出了一种改进的NCRN方法。Fast-RCNN [10]使用自适应比例尺阵列对整个网络进行调谐，以提高深度网络识别的准确性； Faster-RCNN [11]用构造网络代替了费时的选择。善的区域提案网络。搜索方法消除了与计算计算区域的时间成本有关的瓶颈问题，从而实现了实时识别。本文中，使用Faster-RCNN算法，并在Imagenet上执行的ZFnet [12]模型用于绝缘子检测。
　　了更好地对绝缘子进行分类，必须获得更好的图像特性。年来，卷积神经网络由于其生物学机制而在大型图像分类任务中取得了很高的准确性。ImageNet 2015中，他的[13]深尾矿网络（ResNet）赢得了Kaiming的冠军。近的研究表明，网络深度是必不可少的，但是当网络较深时，常规网络堆栈的效率较低。

　　
　　此，ResNet引入了一种残留的网络结构，该结构允许深入构建网络层并产生非常令人满意的最终网络分类效果。
　　差网络的基本结构如图1所示。过在输入和输出之间引入缩短的连接，而不是简单地堆叠网络，可以解决由于网络深度而导致的梯度消失的问题。决方案，可以深度构建网络，从而大大降低了网络模型的错误率，并可以执行计算。杂度也保持较低。
　　Razavian和他的合作者[14]提出，在Imagenet的大型图像上形成的卷积神经元网络可以为不同任务提取更具代表性的特征。此，与形成少量状态绝缘图像相比，该文档直接使用预先形成的Imagenet模型提取绝缘子状态分类任务的特征。像被发送到预先形成的ResNet网络，并且在softmax层被提取然后通过碎片化的表示帧进行分类之前，池层5的2048维特征。疏表示是在压缩检测的基础上开发的，以便在样本空间中表示具有尽可能少原子的图像，以便获得更简洁的表示，从而有助于获取信号中包含的信息。了便于信号的后续处理，例如稀疏编码。本思想是假设图像可以由预定义的多补体字典中的极少数原子线性表示。x∈RM为图像的矢量表示，D = [D1，D2，...，DN] RM×N为维矩阵M×N，其中M比N小得多，因为线数D的列比列数小得多。典D通常被称为字典太完整，字典的每个列向量都被称为字典D的原子。中α= [0 ... 0αi0 ... 0 ]T∈RN（使用0求解最佳范例。对于图像分类任务，图像特征可以创建完整的字典。文使用遮挡和照明变化的片段表示形式隔离器的图像具有一定的鲁棒性，可以分为状态。据本文，Faster-NCRN算法学会了检测并定位图像中绝缘子的位置并将其切除。表明分类器需要记录特性严格，并且绝缘子链的状态分类不好。此，将切下的隔离器链分成一个圆盘，并在校准后将其二值化以获得绝缘子链。

　　方图，然后以槽为分隔线将绝缘子串分成单个盘，过程如图2所示。
　　了能够使用片段表示分类器，必须构造相应的隔离器。个磁盘每个状态的示例库由于绝缘体在其他状态下的状态很少见，因此本文将构建字符串和常规字符串。隔离器样本库中，样本图像如图3所示。本库图像是使用预先形成的ResNet模型提取的，然后是池维特征。别5，提取了数字048，但是由于2048尺寸和体积的过多特征。品的神经网络提取特征的分散特征，可以将PCA的尺寸减小到128个尺寸，电缆从而创建一个过于完整的字典，对于按检测到的图像分割的单个光盘，其提取的功能相同。小并输入零散的表示。类器计算正常磁盘和释放的磁盘的残差，并与残差的分类相对应，当检测到所有磁盘时，如果有链，则将其分类为绝缘子链，反之亦然。传统的手动功能BOF（特征包）[15]相比，该方法更加准确，绝缘状态分类的比较结果列于表1。验结果表明，深度模型它为图像处理提供了良好的性能，并且可以为分类任务提供更好的功能，并且碎片表示的鲁棒性还确保了状态分类的准确性。态的精确和实时识别提出了更高的要求。
　　统上，手动方法已用于昂贵且低效的监视图像分析，因此需要使用图像处理技术来自动对绝缘状态进行分类。度学习模型和碎片表示的好处使得可以实现绝缘子状态分类。一步是开发样本库，以优化状态绝缘子的分类，并使用其他算法和网络模型来改进实践。
　　本文转载自
　　电缆 https://www.haoluoyi.com