電網(wǎng)檢查是確保傳輸線安全可靠運行的重要手段。年來，使用無人機進行功率檢查，然后進行信息處理或識別航拍圖像組件是構建智能電網(wǎng)的研究熱點之一。緣子是傳輸線中的重要設備，很容易受到外部環(huán)境的破壞，從而導致電氣事故[1]。此，絕緣子狀態(tài)檢測特別重要，并且絕緣狀態(tài)檢測依賴于絕緣子的識別。
　　統(tǒng)的絕緣子圖像識別包括圖像過濾，特征提取和目標識別處理步驟，并且特征提取規(guī)則是手動設計的?？嘉墨I[2]基于絕緣子的顏色信息指示隔離器的位置，文獻[3]提取絕緣子的圖像邊緣以識別絕緣子。獻[4？ 5]使用絕緣線的獨特形狀來放置絕緣線?？嘉墨I[6]基于絕緣材料的紋理特征。獻[7]建立了隔離器的標準庫，并使用ASIFT算法來匹配絕緣子的標識。有這些都依賴于研究人員的經(jīng)驗，缺乏概括問題的能力，主要是確定特定類型的絕緣子，復雜的環(huán)境和干擾條件構成了普遍適用性低的問題。別過程分為多個階段，實現(xiàn)過程更加復雜，整體優(yōu)化不容易實現(xiàn)，限制了目標識別的有效性。來，基于深度卷積神經(jīng)網(wǎng)絡的目標識別取得了良好的效果。傳統(tǒng)方法不同，深度學習不需要提取人工特征，并且該算法會自動學習以獲取目標特征，具有較高的適用性和出色的目標識別效率。其他目標識別方法的深度學習方法相比，F(xiàn)aster R？ CNN [8]提供卓越的識別精度和更快的操作。此，本文使用Faster R框架嗎？ CNN與機載絕緣圖像數(shù)據(jù)集相關聯(lián)，以建立隔離器識別系統(tǒng)，自動識別航測航空圖像中的不同類型的絕緣子，并分析不同參數(shù)對絕緣精度的影響。別?？斓腞網(wǎng)絡？ CNN由兩個網(wǎng)絡組成：區(qū)域性提案網(wǎng)絡和Fast R檢測器？ CNN [9]，誰使用RPN生成目標建議框并將其發(fā)送到Fast R檢測網(wǎng)絡？最終獲得用于分類位置校正的CNN，其結構如圖1所示。PN是一個完整的卷積網(wǎng)絡，它使用滑動窗口遍歷卷積，電纜提取特征并將每個轉換后的地圖位置編碼為一個低維特征向量。個窗口的中心位置對應于同時具有不同比例和縱橫比的k個錨點（參數(shù)目標建議框）和樣本。類層和回歸層修改類別分數(shù)和區(qū)域定界區(qū)域的位置，并生成一組可以包含目標的矩形區(qū)域建議框。速R？ CNN將RPN生成的目標建議框映射到最后一個CNN層卷積圖，并通過計算預先標記的實際邊界框與目標標記框之間的重疊率來獲得關注區(qū)域。標區(qū)域。后，使用RoI分組層為每個建議框提取固定大小的特征向量，然后使用完全連接層獲得RoI特征向量。同形成Softmax分類器和幀回歸，以執(zhí)行目標置信度得分和檢測到的位置。調(diào)。訓過程使用RPN和FastR替代培訓嗎？ CNN，即RPN之前的培訓，然后是Fast R培訓？帶有目標建議框的CNN。最后一個卷積層的卷積特征圖上，使用3×3滑動窗口提取建議框，在滑動窗口的每個位置上，有3種不同的比例和3種不同的格式比率（1：1）。用。2：1、1：2）生成9個定位框，以預測包含目標的窗口的位置。別得分和區(qū)域選擇框的位置由分類層和回歸層校正。中：[Ncls]是批量的大??； [Nreg]是定位框中的位置數(shù)； [i]是錨點的索引； π是錨[i]屬于某個目標的預測概率。錨為正樣本時，[p * i = 1]，電纜否則[p * i = 0]； [ti]表示選擇的預測幀的四個參數(shù)化坐標矢量； [t * i]對于錨點為正。應的實選擇框的坐標向量默認為[λ= 10]； [Lcls]和[Lreg]分別對應于分類損失和回歸損失。議的RPN生成模塊用于形成Fast R檢測網(wǎng)絡？ CNN訓練過程使用端到端傳播算法和隨機梯度下降方法。RPN和Fast R？ CNN是單獨形成的，不實現(xiàn)卷積層共享。后使用Fast R控制器？在上一步中訓練的CNN重置RPN，更正共享卷積層，僅設置RPN的單層，保持卷積層固定并設置Fast R？具有RPN提取的目標建議框的CNN。此，兩個網(wǎng)絡共享相同的卷積層以形成統(tǒng)一的網(wǎng)絡。于Faster R？的航拍圖像絕緣識別過程CNN包含兩個階段，即網(wǎng)絡學習階段和識別測試階段。學習階段，自建圖像數(shù)據(jù)庫用于形成卷積神經(jīng)網(wǎng)絡，并具有獲得目標識別模式所需的初始參數(shù)，而測試樣本被引入到形成的識別模式中以獲得識別結果。測并識別了新樣品。快的R？ CNN已使用特定的圖像數(shù)據(jù)集和相應的注釋進行了預處理，因此不適合直接在其他圖像數(shù)據(jù)集上執(zhí)行目標檢測。前沒有開放的絕緣圖像數(shù)據(jù)庫，您需要創(chuàng)建自己的數(shù)據(jù)庫。統(tǒng)數(shù)據(jù)庫來自公用事業(yè)公司提供的航測航拍圖像，其中包括背景，材料，電壓水平和角度不同的不同類型的絕緣子。像的大小統(tǒng)一設置為256×256像素。像樣本，圖2是部分圖像樣本。統(tǒng)使用VOC2007數(shù)據(jù)集格式相應地標記絕緣子。訓練模型部分，RPN與Fast R？交替形成。CNN。
　　ImageNet VGG模型初始化RPN嗎？ 16個預成型。學習過程的隨機梯度法中，小批量由一個圖像樣本組成，其中隨機采樣了256個錨點框，正負錨點之比為1：1。記有重疊區(qū)域大于0.7的錨點為正錨點，即前景，區(qū)域重疊小于0.3的錨點為錨點。定的，即背景。錨標記為1，負錨標記為0。
　　些標記的樣本和圖例框的坐標用于監(jiān)督RPN訓練。
　　用上一步中生成的建議框形成Fast R檢測網(wǎng)絡？ CNN，它也由ImageNet VGG模型初始化嗎？ 16個預成型。訓練過程中，迷你？批次由兩個圖像樣本組成，每個圖像樣本生成64個感興趣區(qū)域。

　　RoI的分組層通過反向傳播過程時，執(zhí)行反向傳播的計算。用Fast R網(wǎng)絡？ CNN獲得了再次初始化RPN，設置卷積層參數(shù)并僅設置RPN的單層，然后保留共享的卷積層參數(shù)并微調(diào)Fast R？的單層的功能。CNN與RPN可以得到統(tǒng)一的標識。型。VGG模型？ 16是用來了解絕緣的特性的，型號為Faster R？ CNN接受了有關隔離器識別以及網(wǎng)絡參數(shù)方面的培訓。形成的模型可以直接用于絕緣子的識別。

　　
　　別隔離器時，輸入圖像，輸出對應于帶有識別框的識別結果，從而實現(xiàn)完整的端到端識別。緣識別方法在榮田SCW4000超級計算機工作站上運行，該工作站具有Ubuntu 14.04.3位操作系統(tǒng)，Nvidia Tesla K40C圖形卡，總共2個GPU，容量為Matlab R2014a開發(fā)環(huán)境為12GB單存儲器。驗過程訓練集包含5，000個圖像樣本，測試集包含500個圖像。均準確度（平均準確度，AP）用于測量識別效果。度是標記的絕緣邊界框的數(shù)量與所有邊界框的數(shù)量之比。先，我們研究了不同的深度卷積網(wǎng)絡對絕緣子識別系統(tǒng)性能的影響，然后分析了不同參數(shù)對AP的影響。了研究不同卷積深度對絕緣識別系統(tǒng)的影響，使用了具有五個卷積層的ZF模型[11]和具有13個卷積層的VGG-16模型[12]。為共享卷積層。比經(jīng)驗。訓練期間，前30，000次迭代為0.001，隨后的10，000次為0.000，動量為0.9，權重為0.000。果如表1所示。相比ZF模型，VGG模型？ 16驅動網(wǎng)絡很長時間，測試速度很慢。

　　是，隨著網(wǎng)絡模型深度的增加，AP值從89.49％增加到90.5％，增加了1％，這是由于VGG？ 16選擇相對較小的卷積核和步長，具有較高的網(wǎng)絡精度和對其他數(shù)據(jù)集的良好泛化能力。此，系統(tǒng)使用VGG模型嗎？ 16作為卷積網(wǎng)絡。3顯示了使用VGG-16模型對卷積運算進行部分識別的結果。圖3所示，識別出的絕緣子具有不同的形式，包括不同的材料（玻璃，陶瓷），不同的顏色（藍色，綠色，灰色等），背景不同（綠色空間，森林，田野）等）。且角度，模糊和遮擋程度不同，輸入測試圖像的大小也有所不同。人工設計的特征相比，只能識別出某種類型的絕緣體，由于對絕緣體特性的深入了解和自動學習，可以自動識別出不同類型的絕緣體，范圍是范圍更廣，多功能性更大。2顯示了在設置其他參數(shù)時更改批次大小的一組測試的實驗結果，為縮短學習時間，最大迭代次數(shù)為20，000。R CNN由隨機梯度下降法驅動，每個樣本進行迭代更新，從表2中可以看出，在一定范圍內(nèi)，批次越大，形成的樣本數(shù)量就越大。練樣本的數(shù)量對卷積神經(jīng)元網(wǎng)絡的識別效果有很大的影響。
　　Faster R模型？ CNN由不同的驅動器樣本號組成：RPN和快速R批次大??？ CNN分別為256和128，最大迭代次數(shù)為40，000。他參數(shù)保持不變，并測試了測試集。3顯示。察表3顯示，隨著訓練樣本數(shù)量的增加，系統(tǒng)的學習時間增加，但AP值顯著增加，從1000個樣本上的71.3％增加到90個樣本5，000個樣本中的5％，增加了19個百分點。像的平均時間為0.21 s，測試速率幾乎保持不變，這表明增加訓練樣本的數(shù)量可以提高系統(tǒng)識別的準確性和速度系統(tǒng)的識別幾乎是實時的。4顯示了使用與不同學習樣本數(shù)量相對應的模型對測試進行部分識別的結果。以看出，隨著樣本數(shù)量的增加，所識別的隔離器的位置會更加準確，并且外殼中的絕緣層也很大。SPPnet [11]使用選擇性搜索（SS）算法生成目標區(qū)域建議。SS是在Faster ??之前生成目標區(qū)域的最常用算法。了驗證所提出的方法在隔離器識別方面具有優(yōu)勢，將其與SPPnet網(wǎng)絡進行了比較。用VGG?16模型，可以通過Faster R？識別測試集。CNN和SPPnet根據(jù)模型參數(shù)對應的最大顯示點。
　　較結果示于表4。以看出，F(xiàn)aster R方法的精度是多少？ CNN高于SPPnet，這主要是由于RPN比SS建議的目標區(qū)域更準確?？斓腞？ CNN包括特征提取，目標推薦檢索，邊界回歸和網(wǎng)絡分類，所有過程都符合GPU，并且檢測速度遠遠超過SPPnet。文采用Faster R深對流神經(jīng)元網(wǎng)絡構造隔離器識別模型。CNN。

　　過建立隔離器的航拍圖像數(shù)據(jù)集，可以完成模型的建立和效果的驗證。驗表明，基于Faster R？的絕緣識別方法。CNN效率高，可以識別圖像中不同類型的絕緣子：識別速度可以達到每張220毫秒左右，準確度達到90.5％，是傳統(tǒng)的識別方法。限且效率低下。是，由于樣本不完整，絕緣子之間的阻塞識別效果并不理想，有必要收集更有效的圖像樣本，這是一個問題。來解決。

　　
　　本文轉載自
　　電纜 http://www.ktio.cn