傳輸線中絕緣的狀況直接影響整個傳輸系統(tǒng)的可靠性，但是在復雜的背景條件下以及在惡劣環(huán)境下檢測絕緣狀況非常困難。
　　同的照明。在，由計算機視覺輔助的方法已廣泛應用于電力系統(tǒng)中。們提出了一種基于深度學習模型和碎片表示的方法來對絕緣子的狀態(tài)進行分類：通過快速殘差網(wǎng)絡（ResNet）提取絕緣子的圖像以檢測絕緣子的圖像）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來確定。傳統(tǒng)方法相比，該方法對絕緣子狀態(tài)分類具有更高的準確度，準確率可達98.67％。
　　高壓傳輸線系統(tǒng)中，絕緣子是必不可少的設備，其功能是電隔離和連接導體。離器的故障是傳輸系統(tǒng)事故的主要原因[1]。了確保高壓輸電線路系統(tǒng)的穩(wěn)定性，定期檢查隔離器是一項基本的維護程序。任務只能由專業(yè)人員執(zhí)行，存在很大的安全風險[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，因此手動檢測有缺陷的絕緣子會花費一些時間，并導致漏檢[3]。今為止，最常見，最有效的檢查方法是通過操作直升機或遙控無人機對傳輸線進行大規(guī)模檢查，以獲得較大的視頻和圖像[4]。]。此，自動評估這些數(shù)據(jù)圖像的狀態(tài)可以顯著提高食品檢查的效率。今，圖像處理和計算機視覺輔助技術已廣泛用于電源檢查的識別和檢測。測電力線隔離器狀態(tài)的任務可以分為兩個方面：檢測：絕緣子的檢測，在獲得的航拍圖像中其位置的定位；分類：診斷絕緣子的狀態(tài)。離器的檢測和定位是絕緣子狀態(tài)分類的必要先決條件。旦確定了絕緣的位置，就可以相對容易地對其絕緣狀態(tài)進行分類。年來，國內外專家對狀態(tài)絕緣子的評估進行了廣泛的研究。而，仍然使用大多數(shù)傳統(tǒng)的人工設計功能，例如HOG [5]，SIFT [6]和輪廓提取算法[7]。種常見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行分割和提取[8]。是，這些方法通常針對精度低且沒有可伸縮性的特定方案。此，魯棒的狀態(tài)分類方法非常必要，而傳統(tǒng)的人工功能方法則很難。年來，深度神經(jīng)網(wǎng)絡（尤其是卷積神經(jīng)網(wǎng)絡）在執(zhí)行大規(guī)模圖像分類任務中表現(xiàn)出出色的性能，能夠自動學習特征和特征的特征。圖像中獲得更多有用的功能。時，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習模型和碎片表示的絕緣狀態(tài)分類方法。卷積神經(jīng)元網(wǎng)絡的啟發(fā)，該任務從卷積特征定位絕緣體開始，使用更快的RCNN定位隔離器位置，電纜然后對其進行切割，然后通過ResNet提取圖像特征，然后使用碎片表示分類器對隔離器的狀態(tài)進行分類。了消除傳輸線復雜背景的影響，有必要對絕緣元件進行目標檢測，而基于區(qū)域選擇的RCNN系列算法是傳統(tǒng)的目標檢測算法。[9]。
　　RCNN算法可以分為四個步驟：為每個樣本圖像生成大量矩形候選區(qū)域，將每個候選區(qū)域輸入到CNN中以進行特征提取，并將特征向量發(fā)送到分類器以進行分類。定該區(qū)域是目標還是背景；退格候選框以更正位置和大小。中，CRNN使用選擇性搜索來生成不同大小的候選區(qū)域，并基于候選幀和校準幀的重疊率（IOU）執(zhí)行類別的確定。債務的值大于0.5時，候選框被視為屬于該類別；當債務價值小于0.3時，則視為負樣本。管NCRN表現(xiàn)良好，但存在明顯的缺點，例如候選基數(shù)過多，訓練時間長以及候選基數(shù)重疊，從而導致重復計算。此，專家們相繼提出了一種改進的NCRN方法。Fast-RCNN [10]使用自適應比例尺陣列對整個網(wǎng)絡進行調諧，以提高深度網(wǎng)絡識別的準確性； Faster-RCNN [11]用構造網(wǎng)絡代替了費時的選擇。善的區(qū)域提案網(wǎng)絡。搜索方法消除了與計算計算區(qū)域的時間成本有關的瓶頸問題，從而實現(xiàn)了實時識別。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。
　　了更好地對絕緣子進行分類，必須獲得更好的圖像特性。年來，卷積神經(jīng)網(wǎng)絡由于其生物學機制而在大型圖像分類任務中取得了很高的準確性。ImageNet 2015中，他的[13]深尾礦網(wǎng)絡（ResNet）贏得了Kaiming的冠軍。近的研究表明，網(wǎng)絡深度是必不可少的，但是當網(wǎng)絡較深時，常規(guī)網(wǎng)絡堆棧的效率較低。

　　
　　此，ResNet引入了一種殘留的網(wǎng)絡結構，該結構允許深入構建網(wǎng)絡層并產(chǎn)生非常令人滿意的最終網(wǎng)絡分類效果。
　　差網(wǎng)絡的基本結構如圖1所示。過在輸入和輸出之間引入縮短的連接，而不是簡單地堆疊網(wǎng)絡，可以解決由于網(wǎng)絡深度而導致的梯度消失的問題。決方案，可以深度構建網(wǎng)絡，從而大大降低了網(wǎng)絡模型的錯誤率，并可以執(zhí)行計算。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)絡可以為不同任務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，該文檔直接使用預先形成的Imagenet模型提取絕緣子狀態(tài)分類任務的特征。像被發(fā)送到預先形成的ResNet網(wǎng)絡，并且在softmax層被提取然后通過碎片化的表示幀進行分類之前，池層5的2048維特征。疏表示是在壓縮檢測的基礎上開發(fā)的，以便在樣本空間中表示具有盡可能少原子的圖像，以便獲得更簡潔的表示，從而有助于獲取信號中包含的信息。了便于信號的后續(xù)處理，例如稀疏編碼。本思想是假設圖像可以由預定義的多補體字典中的極少數(shù)原子線性表示。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，因為線數(shù)D的列比列數(shù)小得多。典D通常被稱為字典太完整，字典的每個列向量都被稱為字典D的原子。中α= [0 ... 0αi0 ... 0 ]T∈RN（使用0求解最佳范例。對于圖像分類任務，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算法學會了檢測并定位圖像中絕緣子的位置并將其切除。表明分類器需要記錄特性嚴格，并且絕緣子鏈的狀態(tài)分類不好。此，將切下的隔離器鏈分成一個圓盤，并在校準后將其二值化以獲得絕緣子鏈。

　　方圖，然后以槽為分隔線將絕緣子串分成單個盤，過程如圖2所示。
　　了能夠使用片段表示分類器，必須構造相應的隔離器。個磁盤每個狀態(tài)的示例庫由于絕緣體在其他狀態(tài)下的狀態(tài)很少見，因此本文將構建字符串和常規(guī)字符串。隔離器樣本庫中，樣本圖像如圖3所示。本庫圖像是使用預先形成的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尺寸和體積的過多特征。品的神經(jīng)網(wǎng)絡提取特征的分散特征，可以將PCA的尺寸減小到128個尺寸，電纜從而創(chuàng)建一個過于完整的字典，對于按檢測到的圖像分割的單個光盤，其提取的功能相同。小并輸入零散的表示。類器計算正常磁盤和釋放的磁盤的殘差，并與殘差的分類相對應，當檢測到所有磁盤時，如果有鏈，則將其分類為絕緣子鏈，反之亦然。傳統(tǒng)的手動功能BOF（特征包）[15]相比，該方法更加準確，絕緣狀態(tài)分類的比較結果列于表1。驗結果表明，深度模型它為圖像處理提供了良好的性能，并且可以為分類任務提供更好的功能，并且碎片表示的魯棒性還確保了狀態(tài)分類的準確性。態(tài)的精確和實時識別提出了更高的要求。
　　統(tǒng)上，手動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來自動對絕緣狀態(tài)進行分類。度學習模型和碎片表示的好處使得可以實現(xiàn)絕緣子狀態(tài)分類。一步是開發(fā)樣本庫，以優(yōu)化狀態(tài)絕緣子的分類，并使用其他算法和網(wǎng)絡模型來改進實踐。
　　本文轉載自
　　電纜 http://www.ktio.cn