電網(wǎng)檢查是確保傳輸線安全可靠運(yùn)行的重要手段。年來，使用無人機(jī)進(jìn)行功率檢查，然后進(jìn)行信息處理或識別航拍圖像組件是構(gòu)建智能電網(wǎng)的研究熱點(diǎn)之一。緣子是傳輸線中的重要設(shè)備，很容易受到外部環(huán)境的破壞，從而導(dǎo)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(biāo)識別處理步驟，并且特征提取規(guī)則是手動(dòng)設(shè)計(jì)的?？嘉墨I(xiàn)[2]基于絕緣子的顏色信息指示隔離器的位置，文獻(xiàn)[3]提取絕緣子的圖像邊緣以識別絕緣子。獻(xiàn)[4？ 5]使用絕緣線的獨(dú)特形狀來放置絕緣線?？嘉墨I(xiàn)[6]基于絕緣材料的紋理特征。獻(xiàn)[7]建立了隔離器的標(biāo)準(zhǔn)庫，并使用ASIFT算法來匹配絕緣子的標(biāo)識。有這些都依賴于研究人員的經(jīng)驗(yàn)，缺乏概括問題的能力，主要是確定特定類型的絕緣子，復(fù)雜的環(huán)境和干擾條件構(gòu)成了普遍適用性低的問題。別過程分為多個(gè)階段，實(shí)現(xiàn)過程更加復(fù)雜，整體優(yōu)化不容易實(shí)現(xiàn)，限制了目標(biāo)識別的有效性。來，基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別取得了良好的效果。傳統(tǒng)方法不同，深度學(xué)習(xí)不需要提取人工特征，并且該算法會自動(dòng)學(xué)習(xí)以獲取目標(biāo)特征，具有較高的適用性和出色的目標(biāo)識別效率。其他目標(biāo)識別方法的深度學(xué)習(xí)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(jī)載絕緣圖像數(shù)據(jù)集相關(guān)聯(lián)，以建立隔離器識別系統(tǒng)，自動(dòng)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(luò)？ CNN由兩個(gè)網(wǎng)絡(luò)組成：區(qū)域性提案網(wǎng)絡(luò)和Fast R檢測器？ CNN [9]，誰使用RPN生成目標(biāo)建議框并將其發(fā)送到Fast R檢測網(wǎng)絡(luò)？最終獲得用于分類位置校正的CNN，其結(jié)構(gòu)如圖1所示。PN是一個(gè)完整的卷積網(wǎng)絡(luò)，它使用滑動(dòng)窗口遍歷卷積，電纜提取特征并將每個(gè)轉(zhuǎn)換后的地圖位置編碼為一個(gè)低維特征向量。個(gè)窗口的中心位置對應(yīng)于同時(shí)具有不同比例和縱橫比的k個(gè)錨點(diǎn)（參數(shù)目標(biāo)建議框）和樣本。類層和回歸層修改類別分?jǐn)?shù)和區(qū)域定界區(qū)域的位置，并生成一組可以包含目標(biāo)的矩形區(qū)域建議框。速R？ CNN將RPN生成的目標(biāo)建議框映射到最后一個(gè)CNN層卷積圖，并通過計(jì)算預(yù)先標(biāo)記的實(shí)際邊界框與目標(biāo)標(biāo)記框之間的重疊率來獲得關(guān)注區(qū)域。標(biāo)區(qū)域。后，使用RoI分組層為每個(gè)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(biāo)置信度得分和檢測到的位置。調(diào)。訓(xùn)過程使用RPN和FastR替代培訓(xùn)嗎？ CNN，即RPN之前的培訓(xùn)，然后是Fast R培訓(xùn)？帶有目標(biāo)建議框的CNN。最后一個(gè)卷積層的卷積特征圖上，使用3×3滑動(dòng)窗口提取建議框，在滑動(dòng)窗口的每個(gè)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(gè)定位框，以預(yù)測包含目標(biāo)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]是批量的大小； [Nreg]是定位框中的位置數(shù)； [i]是錨點(diǎn)的索引； π是錨[i]屬于某個(gè)目標(biāo)的預(yù)測概率。錨為正樣本時(shí)，[p * i = 1]，電纜否則[p * i = 0]； [ti]表示選擇的預(yù)測幀的四個(gè)參數(shù)化坐標(biāo)矢量； [t * i]對于錨點(diǎn)為正。應(yīng)的實(shí)選擇框的坐標(biāo)向量默認(rèn)為[λ= 10]； [Lcls]和[Lreg]分別對應(yīng)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(luò)？ CNN訓(xùn)練過程使用端到端傳播算法和隨機(jī)梯度下降方法。RPN和Fast R？ CNN是單獨(dú)形成的，不實(shí)現(xiàn)卷積層共享。后使用Fast R控制器？在上一步中訓(xùn)練的CNN重置RPN，更正共享卷積層，僅設(shè)置RPN的單層，保持卷積層固定并設(shè)置Fast R？具有RPN提取的目標(biāo)建議框的CNN。此，兩個(gè)網(wǎng)絡(luò)共享相同的卷積層以形成統(tǒng)一的網(wǎng)絡(luò)。于Faster R？的航拍圖像絕緣識別過程CNN包含兩個(gè)階段，即網(wǎng)絡(luò)學(xué)習(xí)階段和識別測試階段。學(xué)習(xí)階段，自建圖像數(shù)據(jù)庫用于形成卷積神經(jīng)網(wǎng)絡(luò)，并具有獲得目標(biāo)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(jié)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(yīng)的注釋進(jìn)行了預(yù)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(biāo)檢測。前沒有開放的絕緣圖像數(shù)據(jù)庫，您需要?jiǎng)?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(shè)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(yīng)地標(biāo)記絕緣子。訓(xùn)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(gè)預(yù)成型。學(xué)習(xí)過程的隨機(jī)梯度法中，小批量由一個(gè)圖像樣本組成，其中隨機(jī)采樣了256個(gè)錨點(diǎn)框，正負(fù)錨點(diǎn)之比為1：1。記有重疊區(qū)域大于0.7的錨點(diǎn)為正錨點(diǎn)，即前景，區(qū)域重疊小于0.3的錨點(diǎn)為錨點(diǎn)。定的，即背景。錨標(biāo)記為1，負(fù)錨標(biāo)記為0。
　　些標(biāo)記的樣本和圖例框的坐標(biāo)用于監(jiān)督RPN訓(xùn)練。
　　用上一步中生成的建議框形成Fast R檢測網(wǎng)絡(luò)？ CNN，它也由ImageNet VGG模型初始化嗎？ 16個(gè)預(yù)成型。訓(xùn)練過程中，迷你？批次由兩個(gè)圖像樣本組成，每個(gè)圖像樣本生成64個(gè)感興趣區(qū)域。

　　RoI的分組層通過反向傳播過程時(shí)，執(zhí)行反向傳播的計(jì)算。用Fast R網(wǎng)絡(luò)？ CNN獲得了再次初始化RPN，設(shè)置卷積層參數(shù)并僅設(shè)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(biāo)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(guān)隔離器識別以及網(wǎng)絡(luò)參數(shù)方面的培訓(xùn)。形成的模型可以直接用于絕緣子的識別。

　　
　　別隔離器時(shí)，輸入圖像，輸出對應(yīng)于帶有識別框的識別結(jié)果，從而實(shí)現(xiàn)完整的端到端識別。緣識別方法在榮田SCW4000超級計(jì)算機(jī)工作站上運(yùn)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(gè)GPU，容量為Matlab R2014a開發(fā)環(huán)境為12GB單存儲器。驗(yàn)過程訓(xùn)練集包含5，000個(gè)圖像樣本，測試集包含500個(gè)圖像。均準(zhǔn)確度（平均準(zhǔn)確度，AP）用于測量識別效果。度是標(biāo)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(luò)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(gè)卷積層的ZF模型[11]和具有13個(gè)卷積層的VGG-16模型[12]。為共享卷積層。比經(jīng)驗(yàn)。訓(xùn)練期間，前30，000次迭代為0.001，隨后的10，000次為0.000，動(dòng)量為0.9，權(quán)重為0.000。果如表1所示。相比ZF模型，VGG模型？ 16驅(qū)動(dòng)網(wǎng)絡(luò)很長時(shí)間，測試速度很慢。

　　是，隨著網(wǎng)絡(luò)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(luò)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(luò)。3顯示了使用VGG-16模型對卷積運(yùn)算進(jìn)行部分識別的結(jié)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(lán)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(shè)計(jì)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(dòng)學(xué)習(xí)，可以自動(dòng)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(shè)置其他參數(shù)時(shí)更改批次大小的一組測試的實(shí)驗(yàn)結(jié)果，為縮短學(xué)習(xí)時(shí)間，最大迭代次數(shù)為20，000。R CNN由隨機(jī)梯度下降法驅(qū)動(dòng)，每個(gè)樣本進(jìn)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(luò)的識別效果有很大的影響。
　　Faster R模型？ CNN由不同的驅(qū)動(dòng)器樣本號組成：RPN和快速R批次大小？ 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(xùn)練樣本數(shù)量的增加，系統(tǒng)的學(xué)習(xí)時(shí)間增加，但AP值顯著增加，從1000個(gè)樣本上的71.3％增加到90個(gè)樣本5，000個(gè)樣本中的5％，增加了19個(gè)百分點(diǎn)。像的平均時(shí)間為0.21 s，測試速率幾乎保持不變，這表明增加訓(xùn)練樣本的數(shù)量可以提高系統(tǒng)識別的準(zhǔn)確性和速度系統(tǒng)的識別幾乎是實(shí)時(shí)的。4顯示了使用與不同學(xué)習(xí)樣本數(shù)量相對應(yīng)的模型對測試進(jìn)行部分識別的結(jié)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(zhǔn)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(biāo)區(qū)域建議。SS是在Faster ??之前生成目標(biāo)區(qū)域的最常用算法。了驗(yàn)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(luò)進(jìn)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(yīng)的最大顯示點(diǎn)。
　　較結(jié)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(biāo)區(qū)域更準(zhǔn)確?？斓腞？ CNN包括特征提取，目標(biāo)推薦檢索，邊界回歸和網(wǎng)絡(luò)分類，所有過程都符合GPU，并且檢測速度遠(yuǎn)遠(yuǎn)超過SPPnet。文采用Faster R深對流神經(jīng)元網(wǎng)絡(luò)構(gòu)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(yàn)證。驗(yàn)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(dá)到每張220毫秒左右，準(zhǔn)確度達(dá)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(gè)問題。來解決。

　　
　　本文轉(zhuǎn)載自
　　電纜 http://jslianhai.cn