基于深度学习模型与稀疏表示绝缘子状态分类.docVIP

基于深度学习模型与稀疏表示绝缘子状态分类 　　摘 要：在输电线路中绝缘子的状态直接影响整个输电系统的可靠性，然而复杂背景和不同光照条件下对于绝缘子的状态检测十分困难。如今计算机视觉辅助方法已被广泛应用于电力系统中。提出一种基于深度学习模型与稀疏表示进行绝缘子状态分类的方法，对于待检测的绝缘子图像，通过Faster-RCNN定位后，采用深度残差网络（ResNet）提取图像特征，最后利用稀疏表示进行绝缘子状态分类。该方法与传统方法相比，对于绝缘子的状态分类具有更高的准确率，准确率可达98.67%。 　　关键词：深度学习；卷积神经网络；绝缘子；稀疏表示；分类 　　DOI：10.11907/rjdk.172724 　　中图分类号：TP301 　　文献标识码：A 文章编号：1672-7800（2018）005-0040-03 　　Abstract：The status of the insulators in power line can directly affect the reliability of power transmission system. However， the complex background and different light conditions make it difficult to detect insulators. Nowadays， computer vision-aided methods have been widely used in electric ， power system. In this paper， we propose a novel insulator status classification approach based on deep learning model and sparse representation to classify the status of insulators. In order to detect the insulator image， the Deep Residual Networks（ResNet） is used to extract features after localizing the position of the insulators with Faster-RCNN，then insulator status classification is done with sparse representation. Compared with the traditional methods， our method has higher accuracy for the classification of insulator status and achieves the precision rate of 98.67%. 　　Key Words：deep learning； convolutional neural networks； insulators； sparse representation；classification 　　0 引言 　　在高?菏涞缦呦低持校?绝缘子是不可或缺的设备，其具有电气绝缘与连接导体的功能。绝缘子故障是引发输电系统事故的主要原因[1]。为保证高压输电线系统的稳定性，定期对绝缘子进行巡检是一个基本的维护程序，而这些任务只能由专业人员执行，并且伴有巨大的安全风险[2]。此外，由于大多数绝缘子暴露在野外，而缺陷绝缘子则混杂在大量的正常绝缘子中，依靠人工识别缺陷绝缘子非常耗时，且会造成漏检[3]。 　　迄今为止，最常见与有效的巡检方法是通过驾驶直升机或遥控无人机，沿输电线路进行巡检，从而获得海量视频和图像[4]。因此，对这些数据图像进行自动状态评估可以大大提高电力巡检效率。 　　1 绝缘子状态检测研究现状 　　如今，图像处理技术和计算机视觉辅助技术已广泛应用于电力巡检中的识别和检测。输电线路绝缘子状态检测任务可分为两方面：①检测：检测出绝缘子，定位其在所获得航拍图像中的位置；②分类：诊断绝缘子状态。 　　绝缘子检测定位是进行绝缘子状态分类的必要前提。一旦绝缘子位置确定，对其状态进行分类也会相对简单。近年来，国内外学者对于绝缘子的状态评估进行了大量研究。然而目前大多仍采用传统人工设计的特征，如HOG [5]、SIFT [6]、轮廓提取算法[7]等。常用的方法是利用绝缘子颜色形态学特征，利用阈值分割算法对其进行分割提取[8]。但这些方法往往针对特定场景，准确率低，不具备扩展性。因此，鲁棒状态分类方法是十分必要的，而传统的人工特征方法难以胜任。近年来深度神经网络