张同伟　徐彬　李红武

摘要：本文首先对输电线路缺陷图像识别技术进行了详细的介绍，主要的技术包括了两种：深度学习的图像识别技术和全卷积神经网络区域检测技术，然后进行了测试与验证，为输电线路杆塔设备的稳定运行提供一定的依据。

关键词：图像识别技术;输电线路;智能识别

1 输电线路杆塔设备缺陷图像检测技术

1.1深度学习的图像识别技术

图像智能分析技术可以在图像和图像描述之间，建立映射的关系，充分利用计算机技术，通过图像处理分析，对画面中的内容进行理解，其中的原理就是对图像中的重要信息进行智能分析和抽取。在图像智能分析中，主要包括了场景识别、目标检测、目标跟踪及图像处理等。在利用深度学习图像技术的过程中，需要运用视频传感设备和计算机，对人类的视觉系统进行模拟，采集并处理外界的视觉信息。

在利用深度学习图像识别技术进行缺陷检测的过程中，表达的方式呈现为层次化特征，在显示识别图像的过程中，主要的设备包括了自动编译器、卷积神经网络、深度信念网络等。

在运用深度学习的图像识别技术的过程中，对设备缺陷进行智能识别的步骤如下。

（1）Faster-Rcnn 样本制作。在输电线路巡视图像具备一定规模的情况下，其样本需要在1 000张以上，这就需要由人工进行标注，对图像中的输电设备的名称进行标注，并且标记输电设备的位置。从这1 000张以上的图片当中选取9/10的图片，作为训练数据集，然后在剩下的图片中选取1/10的图片，作为测试数据集，并记录标签。

（2）Faster-Rcnn 模型训练。在Faster-Rcnn模型当中，需要输入带有标签的数据，然后建立模型进行训练。在模型训练的过程中，通过运用随机梯度下降的方式，对模型的参数进行更新，通过迭代20万步的方式，有效保证模型训练的顺利完成。

（3）Faster-Rcnn 模型测试与修正。在完成模型训练之后，不仅需要对训练完成的Faster-Rcnn 模型进行测试，同时还需要对采集的数据进行测量，这样可以有效保证模型训练的有效性、采集数据的准确性。然后根据准确率的情况，判断是否需要添加数据，合理调整训练参数，然后继续模型训练。

（4）输电设备缺陷分类器样本制作。在输电设备不同的情况下，需要收集正常和存在缺陷的输电设备样本，然后在存在缺陷的输电设备图片中标记缺陷种类的标签。然后在总数中选择9/10的图片作为模型训练数据，然后在总数中选择1/10作为测试数据。

（5）训练输电设备缺陷分类器。需要根据每种输电设备的类型运用不同训练分类器，然后需要使用Faster-Rcnn模型中的训练样本数据训练分类器。

（6）输电设备缺陷分类器测试与修正。根据输电设备的情况，结合不同的缺陷分类器，以步骤（3）数据为测试数据，判断数据的准确性。通过结合准确率的实际情况，对是否增加样本进行判断，合理的调整模型训练的参数，然后继续模型训练。

（7）模型参数更新。在设备识别结构当中需要抽取具有代表性的图片，然后对新的样本进行重新制作。在原有的模型下，不仅需要Faster-Rcnn的模型参数进行更新，同时还需要对缺陷分类器的模型参数进行更新，从而可以让模型不断的改进和完善，从而提高模型的准确性。

1.2全卷积神经网络的区域检测技术

在利用全卷积神经网络技术对图像进行识别的过程中，是属于多层神经网络，在各层神经网络当中，是由多个二维平面组成，而在各个平面当中，具备着多个神经元。通常来说，全卷积神经网络技术主要包括了卷积操作和池化操作这两种形式。在输入全卷积神经网络图像的过程中，是属于数字图像，然后在池化层和卷积层中，进行交替工作。在运用全卷积神经网络技术的过程中，在对参数数目进行降低时，是运用参数共享和局部视野感知这两种方式进行降低。在相关的卷积层的特征类型图中，即在卷积核运算，以及输入图像的基础上加一个偏置，最后再激活相关的函数就可以得出结果。

对于池化層来说，会具有局部平均的作用，并且还包含了卷积层的特点，但是在池化层的尺寸中，其大小为n*n，对于卷积层来说，在第n*n个相邻单元中，需要取平均值和最大值，分别采用了两种采样方法：max-pooling和mean-pooling，这样可以降低特征图的分辨率，减少对位移形变的敏感度。图1 展示了池化操作原理。

在深层卷积神经网络中，主要的组合构成部分包括了softmax层、卷积层、池化层和全链接层，如图2 所示为LENET-5的网络结构图，主要包括了池化层和卷积层这两个结构。在进行两次全链接层之后，可以映射图像向量的特征，从而划分输出向量的类型。

2 测试与验证

在本文提到的关于智能识别的应用平台类型中，其不但有良好的操作性能，还有对巡视高压输电线进行辅助的能力，这样不仅能解决因为人工巡视带来的弊端，在一定程度上促进了缺陷图像识别效率的提高。在应用数字图像技术对输电杆塔设备缺陷进行测试的过程中，是运用智能图像e进行识别，主要括的物体图像有20种，在每个物体中，会具有25张无缺陷和有缺陷的图像。在测试的过程中，主要分为两个部分：可以识别出缺陷诊断的设备和判断设备缺陷的准确位置。

在对第二个部分进行完成的过程中，需要运用深度神经网络技术。在输电线路杆塔设备缺陷中，其中比较常见的缺陷为绝缘子破裂、销钉缺失，而运用深度神经网络技术时，可以达到75%的精确度。因此，在对特征不明显缺陷进行识别的过程中，会具备较高的识别准确度。在对所有缺陷进行识别的过程中，其中对于设备裂纹和烧伤痕迹的问题，是最难发现的。在运用上述技术，对两种缺陷的准确度分别为37%和45%。

在应用深度卷积神经网络技术的过程中，可以对多个物体的缺陷进行识别，这样可以分担人工识别缺陷图像的工作量，不仅可以提高测试缺陷的效率，并且还需要保证测试缺陷的质量。

3 结论

在对输电线路杆塔设备缺陷进行智能识别的过程中，应用深度卷积神经网络技术的情况下，可以保证识别输电杆塔缺陷的高清图像，然后完成输电线路杆塔设备缺陷的智能识别之后，需要对缺陷种类进行分类，降低人工识别设备缺陷图像的工作量，不仅可以提高识别效率，还可以保证识别缺陷的准确性。

参考文献

[1]华正阳.基于视觉技术的热成像图像识别系统研究[J].通讯世界，2019，26（12）：12-13.

[2]张然，范治中.电力系统中图像识别技术的应用[J].数码世界，2019，（12）：1.

作者简介

张同伟（1983-），男，云南迪庆人，本科，助理工程师，主要研究方向为电力系统信息化。