贾立业,韩 军,余鸿飞

(上海大学 通信与信息工程学院，上海 200444)

0 引言

在电网系统中，输电线路中防震锤的目的是为了减少导线因风力引起的振动，导线振动时，其悬挂处的工作条件很不利，此时防震锤起着关键作用，对其进行检测至关重要。国内外针对防震锤部件识别的算法大致可分为两类：基于传统图像处理的目标识别和基于深度学习的目标检测。传统的图像识别算法主要通过对目标的固定特征(如边缘、颜色、纹理、轮廓等)进行处理实现检测任务。宋伟等[1]结合直方图均衡化、形态学处理和RGB彩色模型对防震锤图像处理，实现锈蚀缺陷的检测。但该方法存在着识别速率和鲁棒性低的问题。金立军等[2]提出将类Haar特征与级联AdaBoost算法应用于防震锤识别。计算图像的Haar特征后利用AdaBoost算法选取具有较强分类特性的特征，然后通过级联的方式组成级联AdaBoost分类器进行防震锤的分类识别。张东等[3]提出一种结合多尺度聚合通道特征(ACF)和复频域特征的检测算法。通过引入多尺度聚合通道特征提取图像的空间域特征和复频域特征进行加权融合，然后利用AdaBoost分类器和NMS算法识别防震锤。这两种方法识别准确率尚可，但存在算法复杂度高，鲁棒性低的问题。在深度学习领域，汤踊等[4]提出利用Faster-RCNN网络对输电线部件进行识别，针对不同目标使用不同的卷积核优化识别率。薛冰等[5]提出基于Mask R-CNN的电力设备锈迹检测识别方法。先使用Faster R-CNN完成目标检测的功能，利用FCN完成语义分割的功能，实现像素级别的分类识别，解决了不规则锈迹的检测问题。……