电力建设速度加快，电网规模增加，电力系统的设备运维工作重要性日益增加。输电线路距离过长，维护难度较大[1]。伴随电力系统规模化发展，输电线路安全性更加受到人们重视。输电线路受到外力作用，出现故障时，威胁输电线路的运行安全性与稳定性[2]。输电线路状态的实时智能监测，对于电力系统可靠运行具有重要作用。

图像识别技术是人工智能技术中的重要技术，图像识别是利用工业相机采集输电线路图像，利用识别模型识别输电线路状态，实现输电线路状态的智能监测[3]。传统输电线路通常采用人工巡视方式，无法及时发现输电线路存在的安全隐患，导致输电线路事故情况频发。输电线路状态智能监测相比于传统的人工巡视方式，利用图像识别技术实现输电线路状态的自动监测，为电力企业节约大量人力资源[4]。输电线路状态自动监测方法，对采用人工监测方式无法精准监测的死角等部分，仍然可以实现高效监测，输电线路状态监测准确性较高。输电线路状态智能监测方法监测输电线路故障时，可以精准确定故障位置，保障输电线路处于最佳状态运行[5]。输电线路运行状态是检测电力系统可靠性的重要指标。

伴随输电线路状态监测方法受到众多研究学者重视，众多研究学者对输电线路状态进行研究。舒胜文等人针对输电线路山火情况进行自动识别[6]；陈志豪等人将多尺度密集网络应用于输电线路绝缘子识别中[7]。以上两种方法分别实现输电线路山火以及绝缘子的精准识别，但仅可识别输电电路山火以及绝缘子，应用性较差。针对以上两种方法存在的应用性较差的缺陷，研究基于图像识别的输电线路状态智能监测方法，对所采集的输电线路图像进行处理，利用完成处理的输电线路图像实现输电电路状态智能监测。通过实验验证该方法具有较高的输电线路状态智能监测可靠性，可以精准识别输电线路异常状态，保证输电线路安全运行。

1、基于图像识别的输电线路状态智能监测方法

1.1 基于Retinex的输电线路图像增强

输电线路图像亮度受图像采集时的环境亮度以及输电线路反射光强度影响。基于Retinex理论，可得输电线路图像表达式如下：

式中，W(x,y)与I(x,y)分别表示输电线路的反射分量以及所采集的输电线路图像；T(x,y)表示照射输电线路的环境光入射分量。

Retinex算法将估计的输电线路图像环境光入射分量从原始输电线路图像中删除，获取可以体现输电线路图像内目标的反射分量。以上过程表达式如下：

Retinex算法选取高斯低通滤波器估计环境光照射输电线路目标物体的入射分量。高斯低通滤波器的表达式如下：

式中，G(x,y)表示高斯环绕函数，具体如下：

式中，与G(x,y)分别表示G(x,y)的尺度因子以及高斯环绕函数；O表示归一化因子。

利用高斯低通滤波器可以获取输电线路图像的低频分量，从原始输电线路图像中删除所获取输电线路图像的低频分量，获取原始输电线路图像高频分量[8]。输电线路图像利用其中包含的高频分量体现输电线路中包含的视觉信息，实现输电线路图像的有效增强。利用Retinex算法获取输电线路图像第i像素通道的高频反射分量为：

采用Retinex算法增强输电线路图像时，尺度因子具有不确定性，利用高斯低通滤波器对输电线路图像进行处理后，可能存在输电线路图像色彩失真以及边缘模糊的情况[9-11]。通过多尺度Retinex算法增强输电线路图像，提升输电线路图像的增强性能。多尺度Retinex算法对输电线路图像增强的计算公式如下：

式中，k与ωk分别表示高斯环绕函数数量以及各尺度权重。

选取多尺度Retinex算法增强输电线路图像时，设置高尺度、中尺度以及低尺度三个高斯环绕函数。增强后的输电线路图像细节信息以及色彩与原始输电线路图像相同。

1.2 输电线路图像的小波系数特征提取

输电线路图像边缘并未处在相同尺度空间中，采用小波变换理论提取已增强输电线路图像的小波系数特征。小波变换理论是通过尺度变换方法对输电线路图像进行滤波，提取图像特征的方法。输电线路图像边缘信息在尺度较小的空间中较为丰富。提取图像边缘特征时，可以选择较小尺度，但是小尺度空间提取特征时，存在容易受噪声干扰的特点。输电线路图像在大尺度空间时，边缘信息较为稳定，具有较高的抗噪能力。尺度空间较大时，存在输电线路图像细节丢失情况[12]。将小波变换方法应用于输电线路图像的多尺度边缘检测中，利用小波变换方法获取不同尺度输电线路图像的边缘特征。选取Mallat多尺度小波变换从多尺度提取输电线路图像边缘的小波系数特征，二维小波函数表达式如下：

式中，μ(x,y)表示二维平滑函数。

可得增强后输电线路图像f(x,y)的二进小波变换表达式如下：

选取3层分解的低频小波系数作为输电线路状态智能监测的特征量。归一化互相关运算待监测图像以及标准输电线路状态图像的3层低频小波系数表达式如下：

式中，N1与N2分别表示待监测状态的输电线路图像以及标准输电线路图像的像素点数量;F(i,j)与K(i,j)分别表示通过3层小波分解后，待监测状态的输电线路图像以及标准输电线路图像的低频小波系数。

待监测状态的输电线路图像与标准输电线路状态图像分辨率存在差异时[13]，将分层搜索策略应用于输电线路图像小波系数特征提取中，设置d=C(i,j)max，所获取的最大相关系数d即输电线路图像的小波系数特征。

1.3 模糊支持向量机的输电线路状态识别

选取模糊支持向量机方法依据所提取输电线路图像的小波系数特征识别输电线路状态，实现输电线路状态的智能监测。

1.3.1 带状分段隶属度函数的构造

采用支持向量机方法对输电线路状态进行智能监测时，仅可在高维空间实现输电线路状态分类，无法给出输电线路所属类别的隶属程度。基于支持向量机的分类基础，建立应用于输电线路状态智能监测的分段隶属度函数。所建立的隶属度函数属于高维超平面，有效提升模糊支持向量机方法对输电线路状态的智能监控性能。采用支持向量机对输电线路状态识别时，建立的最优分类超平面表达式如下：

式中，ω与b分别表示系数向量以及常数向量。

求解输电线路状态样本点在高维特征空间内与最优分类超平面间的距离lc。选取与最优分类超平面距离为lc，同时与最优分类超平面平行的超平面Ac作为基准，在超平面Ac两侧建立带状隶属度函数分别用A1与A2表示。所获取的A1与A2分别表示随机正类以及随机负类样本点所属平面。所建立的存在于高维特征空间中的带状分段隶属函数ξ(xi)表达式如下：

式中，le与lmax分别表示支持向量至最优分类超平面的距离以及样本点至最优分类超平面的最大距离；lce表示Ac至A1的距离；xi与分别为随机输电线路图像样本点以及样本点xi至最优分类超平面的距离。为样本赋予隶属度时，对于正类侧样本以及负类侧样本，分别赋予较大的隶属度以及较小的隶属度。

1.3.2 构造最优分类函数回归函数的模糊支持向量机

利用构造的带状分段隶属度函数的模糊支持向量机分类模型求解最优分类函数表达式如下：

式中，xj表示输电线路状态监测图像训练集中的随机向量；xe与b*分别表示支持向量以及常数向量；Rn与φ*分别表示实数空间以及系数向量，K(xj,xe)表示核函数。

将训练样本带入式(12)中，获取该样本的输电线路状态监测决策函数值sj=f(xj)，以及该样本的带状分段隶属度结果ξ(xj)。

选取径向基函数作为输电线路状态智能监测的支持向量机的核函数，建立模糊支持向量机最优分类函数回归函数表达式如下：

式中，xk与xe分别为支持向量和随机样本向量。

将获取的{sj,ξ(xj)}带入所构建的模糊支持向量机模型中，通过模糊支持向量机模型训练获取最优分类函数的回归函数g(xk)以及系数向量等各项参数。将所提取的输电线路图像的小波系数特征输入完成训练的模糊支持向量机模型，所获取的回归函数值即该样本属于输电线路某类状态的最终隶属度，利用该最终隶属度值识别输电线路状态，实现输电线路状态的智能监测。

2、实例分析

为了验证本文方法的监测输电线路状态有效性，采用某电力系统的220 kV高压输电线路作为测试对象。采集输电线路图像如图1所示。

图1 输电线路原始图像

采用本文方法对输电线路原始图像进行增强处理，增强后的输电线路图像如图2所示。通过图1、图2对比结果可以看出，采用本文方法智能监测输电线路图像状态，对所采集的输电线路原始图像进行增强处理，经过增强处理后的输电线路图像的对比度以及清晰度明显提升，输电线路图像的绝缘子串等目标物体更加清晰，增强后的图像未存在失真情况。图2的图像中未发现光晕，图像质量较高，为采用本文方法智能监测输电线路状态提供了良好的基础。

图2 增强后输电线路图像

图像信息熵是衡量图像中包含信息内容的重要指标，图像信息熵计算公式如下：

式中，ri与p(ri)分别表示像素值和ri的概率。

统计采用本文方法对输电线路图像进行增强处理以及特征提取后，输电线路图像的信息熵变化，统计结果如图3所示。通过图3实验结果可以看出，采用本文方法对输电线路进行处理后，图像信息熵有所提升。采用本文方法处理后的输电线路图像的信息熵均高于6。图像信息熵提升表示图像颜色动态范围变化明显，提升输电线路状态识别精度。采用本文方法可以有效提取输电线路图像的小波系数特征，本文方法提取的输电线路特征边缘清晰，可以有效展示输电线路图像中包含的细节信息。本文方法具有较高的输电线路特征提取有效性，为输电线路状态智能监测提供良好的依据。采用本文方法处理后的输电线路图像中包含更加丰富的细节信息，清晰展示输电线路图像的导线、绝缘子等内容，图像目标边缘更加清晰。

图3 图像信息熵变化

随机选取采用本文方法采集的8幅输电线路图像，提取输电线路图像特征后，各幅图像的隶属度结果如图4所示。通过图4实验结果可以看出，采用本文方法可以有效获取各输电线路图像的隶属度，依据不同输电线路图像的隶属度，精准识别输电线路状态，实现输电线路状态的智能监测。

图4 输电线路图像隶属度

采用本文方法智能监测电力系统全部输电线路状态，测试时间为2020年1月11日0时-1月13日24时。统计所采集3 000张输电线路图像中，输电线路异常状态情况，统计结果如表1所示。通过表1实验结果可以看出，采用本文方法可以实现输电线路状态的智能监测，提升电力系统的运行安全性。本文方法可以有效监测输电线路的绝缘子覆冰、输电导线舞动等异常状态，改善了由于恶劣天气导致维修人员无法及时到达输电线路现场，无法掌握输电线路状态的缺陷。

表1 输电线路状态智能监测结果

从表1检查结果为绝缘子覆冰的图像中随机选取一幅，绝缘子覆冰图像如图5所示。通过图5实验结果可以看出，本文方法智能监测输电线路绝缘子覆冰图像中，绝缘子存在覆冰情况，验证本文方法具有较高输电线路状态识别精度。本文方法可以精准识别输电线路状态，实现输电线路状态的智能监测。

图5 绝缘子覆冰图像

统计采用本文方法智能监测输电线路状态，研究区域的多条输电线路运行30天内，输电线路跳闸率变化如图6所示。通过图6实验结果可以看出，采用本文方法智能监测输电线路状态后，研究区域各条输电线路的跳闸率明显降低。采用本文方法智能监测输电线路状态后，由原有的10日一巡转化为输电线路实时动态监测，监测效率明显提升，降低了电力系统的跳闸率，令电力系统维持稳定运行状态。

图6 跳闸率变化

进一步验证本文方法的优越性，与文献[6]方法和文献[7]方法进行对比，将实验数据随机分为5组，以状态监测精准度为指标，结果如表2所示：分析表2可知，本文方法的平均精准度为0.96，相较于文献[6]方法的0.91和文献[7]方法的0.89，具有更好的监测准确性。且本文方法的精准度数据保持了相对稳定的表现。这些结果表明本文方法在输电线路状态监测方面具有显著优势。其高精准度可以提高输电线路故障检测与维修的效率，并且有助于降低因状态监测误报或漏报而引起的额外成本。此外，本文方法的稳定性也为其在实际应用中的可靠性提供了坚实的基础。

表2 输电线路状态智能监测精准度

3、结束语

图像识别技术已广泛应用于众多领域中。将图像识别技术应用于输电线路状态智能监测中，将图像处理技术与人工智能技术结合，实现输电线路状态的智能监测。通过实验验证该方法具有较高的输电线路状态智能监测有效性，可以精准识别输电线路中存在的众多异常情况，为电力系统可靠运行提供基础。通过输电线路状态智能监测方法精准识别输电线路中存在的安全隐患，提升输电线路运行安全性。

参考文献:

[1]万林,巫世晶,谢福起,等.基于图像处理的输电线路耐张线夹监测系统[J].武汉大学学报(工学版),2020,53(12):1106-1111.

[2]梁新宇,林洗坤,权冀川,等.基于深度学习的图像实例分割技术研究进展[J].电子学报,2020,48(12):2476-2486.

[3]翟永杰,龙雅芸,江柳,等.基于异常检测的输电线路山火检测方法研究[J].华北电力大学学报(自然科学版),2021,48(6):90-96.

[4]唐睿,张铭予,徐宏,等.基于深度学习的输电线路巡检图像绝缘子识别[J].电网与清洁能源,2021,37(4):41-46.

[5]周自强,赵淳,范鹏.基于多尺度特征融合Faster R-CNN的绝缘子自爆缺陷研究[J].水电能源科学,2020,38(11):187-189,44.

[6]舒胜文,张深寿,许军,等.基于新一代天气雷达组网监测的输电线路山火自动识别算法研究[J].中国电机工程学报,2020,40(13):4200-4210.

[7]陈志豪,肖业伟,李志强,等.基于多尺度密集网络的配网架空输电线路绝缘子识别[J].激光与光电子学进展,2021,58(8):346-355.

[8]袁璞,郭歌,王莹,等.基于AI视频图像处理的水电机组运转监测与智能报警技术研究[J].电网与清洁能源,2022,38(1):121-127,134.

[9]缪希仁,林志成,江灏,等.基于深度卷积神经网络的输电线路防鸟刺部件识别与故障检测[J].电网技术,2021,45(1):126-133.

[10]张俊,庞世强,李晓斌,等.融合LSD算法与Hough变换的航拍输电线路图像杆塔自动识别方法[J].电子器件,2021,44(5):1210-1214.

[11]马富齐,王波,董旭柱,等.面向输电线路覆冰厚度辨识的多感受野视觉边缘智能识别方法研究[J].电网技术,2021,45(6):2161-2169.

[12]唐波,覃乔,黄力.基于色彩模型和纹理特征的输电线路绝缘子串航拍图像识别[J].电力科学与技术学报,2020,35(4):13-19.

[13]秦钟,杨建国,王海默,等.基于Retinex理论的低照度下输电线路图像增强方法及应用[J].电力系统保护与控制,2021,49(3):150-157.

基金资助:国网信通产业集团两级协同研发项目(K102000071);

文章来源:郭庆,程琳,邱镇.基于图像识别的输电线路状态智能监测研究[J].自动化技术与应用,2024,43(11):56-59+82.