绝缘子是输电线路重要的组成部分，架空线通过绝缘子实现对杆塔和大地的绝缘。绝缘子在过电压作用下会出现闪络，是故障多发元件，传统的巡线方式是人工巡线，可用热红外成像技术方法检测缺陷。由于无人机巡线具有更高效、更安全等优势，近年来无人机巡线迅速发展，利用计算机视觉技术对拍摄的绝缘子航拍图进行分析成为研究的热点问题。

传统的绝缘子自爆缺陷检测算法主要先利用图像分割技术从航拍图中分割出绝缘子串，得到绝缘子的轮廓特征，再按照人工设计的特征判断是否存在缺陷，其中Otsu方法等技术得到了充分应用和发展。然而航拍得到的图像的背景多为杆塔、农田、山峦等复杂场景，且不同环境条件下得到的图像差异较大。传统图像处理方法应用于航拍图像时，难以获得满足算法要求的分割结果，造成准确率低的问题。

神经网络已被应用于多个领域，在图像领域中卷积神经网络（Convolutional Neural Networks，CNN）能够实现端到端的学习，且得到的特征相比于传统的人工设计的特征具有更强的泛化性，已有国内外学者将深度学习方法应用于绝缘子自爆缺陷检测。应用于绝缘子自爆检测的深度学习方法按处理步骤可分为两种：单阶段方法和双阶段方法。单阶段方法直接在航拍图上进行自爆缺陷检测；双阶段方法则先得到绝缘子串所在区域，再对绝缘子串区域进行进一步处理。

单阶段方法采用的算法可分为两种，一种是采用区域提名或回归分类的目标检测算法直接对自爆缺陷进行检测。然而自爆缺陷在航拍图像中所占比例较小，属于小目标检测，由于目标检测算法中多次使用下采样，在多次下采样后自爆缺陷区域的特征图变得很小，丢失图像特征，因而采用目标检测算法的单阶段方法准确率较低。第二种是先由滑动窗口对航拍图片进行裁剪，再对裁剪得到的图片块进行分类。

双阶段方法在检测绝缘子串所在区域时所用方法多为目标检测算法；在检测自爆缺陷时或使用目标检测算法进行检测，或使用滑动窗口裁剪绝缘子串区域后再对得到的图片块进行分类。但是，双阶段方法中非级联网络需要训练多个网络以分别实现绝缘子串定位和自爆缺陷检测，加大了模型的训练难度；级联网络由于需要实现两个功能，参数量和需要的计算量都较大，对硬件要求较高。

基于上述分析，东北石油大学电气信息工程学院的研究人员选择对由滑动窗口裁剪后得到的图片块进行分类的方法，用一个网络实现绝缘子自爆缺陷检测。考虑到无人机在航拍过程中易受天气等因素干扰导致图像模糊，影响图像的质量和信息，造成检测算法漏检，研究人员在实现自爆缺陷检测的同时实现对模糊图像的识别。

图1 对正常绝缘子图像进行图像处理

图2 双串仿真绝缘子

相对于背景，自爆绝缘子与正常绝缘子的区分难度更大，研究人员提出一种基于层次多任务深度学习的绝缘子自爆缺陷检测模型，使用专用的卷积神经网络区分自爆绝缘子和正常绝缘子，提高分类准确率。针对层次分类中的路径错误问题，研究人员将层次分类模型与多任务学习算法相结合以增加粗粒度类别分类准确率，从而减少路径错误问题。

此外，由于目前没有标准的自爆绝缘子数据集，而航拍图片中存在自爆缺陷的绝缘子数量、形态有限，导致卷积神经网络学习到的自爆缺陷特征不足。卷积神经网络学习到的特征决定了模型的性能，若学习到的特征不足将导致模型泛化能力弱，发生过拟合问题，因此需要对自爆绝缘子类别进行数据增强。

传统的数据增强方法主要是翻转、随机裁剪、亮度变换等。在此基础上，有学者提出了使用3D软件进行正常绝缘子建模的方法，但背景纯净的绝缘子图片失去了绝缘子航拍图像的背景复杂的特点。有学者提出运用U-Net将破损绝缘子串分割出来，再与复杂背景图融合的方法进行数据增强，然而只是更换了背景和进行旋转，自爆缺陷特征并未有效增加，并且由于图像分割的精度有限，绝缘子图像周围存在背景的残余像素。

研究人员结合两种方法，提出将仿真自爆缺陷绝缘子与复杂背景融合得到合成图片以实现数据增强。

图3 制作合成航拍图过程

图4 真实绝缘子图像与合成绝缘子图像

研究人员针对层次分类模型中的路径错误问题，在层次分类模型中引入多任务学习，减少路径错误。实验结果显示，合成数据实现了数据增强，有效地防止了网络出现过拟合问题；选择合适的权重综合任务2和任务3的结果后减少了路径错误；层次多任务学习模型的自爆绝缘子分类召回率达到97.21%，F1分值达到0.9831，相比于平面分类模型和普通层次模型更高，说明采用层次多任务模型的特征学习能力更强。

研究人员表示，下一步将收集覆冰绝缘子等其他绝缘子缺陷类型图像，实现对各种绝缘子缺陷的有效检测。

本文编自《电工技术学报》，作者为徐建军、黄立达、闫丽梅、伊娜，论文标题为“基于层次多任务深度学习的绝缘子自爆缺陷检测”。